第一章概述 Summarization of Search Engine Architecture

搜索引擎的架构是编写一个搜索引擎所需要考虑的第一个问题，The Anatomy of a Large-Scale Hypertextual Web Search Engine 一文对此问题做了全面的阐述。最大的功能模块可以分为：爬虫、存储、索引和web服务。爬虫负责不间断地爬取目标网站的内容，维护一张url的列表，并按照不重复的原则周期性工作；存储需要把过滤掉html tag的内容存储到本地，当然有很多内容是直接过滤的，比如js代码、影音流、图片等；然后对存储下来的内容进行批量索引，最终所有的索引内容需要合并到同一个索引中；那么有了一个建好的倒排索引，配合后台的查询语句，就可以开始web服务了，对于被检索的keyword，根据pagerank再结合内容的匹配程度，将结果呈现出来。对于用户来说，整个过程是透明的，只需要一个输入就可以得到所有可能的结果。