超级蜘-蛛-池之搜索引擎知多少？

“搜索”在这个数据信息冗杂的时代里，充当着人们信息的筛选器，人们通过使用搜索功能，可以获得自己想要的内容，屏蔽掉无用的信息。对于商家来说，理论上，搜索功能在一定程度上可以增加长尾信息的曝光度。

但是，总所周知，搜索引擎的排序规则实际上饱含水分，竞价排名的规则下，长尾信息的曝光可能就打水漂了。

所以，无论是C端还是B端的产品经理，深谙搜索引擎规则，并学会利用好搜索引擎都非常重要。

一、 初识搜索引擎

提及搜索引擎，大家脑海中就会浮现起国内的百度和国外的Google，我们想要查找什么资料，直接在搜索框中输入关键字，点击搜索按钮，之后就会展现搜索结果。

其实这只是搜索引擎的一部分，我们使用微博搜索某个明星，使用淘宝搜索商品，使用豆瓣搜索一本书，都是搜索引擎。这些搜索引擎因为太常用，我们反而没有意识到。

搜索引擎本质上是一种信息获取方式。

搜索引擎主要经历了：分类目录、相关性搜索、高质量搜索、个性化搜索四个阶段。

在搜索引擎诞生前，我们使用分类目录来获取信息。Yahoo!和国内hao123是分类目录的代表。当时信息相对较少，通过人工整理，把属于各个类别的高质量网站罗列出来。

比如：按照财经类、新闻类、体育类、游戏类等项目进行整理，用户可以通过分类目录来查找需要的信息。

但一个页面的展示空间有限，分类目录也只能收录少数的网站，绝大多数网站都无法被收录，而那些没有被收录的信息，可能正是大家需要的。

有需求，就有商机，搜索引擎顺势而生。

最早的搜索引擎，通过查找用户输入的关键词与网页信息的匹配程度，也就是计算两者的相关性，展示网页列表，至于如何计算匹配程度，会在后文讲解。

相比分类目录，这种方式可以收录大量的网页，并按照用户查询的关键词和网页内容的匹配程度进行排序。

但这种方式有个巨大的问题：只考虑了相关性，没有考虑网页的质量。网页可以通过大量罗列跟内容无关的关键词，来提高与关键词的相关性。

比如：一家做教育的网站，可能会罗列明星、宠物、新闻甚至色情等高流量词语，这种“强行蹭流量”的方式，造成的后果就是搜索结果质量并不好。

解决这个问题的是Google，Google假设网页的链接越多，网站质量越高。利用网页之间的链接数量来确定网页质量，一个网页的链接数量越多，说明在网页在整个互联网中质量越高，Google的核心算法，也会在后文讲述。

发展到现在，搜索引擎不仅需要解决相关性和质量的问题，还要更多考虑用户的真实需求，比如：同样输入“苹果”，年轻人可能想的是手机，另外一些人想到的是水果。这就需要更加复杂的算法和程序了。

二、什么是好的搜索引擎

从分类目录、相关性搜索、高质量搜索、个性化搜索，我们可以从搜索引擎的发展阶段看出，搜索引擎越来越复杂，用户体验也更好了。

那么，如果判断一个搜索引擎好不好呢？

主要有三个评价标准：

1. 好的搜索引擎要快

速度是用户对搜索引擎的第一个印象。

当用户搜索一件商品，几十秒还没有搜索到，他可能去干其他事情了，就直接放弃购买了！商用搜索引擎的查询速度要达到毫秒级，一眨眼的功夫，搜索结果就出来了，用户体验就很好。

影响搜索速度的因素有很多，索引是最关键的因素之一，关于索引，会在下一节详细介绍。

2. 要查的准

当用户翻了3页还找不到想要的内容，干脆就不找了。

影响查询准确率的因素同样有很多，主要有下面这三个：

1. 搜索引擎本身存储的信息要全，对于百度等商用搜索引擎，这就要求爬虫能够爬取全网内容。

2. 关键词和网页内容的相关性要高，用户搜索手机，结果有很多单反相机，就不太好了。

3. 网页信息质量要高，Google发明的PageRank算法很巧妙地解决了这个问题。

3. 搜索引擎要具有稳定性

这也是用户对大多数产品的要求，给用户一个合理的预期，用户才能够信任这款产品，三天两头不能用了，体验就差极了。

搜索引擎是怎么工作的？

那么，搜索引擎到底是如何工作的呢？

一个最基本的搜索引擎主要分为:信息获取、信息处理、信息展示三个模块。

巧妇难为无米之炊，信息获取是整个系统的基石。对商用搜索引擎而言，要求爬虫能够爬取全网内容，关于爬虫，我们再上一章已经介绍过了，这里就不再赘述。对网站内部搜索引擎而言，也需要把信息汇总起来，比如：电商平台，就需要把所有的产品信息存储到一起。

