隨著互聯(lián)網的迅猛發(fā)展、WEB信息的增加，用戶要在信息海洋里查找自己所需的信息，就象大海撈針一樣，搜索引擎技術恰好解決了這一難題（它可以為用戶提供信息檢索服務）。搜索引擎是指互聯(lián)網上專門提供檢索服務的一類網站，這些站點的服務器通過網絡搜索軟件(例如網絡搜索機器人)或網絡登錄等方式，將Intemet上大量網站的頁面信息收集到本地，經過加工處理建立信息數(shù)據(jù)庫和索引數(shù)據(jù)庫，從而對用戶提出的各種檢索作出響應，提供用戶所需的信息或相關指針。用戶的檢索途徑主要包括自由詞全文檢索、關鍵詞檢索、分類檢索及其他特殊信息的檢索(如企業(yè)、人名、電話黃頁等)。下面以網絡搜索機器人為例來說明搜索引擎技術。
　　1．網絡機器人技術
　　網絡機器人(Robot)又被稱作Spider、Worm或Random，核心目的是為獲取Intemet上的信息。一般定義為“一個在網絡上檢索文件且自動跟蹤該文件的超文本結構并循環(huán)檢索被參照的所有文件的軟件”。機器人利用主頁中的超文本鏈接遍歷WWW，通過U趾引用從一個HT2LIL文檔爬行到另一個HTML文檔。網上機器人收集到的信息可有多種用途，如建立索引、HIML文件合法性的驗證、uRL鏈接點驗證與確認、監(jiān)控與獲取更新信息、站點鏡像等。
　　機器人安在網上爬行，因此需要建立一個URL列表來記錄訪問的軌跡。它使用超文本，指向其他文檔的URL是隱藏在文檔中，需要從中分析提取URL，機器人一般都用于生成索引數(shù)據(jù)庫。所有WWW的搜索程序都有如下的工作步驟：
　　(1)機器人從起始URL列表中取出URL并從網上讀取其指向的內容；
　　(2)從每一個文檔中提取某些信息(如關鍵字)并放入索引數(shù)據(jù)庫中；
　　(3)從文檔中提取指向其他文檔的URL，并加入到URL列表中；
　　(4)重復上述3個步驟，直到再沒有新的URL出現(xiàn)或超出了某些限制(時間或磁盤空間)；
　　(5)給索引數(shù)據(jù)庫加上檢索接口，向網上用戶發(fā)布或提供給用戶檢索。
　　搜索算法一般有深度優(yōu)先和廣度優(yōu)先兩種基本的搜索策略。機器人以URL列表存取的方式決定搜索策略：先進先出，則形成廣度優(yōu)先搜索，當起始列表包含有大量的WWW服務器地址時，廣度優(yōu)先搜索將產生一個很好的初始結果，但很難深入到服務器中去；先進后出，則形成深度優(yōu)先搜索，這樣能產生較好的文檔分布，更容易發(fā)現(xiàn)文檔的結構，即找到最大數(shù)目的交叉引用。也可以采用遍歷搜索的方法，就是直接將32位的IP地址變化，逐個搜索整個Intemet。
　　搜索引擎是一個技術含量很高的網絡應用系統(tǒng)。它包括網絡技術、數(shù)據(jù)庫技術動標引技術、檢索技術、自動分類技術，機器學習等人工智能技術。
　　2．索引技術
　　索引技術是搜索引擎的核心技術之一。搜索引擎要對所收集到的信息進行整理、分類、索引以產生索引庫，而中文搜索引擎的核心是分詞技術。分詞技術是利用一定的規(guī)則和詞庫，切分出一個句子中的詞，為自動索引做好準備。目前的索引多采用Non—clustered方法，該技術和語言文字的學問有很大的關系，具體有如下幾點：
　　(1)存儲語法庫，和詞匯庫配合分出句子中的詞匯；
　　(2)存儲詞匯庫，要同時存儲詞匯的使用頻率和常見搭配方式；
　　(3)詞匯寬，應可劃分為不同的專業(yè)庫，以便于處理專業(yè)文獻；
　　(4)對無法分詞的句子，把每個字當作詞來處理。
　　索引器生成從關鍵詞到URL的關系索引表。索引表一般使用某種形式的倒排表(1nversionUst)，即由索引項查找相應的URL。索引表也要記錄索引項在文檔中出現(xiàn)的位置，以便檢索器計算索引項之間的相鄰關系或接近關系，并以特定的數(shù)據(jù)結構存儲在硬盤上。
　　不同的搜索引擎系統(tǒng)可能采用不盡相同的標引方法。例如Webcrawler利用全文檢索技術，對網頁中每一個單詞進行索引；Lycos只對頁名、標題以及最重要的100個注釋詞等選擇性詞語進行索引；Infoseek則提供概念檢索和詞組檢索，支持and、or、near、not等布爾運算。檢索引擎的索引方法大致可分為自動索引、手工索引和用戶登錄三類。
　　3. 檢索器與結果處理技術
　　檢索器的主要功能是根據(jù)用戶輸入的關鍵詞在索引器形成的倒排表中進行檢索，同時完成頁面與檢索之間的相關度評價，對將要輸出的結果進行排序，并實現(xiàn)某種用戶相關性反饋機制。
