|
| Google是（shì）如（rú）何收录及排序网页的 |
|
我们遇到的最常见（jiàn）的问题之一是（shì）“Google是如何（hé）判定哪个结果出现在搜索结果的前茅？”，Matt Cutts给（gěi）我们简（jiǎn）单地（dì）揭示（shì）了如何抓取、收（shōu）录（lù）和给网页评（píng）级。
抓取和收录
当你看到出现在Google的搜索结果（guǒ）的那（nà）个（gè）网（wǎng）页之前，Google在后台已经做了许多步骤。Google的第一（yī）步（bù）是抓取和收录（lù）互联网上的（de）数十（shí）亿的（de）网页，这个工作时由Google的机（jī）器（qì）人Googlebot来完成的，它浏览网络（luò）服务器（qì）抓取文（wén）件（jiàn）。 抓取的程序并不是漫无目的地在互联网上瞎（xiā）逛（guàng），它访问服务器的特定的网页，然后扫描网（wǎng）页上的超文本链接，如果（guǒ）有新的文（wén）件也（yě）是这样抓取得；蜘蛛程序（xù）给每个得到（dào）的网页（yè）一个（gè）号码，这个号码指向它抓取的（de）网页。
蜘蛛程序（xù）抓取了很多的网页（yè），但这些（xiē）网页还不是（shì）便于搜（sōu）索的。如（rú）果没有一个索引，你要查询一个词（cí），比（bǐ）如“国内战争”，Google的服务器每次（cì）都要读取每一（yī）个文件的所有内容。
因此，第二（èr）步就是建立索引（yǐn）。我们不（bú）是去扫描每（měi）一个文件的（de）所有（yǒu）内容，我们巧（qiǎo）妙地（dì）进行数据的（de）“转（zhuǎn）换”，列出每一个文件所（suǒ）包含（hán）的特定的词，例如，“国内（nèi）”这个词可（kě）能出现在文件3，8，22，56，68和92当中，而“战（zhàn）争”这个词出（chū）现在文件2，8，15，22，68和77中。
建（jiàn）立好（hǎo）索引之后，我们就可以（yǐ）开始对网页进（jìn）行评级，决定（dìng）网页的（de）相关（guān）程（chéng）度。假（jiǎ）设有人在Google的搜索栏输入“国内战争”进行查询，为（wéi）了（le）提交搜索结果和对结果进（jìn）行（háng）评分，我们要（yào）做两件事（shì）：
1. 找（zhǎo）到包含用户查询的词的网页
2. 给符（fú）合的网（wǎng）页按照（zhào）相关程（chéng）度（dù）进行（háng）评级
Google开发出一个（gè）有（yǒu）趣（qù）的技巧（qiǎo）来加（jiā）速第（dì）一步：Google不是把整个索引（yǐn）存储在一台功能强大的计算（suàn）机上，而是用（yòng）千百个计算机来存储这些（xiē）信息。因（yīn）为任务被分解到许多的计算机，可以更快地找到所需的答案。 详细解释一下，假设一（yī）本书（shū）的目录有30页，如果一个人要在目录中查寻资（zī）料，每次（cì）查询都要花几秒（miǎo）钟；如果用30个人每（měi）人查询一页目（mù）录，显然要比一个人查（chá）询的（de）速度快（kuài）很多。同样的（de），Google将数据分别（bié）存储在许多计（jì）算机上，这样搜索的速度（dù）会大大加（jiā）快。
我们是如何找（zhǎo）到那些包（bāo）含用（yòng）户（hù）搜（sōu）索的词（cí）的（de）网（wǎng）页呢？回到“国内战争”的例（lì）子，“国内”这个（gè）词出现在文件3，8， 22， 56， 68 和（hé）92; “战争”出现在文件2， 8， 15， 22， 68和（hé）77，记下同时出现这两个词的文（wén）件。
国内 3 8 22 56 68 92
战争 2 8 15 22 68 77
国内 战（zhàn）争 8 22 68