信息处理主要是对原始数据清洗，存入数据库，这里最重要的一个环节就是构建索引，相当于给每一个内容添加目录，便于查找。

信息展示指搜索引擎根据用户的查询词（query）来进行数据库检索，将结果展示给用户，主要涉及到用户查询内容与网页内容的相关性分析、网页质量评价等技术。

虽然搜索引擎具体实现方式有差异，但所有的搜索服务都可以在这三个模块的基础上实现。

三、内容索引

搜索引擎为什么这么快？

好的搜索引擎的评价标准之一就是要快，那么搜索引擎是如何实现的呢？

在开始讲解之前，我们可以考虑另外一个相似的问题：如何在图书馆找到一本书？

最笨的方法是一个书架、一个书架地找，这会花费大量的时间。

聪明一些的方式是通过索书号，快速找到所在书架，进而找到这本书。

搜索引擎中的索引就相当于图书馆里每本书的索书号，通过索引，可以快速找到需要的信息。

索引到底长啥样？

以网页搜索引擎为例：下面这张图是一个简单的索引系统（更准确的说法是倒排索引，至于为什么是倒排，这里先卖个小关子，后面会讲到）。

左边是关键词，右边是这个关键词出现在哪个网页中，一个关键词可能同时出现在很多网页中，所以是一对多的关系。

与图书馆索引不同是：一个图书馆再大，藏书毕竟还有有限的，图书管理员可以手工给每个图书建立索书号。但搜索引擎存储的数据都是以亿计算的，不可能手工建立索引，只能借助一些技术手段。

从上面的表格我们可以看出，构建索引主要有两个过程：查找关键词，把关键词和网页对应起来。

关键词

构建索引的前提是提取出关键词，那么给定一个文本（也就是网页的文字内容），如何获取里面的关键词呢？

主要有两步：首先是获得文本里出现的所有词语，也叫做分词，之后再从中筛选一些作为关键词。

第一步，分词。

如果是一句英文，“Marry had a little lamb”，每个词都是用空格分开的，里面有“marry”、“had”、“a”’、“little”、“lamb”这五个单词，但中文“玛丽有一只小绵羊”，因为没有分隔符（比如：空格）把每个词语分开，就有些麻烦了。

最容易想到的分词方法就是查字典，把句子从左到右看一遍（程序员的说法叫做遍历），每个词语如果在字典中出现过就标记出来。

拿“玛丽有一只小绵羊”举例，比如：“玛丽”这个词在字典中出现过，就把“玛丽”作为一个词语，“有”在词典中出现过，就把“有”作为一个词语，就这样一直做下去，最后可以分为“玛丽、有、一只、小绵羊”。

这种最简单的方式可以解决一部分问题，但也有很大的问题，比如是“小”“绵羊”还是作为整体的“小绵羊”呢？

程序员使用统计学解决这个问题：

从形式上看，词是字的组合，两个字组合在一起可能是一个词语，也可能不是，如果是词语的可能性（概率）大一些，我们就倾向于认为它们可以组成词语。

这就像：天气预报说明天下雨的概率70%，不下雨的概率30%，我们就倾向于认为明天下雨。“小绵羊”一起出现的概率是70%，分开出现的概率是30%，我们就倾向于认为“小绵羊”是一个词语。

那么，如何计算相邻的字组成词语的概率呢？

我们可以对语料库中相邻出现的各个字的组合的次数进行统计，计算所有的字相邻出现的频率，当语料库足够大时，出现的频率越高，对应的概率也就越高。

我们可以计算一个句子中所有组合出现的概率，产生最大的概率组合，就是分词的结果。

比如：“玛丽、有、一只、小绵羊”每一个词语出现的概率就大于“玛丽、有一、只、小、绵羊”等其他组合出现的概率，那么，我们就认为这个句子就按照“玛丽、有、一只、小绵羊”划分。

第二步，获得关键词。

对所有的文本分词之后会发现，“的”、“了”、“吗”、“也许”等没有很强实际意义的功能词有很多，相比之下“产品经理”、“搜索引擎”等词语更加具有实际意义的反而较少，后者更应该作为关键词。