　　通過搜索引擎獲得的檢索結果往往成百上千，為了得到有用的信息，常用的方法是按網頁的重要性或相關性給網頁評級，進行相關性排序。這里的相關度是指搜索關鍵字在文檔中出現(xiàn)的額度。當額度越高時，則認為該文檔的相關程度越高。能見度也是常用的衡量標準之一。一個網頁的能見度是指該網頁入口超級鏈接的數(shù)目。能見度方法是基于這樣的觀點：一個網頁被其他網頁引用得越多，則該網頁就越有價值。特別地，一個網頁被越重要的網頁所引用，則該網頁的重要程度也就越高。結果處理技術可歸納為：
　　(1)按頻次排定次序 通常，如果一個頁面包含了越多的關鍵詞，其搜索目標的相關性應該越好，這是非常合平常理的解決方案。
　　(2)按頁面被訪問度排序 在這種方法中，搜索引擎會記錄它所搜索到的頁面被訪問的頻率。人們訪問較多的頁面通常應該包含比較多的信息，或者有其他吸引入的長處。這種解決方案適合一般的搜索用戶，而因為大部分的搜索引擎都不是專業(yè)性用戶，所以這種方案也比較適合一般搜索引擎使用。
　　(3)二次檢索 進一步凈化(比flne)結果，按照一定的條件對搜索結果進行優(yōu)化，可以再選擇類別、相關詞進行二次搜索等。
　　由于目前的搜索引擎還不具備智能，除非知道要查找的文檔的標題，否則排列第一的結果未必是“最好”的結果。所以有些文檔盡管相關程度高，但并不一定是用戶最需要的文檔。
　　搜索引擎技術的行業(yè)應用：
　　搜索引擎的行業(yè)應用一般指類似于千瓦通信提供的多種搜索引擎行業(yè)與產品應用模式，大體上分為如下幾種形式：
　　1、 政府機關行業(yè)應用
　　n 實時跟蹤、采集與業(yè)務工作相關的信息來源。
　　n 全面滿足內部工作人員對互聯(lián)網信息的全局觀測需求。
　　n 及時解決政務外網、政務內網的信息源問題，實現(xiàn)動態(tài)發(fā)布。
　　n 快速解決政府主網站對各地級子網站的信息獲取需求。
　　n 全面整合信息，實現(xiàn)政府內部跨地區(qū)、跨部門的信息資源共享與有效溝通。
　　n 節(jié)約信息采集的人力、物力、時間，提高辦公效率。
　　2、企業(yè)行業(yè)應用
　　n 實時準確地監(jiān)控、追蹤競爭對手動態(tài)，是企業(yè)獲取競爭情報的利器。
　　n 及時獲取競爭對手的公開信息以便研究同行業(yè)的發(fā)展與市場需求。
　　n 為企業(yè)決策部門和管理層提供便捷、多途徑的企業(yè)戰(zhàn)略決策工具。
　　n 大幅度地提高企業(yè)獲取、利用情報的效率，節(jié)省情報信息收集、存儲、挖掘的相關費用，是提高企業(yè)核心競爭力的關鍵。
　　n 提高企業(yè)整體分析研究能力、市場快速反應能力，建立起以知識管理為核心的競爭情報數(shù)據(jù)倉庫，是提高企業(yè)核心競爭力的神經中樞。
　　3、新聞媒體行業(yè)應用
　　n 快速準確地自動跟蹤、采集數(shù)千家網絡媒體信息，擴大新聞線索，提高采集速度。
　　n 支持每天對數(shù)萬條新聞進行有效抓取。監(jiān)控范圍的深度、廣度可以自行設定。
　　n 支持對所需內容智能提取、審核。
　　n 實現(xiàn)互聯(lián)網信息內容采集、瀏覽、編輯、管理、發(fā)布的一體化。
　　4、 行業(yè)網站應用
　　n 實時跟蹤、采集與網站相關的信息來源。
　　n 及時跟蹤行業(yè)的信息來源網站，自動，快速更新網站信息。動態(tài)更新信息。
　　n 實現(xiàn)互聯(lián)網信息內容采集、瀏覽、編輯、管理、發(fā)布的一體化。
　　n 針對商務網站提出商務管理模式，大大提高行業(yè)網站的商務應用需求。
　　n 針對資訊網站分類目錄生成，提出用戶生成網站分類結構。并可以實時增加與更新分類結構。不受級數(shù)限制。從而大大利高行業(yè)的應用性。
　　n 提供搜索引擎SEO優(yōu)化專業(yè)服務，快速提高行業(yè)網站的推廣。
　　n 提供與CCDC呼叫搜索引擎的廣告合作。建立行業(yè)網站聯(lián)盟，提高行業(yè)網站知名度。
　　5) 網絡信息監(jiān)察與監(jiān)控
　　n 網絡輿情系統(tǒng)。如“千瓦通信-網絡輿情雷達監(jiān)測系統(tǒng)”

　　n 網站信息與內容監(jiān)察與監(jiān)控系統(tǒng)，如“千瓦通信-網站信息與內容監(jiān)測與監(jiān)察系統(tǒng)（站內神探）”

http://www.bsnx.com.cn