这样我们可以清楚地（dì）发现“国（guó）内”、“战争”这两个（gè）词（cí）同时出现（xiàn）的在三个（gè）文件里（lǐ） (8, 22, 和68)。 含有这几个字的（de）列表叫做（zuò）“位置（zhì）列表”，搜（sōu）索文（wén）件包含这两（liǎng）个字，这叫（jiào）做交叉搜索位置（zhì）列表。（较快的交叉（chā）搜索的方法是同时进（jìn）行搜索，如果一个搜索列表,22到（dào）68，那另一个就可（kě）以开（kāi）始搜索其他（tā）的）
对结果进行评级
现（xiàn）在我们（men）已经有了（le）一（yī）些包含用户（hù）搜索的关键词的网页，我们要对它（tā）们的相关程度进（jìn）行评级。Google用许多（duō）参数进行评级。这（zhè）当中PR算法是众所周（zhōu）知的。PageRank评估两个（gè）因素（sù）：有多少个（gè）网页链接到这个网（wǎng）页，这些链接网（wǎng）页的（de）网站的质量如（rú）何。通（tōng）过（guò）PageRank，五六个高质量的（de）站（zhàn）点（diǎn）的链接（jiē），比如www.cnn.com和www.nytimes.com比（bǐ）其他较差的网站的链接（jiē）要（yào）有价值（zhí）的（de）多（duō）。
但是除了PageRank，我们还用许多其它的参（cān）数来（lái）进行评级。例（lì）如，如果一（yī）个文件包含（hán）“国（guó）内”和“战争”这（zhè）两个词排在一起，这个（gè）文件可能比（bǐ）一个讨论革命战争的文件（在文件（jiàn）的某个地（dì）方使用“国内”）的相关程度高。还比如假设一个网（wǎng）页的标题是“国（guó）内战争（zhēng）”，比另一个（gè）标（biāo）题为“19世纪美国（guó）服装”的网页相关度高（gāo）得多。同样的，如果“国内战争”在网页中（zhōng）出现（xiàn）多（duō）次的网页比只（zhī）出（chū）现一个的（de）网页（yè）相关的程度（dù）也要高（gāo）。假设你（nǐ）是搜索引擎（qíng），选择一（yī）个词查询（xún），比（bǐ）如：国内战争（zhēng）或回收，在Google上查询，从结果（guǒ）中挑选（xuǎn）三到四页（yè）打（dǎ）印出来。从（cóng）每一张打印的（de）页面（miàn）上找（zhǎo）出你（nǐ）的搜索语句的每一个字然（rán）后用（yòng）荧光笔标出来（lái），然后把这几页贴在墙上，退后几步眯着眼看，当（dāng）你不知道页面的内容，仅（jǐn）仅能看到（dào）那些有颜色的方块（kuài），你（nǐ）认（rèn）为（wéi）那（nà）一（yī）页是最相关的呢（ne）？是（shì）不（bú）是有着大的标题和（hé）多次重复出现（xiàn）的颜色代（dài）表了较高的（de）相（xiàng）关程（chéng）度？你喜欢这些字出现在顶（dǐng）端还是底部（bù）？这些字出现的频（pín）率如何？这也（yě）是搜索引（yǐn）擎如何判断网（wǎng）页的（de）相关程（chéng）度（dù）。
原则上，Google总是试（shì）图（tú）找出可靠的和相关的网页。如果两（liǎng）个网页（yè）按（àn）照查询的语句大致有相（xiàng）同的信息，Google通（tōng）常（cháng）选择比较信（xìn）得过的网（wǎng）站的网页。当然，如果有（yǒu）一些因素（sù）表明这个网站的网页相关度更高（gāo），Google经（jīng）常（cháng）也选择PageRank较（jiào）低的网站。
一旦Google完成了文件的（de）列表和它们的评分（fèn），就给出得分最高的（de）网页。Google同（tóng）时（shí）从网页中摘录一小段包（bāo）含（hán）查询的关键（jiàn）词的句子；给（gěi）出网页（yè）的链接。
对于这样的搜索工作，需要极大（dà）的数据运算量，一般说来，对于某个（gè）搜索，要有超过500台的服务器协（xié）同工（gōng）作以求（qiú）得最佳匹配（pèi）的结果，当然，结果（guǒ）会（huì）在半秒内返回用户。 |
|
