搜索引擎如何处理收集到的网页数据

　　搜索引擎原理中，搜索引擎工作流程从大的方面有三点：数据采集、数据预处理、查询服务，这里和大家分享一下数据预处理，提亲说明的是，其中涉及一些专业的词汇，在我博客是加了锚文本的，这里没有，看不懂的可以去看原文。

　　在我们所述的“数据预处理”就是主要包含四个方面：关键词提取，“镜像网页”以及“转载网页”的消除，链接分析和网页重要程度的计算。

　　关键词提取：

　　1)在每一章网页，包含了大量的和主题内容无关的内容，像版权说明等等，关键词提取的任务，就是要提取出网页源文件的内容部分所含的关键词。提取的方法：一般类似与切词，将内容切成多个词组成的数组，再取出“在”“的”等无意义的词组，确定最终的关键词。(博主联想：关键词密度，关键词加粗，定向锚文本就是更具这一原因出现，方便搜索引擎更加简单的判断关键词)

　　在后面的章节也会提到的DocView模型中会有更加详细的讲解，在关键词提取之前还有网页净化等多个步骤，出于书籍的编辑顺序考虑，在这里不详解，感兴趣的可以点击链接跳转查看：DocView模型，网页净化;

　　重复或转载网页的消除：

　　1)天网的2003统计发现：网页的平均重复率为4，到目前的2015年，这个数字肯定已经破10。对于网名来说，拥有了更多访问有用信息的机会，对搜索引擎来说，浪费了大量的搜集网页的时间，以及网络宽带资源。具体实现方法，以后再讲。

　　链接分析：

　　1)链接分析中有提到两个概念，词频(TF)：该关键词在关键词提取之后的关键词集合中的出现频率;

　　2)文件频率(DF)：该关键词在所有文件中的出现频率，在所有文件中，该关键词在多少文件中出现;

　　3)搜索引擎可以通过HTML文本标签，来确定关键词的重要性(博主联想：

　　标签的使用就是通过这个得来);指向其他文件的链接，来判断(博主联想：定向锚文本的使用)

　　网页重要程度的计算：

　　1)搜索引擎需要将用户索引的结果，以列表的形式，展示给客户，并且在展示中满足用户的搜索需求，因此“网页重要程度”的概念出现了。

　　2)判定重要性的方法：人们通过参考文献重要性的评估方式，其核心就是–“被引用的最多的就是最重要的”。这种方式，恰好在HTML中超文本链接完美体现，谷歌的PR值(引用该页面的页面概述和引用该页面的页面重要程度)就是完美展现(博主联想：发外链就是该算法的完美体现)。(PageRank算法)

　　3)和第二点出现的不同的地方在于，某些页面是被大量的指向其他页面，某些页面被其他页面大量引用，形成对偶的关系，于是HITS算法出现。(HITS算法)

　　部分名词介绍：

　　“倒排文字：利用文档(已经采集到的网页)中所包含的关键词作为索引，文档则作为索引的着陆页(目标文档)，常见的，就像纸质书籍中，索引就是文章关键词，书籍的具体内容或者说页面就是索引目标页。

　　镜像网页：网页内容一模一样的，未做任何的修改

　　转载网页：主要内容基本相同，但是多了少量的编辑信息

　　HITS算法：简单介绍，在HITS算法中，存在两种页面Authority(权威)页面和Hub(目录)页面，对于Authority页面A，指向A页面的Hub页面H页面越多，那么A页面的质量越高，同样的Hub页面H指向的Authority页面A的数量越多，质量越高，则H页面的质量也就越高。

　　陈晨在最后总结一下，在搜索引擎原理这一本书，在介绍数据预处理这一块，包含的四个方面，在陈晨来看，链接分析就是用来判断网页重要程度的，所以可以划分为一类，合起来就是三个方面，一句话来说：重复或转载页面首先消除，然后提取关键词，加以DF，TF，链接，和算法来判断出网页重要程度。

　　原文出处链接：http://www.simple-chen.net/ssyqyl/194.html