于是，我们使用把所有这些功能词存起来，作为停用词（stop word），如果一个词语出现在停用词中，就不能作为关键词。于是，我们就从分词结果中，获得了关键词。

下面是一个简单的停用词表，可能看出，基本都是我们经常使用的、没有很强实际意义的词语。

中文分词是几乎所有中文自然语言处理（Natural Language Processing）的基础，所以学术界和产业界对中文分词的技术研究已经很深入了，有高质量的商用分词库，也有像jieba这样的开源中文分词库，可以免费使用。

通过提取每个网页的关键词，最终每个网页和关键词的对应关系如下：

需要注意的是：获取关键词不仅用在网页处理，而且也用在输入搜索框中。当我们搜索一句中文的时候，搜索引擎内部会进行分词、去掉停用词，获得关键词，之后再进行后续处理。

倒排索引

现在，我们已经建立好了索引，对于每一个网页，我们找到了出现的所有关键词。

当用户查询时，我们从头到尾，对每一篇文件扫描一遍，看哪个网页出现了用户查询的关键词，就把这个文件作为搜索结果。

但问题是：动辄上亿的网页数量，从头到尾扫描一次就要花好长时间，根本无法满足正常的需求，更别说快速响应了。

那我们能不能把关键词放前面，网页放后面？

这样，当我们检索的关键词的时候，不需要遍历整个系统，只用查找对应的几个关键词，就可以找到需要的网页了！

对计算机而言，直接寻找关键词所在位置的信息，所需的时间非常短，完全可以满足搜索的需要。

比如：用户搜索“关键词1”，那么搜索引擎只需要找到“关键词1”，就可以会直接找到“网页1，网页2，网页5，……网页L”。

用户搜索“关键词1+关键词2”，那么搜索引擎需要找到“网页1，网页2，网页5，……网页L”，“网页3，网页4，网页5，……网页M”，找到同时出现的“网页3、网页5，……”。这样就大大加快了呈现排名的速度。

把“文件-关键词”这种结构颠倒一下，“关键词-文件”，就是倒排索引名字的由来。

更进一步，倒排索引中不仅仅记录了包含网页的ID，还会记录关键词出现的频率（term frequency）、每个关键词对应的文档频率（inverse document frequency），以及关键词出现在文件中的位置等信息，这些信息可以直接用在搜索结果排序上。

四、搜索结果排序

至此，我们通过爬虫实现了信息获取、通过倒排索引实现了信息处理，接下来就是如何把这些信息展示给用户，其中最关键的是如何排序。

对电商而言，用户可以选择按照销量、信用、价格甚至综合排序，当然， 排序中也会穿插一些推广。

对通用的搜索引擎而言，比如：百度，没有销量、评分这些选项，主要根据网页与搜索关键词的相关性、网页质量等排序。

TF-IDF模型

如何确定网页与关键词的到底有多大的相关性？

如果一个网页中关键词的出现很多次的话，我们通常会认为这个网页与搜索的关键词更匹配，搜索结果应该更靠前。

我们用词频(Term Frequency, TF)表示关键词在一篇文章中出现的频率，代表网页和关键词的匹配程度。

比如：我们在百度等搜索引擎上搜索“产品经理的工作”，关键词为“产品经理”，“工作”，“的”作为停用词，不出现在关键词中。

在某一个网页上，总共有1000个词，其中“产品经理”出现了5次，“工作”出现了10次，“产品经理”的词频就是0.005，“工作”的词频就是0.01，两者相加，0.015就是这个网页和“产品经理的工作”的词频。

这里有一个问题，相较“产品经理”，“工作” 这个词用的更多，在所有的网页中出现的概率也很高。搜索者可能希望查找产品经理相关的信息，按照TF排序，一些出现很多次“工作”这个关键字的网站，就可能排在前面，比如：《程序员的工作》、《老板的工作》等等，逆文本频率 (Inverse Document Frequency，IDF)应运而生。

文件频率（Document Frequency）可以理解为关键词在所有网页中出现的频率，如果一个关键词在很多网页中都出现过，那么它的文件频率就很高。反之亦然，比如：“工作”的DF就高于“产品经理”。

