|
| Google是如何（hé）收录及（jí）排（pái）序网页的 |
|
我们（men）遇到的最常见的问（wèn）题（tí）之一是“Google是如何判定哪个结果出现在搜索结果的前茅？”，Matt Cutts给我（wǒ）们简单地揭示了（le）如何抓取、收（shōu）录（lù）和给网（wǎng）页（yè）评级。
抓取（qǔ）和收录
当你看到出现在Google的搜索结（jié）果的（de）那个网页（yè）之前，Google在后（hòu）台已经做了（le）许多步骤。Google的第一步是抓取和收录互联网上的数十亿的（de）网（wǎng）页，这个工作时由Google的机器人Googlebot来完成（chéng）的，它浏览网络（luò）服（fú）务器抓（zhuā）取文（wén）件。 抓取的程序并不是漫无目的地在互联网（wǎng）上瞎逛，它访（fǎng）问服务器（qì）的（de）特定的网页，然后扫描（miáo）网页上的超文本链接，如果有新的文件也是这样抓取（qǔ）得（dé）；蜘蛛程序给（gěi）每个（gè）得（dé）到（dào）的网页一（yī）个号码，这个号码指向它抓取的网页。
蜘蛛程序抓取了很多的网页（yè），但这（zhè）些网页还不是便于搜索的（de）。如果（guǒ）没有一个索引，你（nǐ）要查（chá）询一（yī）个词，比如“国（guó）内战（zhàn）争”，Google的服（fú）务器每次都要读取每一个文件的所有内容。
因此，第二步就是建立索（suǒ）引。我们（men）不（bú）是去扫描每一（yī）个文件的所有内容，我们巧（qiǎo）妙地（dì）进（jìn）行数据的“转换（huàn）”，列出每一个（gè）文件（jiàn）所包含（hán）的特（tè）定的词，例如，“国内（nèi）”这个词可（kě）能（néng）出现（xiàn）在（zài）文件（jiàn）3，8，22，56，68和92当中，而“战（zhàn）争”这个（gè）词出现在文件2，8，15，22，68和77中。
建立好索引之后（hòu），我们就可以开始对网页进（jìn）行评级，决（jué）定网页的相（xiàng）关程（chéng）度。假设有人在Google的（de）搜索栏（lán）输入“国（guó）内战争”进（jìn）行查询，为了提交搜索结果和对结果进行（háng）评分，我们要做两件事：
1. 找（zhǎo）到包含用户查询的词的（de）网页
2. 给符（fú）合的网页按照相关程（chéng）度进行（háng）评级
Google开发出一个有趣的技巧来加（jiā）速第一步：Google不是把整个（gè）索引存（cún）储在（zài）一台功能强大的计算机上，而是用千百个计算机来存储这些信息。因（yīn）为任务被（bèi）分解到许（xǔ）多的计（jì）算机，可以更快地（dì）找到（dào）所（suǒ）需（xū）的答案（àn）。 详（xiáng）细解释一下，假设一本书（shū）的目录（lù）有30页，如（rú）果一个人要在目录中查寻资料，每次查（chá）询都要花几秒钟；如（rú）果用30个人每人查询（xún）一页目录，显然要比（bǐ）一个（gè）人查询（xún）的速度快很多。同样的，Google将数据分别（bié）存（cún）储（chǔ）在许多（duō）计算机上，这样搜索的速度会大大加快。
我（wǒ）们是如何找到那些包含用户（hù）搜索的词的网页呢？回到（dào）“国内战争”的例子，“国内”这个词出现（xiàn）在（zài）文件3，8， 22， 56， 68 和92; “战争（zhēng）”出现（xiàn）在文件2， 8， 15， 22， 68和77，记下同（tóng）时出（chū）现这两个（gè）词的文件。
国内 3 8 22 56 68 92
战争 2 8 15 22 68 77
国内 战争 8 22 68
这样我们可以清楚地（dì）发现“国内”、“战争”这两个词同时出现的（de）在三个文件里 (8, 22, 和68)。 含有这几个字（zì）的列表叫做“位（wèi）置（zhì）列表”，搜索文件包含这两个（gè）字，这叫做（zuò）交叉搜索位置列表。（较快的（de）交叉搜索的方（fāng）法（fǎ）是（shì）同时进行搜索，如果一个搜索列表,22到68，那另一个就（jiù）可以开（kāi）始（shǐ）搜索其他的）
对（duì）结果进（jìn）行评级
现在我（wǒ）们已（yǐ）经有了一些包（bāo）含用户搜索的关键词的网页，我们要对它们的（de）相关程度进（jìn）行评级（jí）。Google用许多参数进行评级。这当中PR算法是众所周知的（de）。PageRank评估两个因素：有多（duō）少个网页链接到这个网页，这些链接网页的（de）网站的质量如（rú）何。通过PageRank，五六个高质量的站点的链接，比如www.cnn.com和www.nytimes.com比其他较差的网站的链接（jiē）要有价值的多。
但（dàn）是除了（le）PageRank，我们还用许多其它的参数来进行（háng）评（píng）级。例如，如果一个文件包（bāo）含“国内”和“战争”这两个词排在一起，这个文件可能比一个讨论革命战争的文件（在文件的（de）某个地方使用“国内”）的相关（guān）程度高。还比如（rú）假设（shè）一个网页（yè）的标题是（shì）“国（guó）内（nèi）战争（zhēng）”，比（bǐ）另一个标题为“19世纪美国（guó）服装”的网页相（xiàng）关度高得多（duō）。同（tóng）样的，如果“国内战争”在网页（yè）中出（chū）现多次的网页比只出现（xiàn）一（yī）个（gè）的网页相（xiàng）关的（de）程度也要（yào）高。假设你是搜（sōu）索引擎，选择一（yī）个词查询，比如：国（guó）内战争或回收，在Google上查询（xún），从（cóng）结果（guǒ）中挑选三到四页打印出来。从每（měi）一张（zhāng）打印的页面上找出（chū）你的搜索语句的每一个字然后用荧光笔标出来，然后把这几页贴在墙上（shàng），退后几步眯（mī）着（zhe）眼看，当（dāng）你不知道页面的内（nèi）容，仅仅能（néng）看到那些有颜色的方块，你（nǐ）认为那（nà）一页是最相关的呢？是不是有着大的标题（tí）和（hé）多次重复出现的颜色代表了较高的相关程度？你喜（xǐ）欢这些（xiē）字（zì）出现在顶（dǐng）端还（hái）是底部？这些字出现的频率（lǜ）如何？这也（yě）是（shì）搜索（suǒ）引擎如何判断网页的相关程度。
原则上，Google总是试（shì）图找出可靠的和相关的网页。如果两个网页按照查询（xún）的语（yǔ）句大（dà）致有相同（tóng）的信息（xī），Google通（tōng）常选择比较信得过的（de）网站的（de）网页。当（dāng）然，如果有一些因（yīn）素表（biǎo）明这（zhè）个网站的（de）网页相关度更高，Google经常也选（xuǎn）择（zé）PageRank较低的（de）网站。
一旦Google完成了文件的列（liè）表和它们的评分，就给出得（dé）分最高的网页。Google同时从网页中摘（zhāi）录一小段（duàn）包（bāo）含查询的关键词的句子（zǐ）；给出网页的链（liàn）接。
对于这样（yàng）的搜索工（gōng）作，需要极大的数（shù）据运算量，一般（bān）说来，对（duì）于某（mǒu）个搜索，要（yào）有超过500台的服务器协同工作以求（qiú）得最佳（jiā）匹配（pèi）的结果，当（dāng）然，结果会在半秒（miǎo）内返回用户。 |
|