文件频率越高，这个词就越通用，有效的信息就越少，重要性应该更低。于是，我们把文件频率取个倒数，就形成了逆文本频率。

二八定律在这里同样适用，20%的常用词占用了80%的篇幅，大多数关键词出现的频率都很低，这就造成了文件频率很小，而逆文本频率很大，不便于处理。于是我们取对数，便于计算（当然，这里也有其他数学和信息论上的考虑）。

把词频(TF)、逆文档频率 (IDF)相乘，就是大名鼎鼎的TF-IDF模型了。

一个关键词在一个网页中出现的频率越高，这个关键词越重要，排名越靠前；在所有网页中出现的频率越高，这个关键词告诉我们的信息越少，排名应该更靠后。

TF-IDF模型帮助我们解决了关键词与网页相关性的计算，仅仅使用TF-IDF模型，也可以搭建出效果不错的搜索引擎。

当然，商用搜索引擎在TF-IDF的基础上，进行的一定的改进，比如：出现在文章开头和结尾的关键词更加重要，会根据词出现的位置调整相关度。但还是基于TF-IDF模型的调整。

大名鼎鼎的PageRank

搜索结果排序，仅仅考虑相关性，搜索的结果并不是很好。总有某些网页来回地倒腾某些关键词，使自己的搜索排名靠前（当然，部分原因也来自某些搜索引擎更加喜欢推荐自家的东西，这个就不属于技术问题了）。

引入网页质量，可以解决这个问题。排序的时候，不仅仅考虑相关性，还要考虑网页质量的高低，把质量高的网页放在前面，质量低的放在后面。

那么，如何判断网页质量呢？

解决这个问题的是两位Google的创始人。搜索引擎诞生之初，还是美国斯坦福大学研究生的佩奇 (Larry Page) 和布林 (Sergey Brin) 开始了对网页排序问题的研究。

他们的借鉴了学术界评判学术论文重要性的通用方法，看论文的引用次数，引用的次数越高，论文的质量也就越高。他们想到网页的重要性也可以根据这种方法来评价。

佩奇和布林使用PageRank值表示每个网页的质量，其核心思想其实非常简单，只有两条：

1. 如果一个网页有越多的链接指向它，说明这个网页质量越高，PageRank值越高，排名应该越靠前；

2. 排名靠前的网页应该有更大的表决权，当一个网页被排名靠前的网页链接时，PageRank值也越高，排名也更靠前。

我们做一个类比：

1. 有一个程序员，如果公司的人都夸他编程技术高，那么我们认为他编程技术高；

2. 如果他被公司的CTO赏识，我们基本可以确定他的编程水平确实牛。

比如：下面这张图（专业术语叫做拓扑图），每一个节点都是一个网页，每条线都是两个网站之间的链接。

链接越多，说明网站质量越高，相应的PageRank值就越高。

这里有个问题：“当一个网页被排名靠前的网页链接时，其排名也应靠前”，一个网页的排名的过程需要用到排名的结果，这就变成了“先有鸡还是先有蛋”的问题了。

Google的两位创始人用数学解决了这个问题：

最开始的时候，假设搜索的网页具有相同的PageRank值；根据初始值，开始第一轮的计算，按照链接数量和每个网页的PageRank值重新计算每一个网页的PageRank值；按照上一轮的结果，按照链接数量和每个网页的PageRank值重新计算每一个网页的PageRank值……

这样计算下去，直至每个网页的PageRank值基本稳定。

你可能会好奇，这样要计算多少次？

佩奇在论文中指出：对网络中的3.22亿个链接进行递归计算，发现进行52次计算后可获得收敛稳定的PageRank值。

当然，PageRank实际运行起来比这个更加复杂，上亿个网页的PageRank值计算量非常大，一个服务器根本无法完成，需要多台服务器实现分布式计算了。为此，Google甚至开发出了并行计算工具MapReduce来实现PageRank的计算！

除了巨大的计算量，PageRank同样要面对作弊的问题。

开头我们谈到TF-DIF的弊端的时候讲到：总有某些网页来回地倒腾某些关键词，使自己的搜索排名靠前。

同样的，针对PageRank，也总有些网页来回地倒腾链接，使自己的搜索排名靠前。这就需要更多的算法，来识别这些“作弊”行为，我们在搜索引擎反作弊一节再来细讲。

其他排序方式

至此，使用TF-IDF计算网页与搜索内容的相关性，使用PageRank计算网页质量，可以很好地实现网页排序，一个基本的搜索引擎就搭建完成了。

商用搜索引擎在此基础上，还衍生了出其他的排名方式。

竞价排名：

比较著名的是百度推出的竞价排名（其实最开始做竞价排名的不是百度，但百度做得太“成功”，也至于大家都认为是百度发明了竞价排名），竞价排名按照按网站出价高低决定排名先后。

这种排名方式最大的优点是：可以帮助搜索引擎公司盈利。

最大的弊端是：无法保证出价高的网页的质量高，在医疗等特殊领域，有时甚至相反。

随着用户数据的积累，关键词和对应用户点击网页的行为数据也被搜索引擎记录下来了，搜索引擎可以根据用户的操作，不断改进自己的引擎。

时至今日，商用搜索引擎的底层技术都差不了太多，用户数据记录成为了竞争的关键因素，这也是百度得以在国内的搜索引擎市场独占鳌头的重要原因——用户越多，搜索越准确，搜索越准确，用户越多！

站内搜索：

百度、Google等通用搜索引擎要做很多工作，相比之下，站内搜索就简单很多——数据量少、也基本都是整理过的结构化数据，比如：豆瓣读书，搜索的时候直接检索自己的数据库就可以了。

虽然站内搜索的技术与通用搜索引擎有很多不一样的地方，但构建索引、相关性计算、质量计算、排序等流程基本一致。对于站内搜索的需求，同样存在开源的解决方案。

业界两个最流行的开源搜索引擎——Solr和ElasticSearch，它们运行速度快、效果好、可靠性高、可扩展，最关键的是免费，足以满足一般的商业需求。

对大多数公司而言，直接使用开源搜索引擎就可以了，不用重新造轮子，甚至，这些开源的解决方案比自己从头搭建的还更加稳定可靠。

五、 SEO与搜索引擎反作弊

搜索引擎结果排名影响流量，流量影响利润，有利润的地方就有“商机”，SEO就是针对搜索引擎排名的“商机”。

SEO（Search Engine Optimization）中文为搜索引擎优化——即利用搜索引擎的规则提高网站在搜索结果的排名。

SEO优化通常有两种方式：一种是网站内部优化，一种是外部优化。

内部优化主要是优化网页内容，比如：提高关键词的数量，优化网页内部标签等。更有甚者，一些网页会使用非常小的字重复关键词，或者使用跟背景相同的颜色重复一些高流量词语，以实现较高的排名。

外部优化主要优化链接，比如：添加友情链接、论坛、贴吧、知道、百科等，这就产生了买卖链接的生意。

可以看出：SEO的优化基本针对的就是TF-IDF和PageRank的排序方式，“投其所好”提高自己的排名。

搜索引擎反作弊

从用户的角度讲：高质量的、相关的信息才是真正需要的。

一些网页凭借SEO优化获得较高排名，本身可能质量不高、相关性也比较弱，这对那些老老实实提供优质内容的网站也是不公平的。

长此以往，可能就会产生“劣币驱逐良币”，搜索引擎搜索到的优质内容不断减少。

从这个角度看，SEO就是针对搜索引擎的作弊，搜索引擎公司也不希望这样的事情发生——搜索不到需要的信息，用户也许直接就跑了！

Google诞生初期，就一直面对作弊与反作弊的问题。

在2001年，敏感的站主和SEO优化者发现：有些网站的Google排名一夜之间就一落千里，有的网站排名则大幅上升，这个现象几乎是每月一次。

后来，人们才知道，Google定期地更新它的反作弊算法，提高搜索质量，这给人的感觉就像跳舞一样，因此被SEO称为Google Dance。

那么，Google是如何反作弊的呢？

虽然各种作弊行为的方式各不相同，但目标一致，都是为了获得更高的排名，大体上还是有一定规律的。根据这些规律，搜索引擎常用的反作弊方式有两类：根据作弊特征的主动出击，建立“黑白名单”的被动防御。

首先，搜索引擎会根据作弊网站的特征主动出击。

就像我们总是能从人群中一眼看到长得最特殊的人一样，一个出现大量重复关键词网页、一个出现大量链接的网页和一个普通的网页，在搜索引擎看来是很不一样的。

通过计算网页的关键词数量特征、链接数量特征，可以很快发现那些“出格”的网站，搜索引擎就可以凭此调整排名。（前文所述的Google Dance就是根据作弊网站链接异常实现反作弊的。）

其次，搜索引擎也会建立“黑白名单”，作为防御手段。

搜索引擎会根据网站内容的质量、品牌、权威程度等信息建立一个白名单，比如：政府网站、一些大公司网站就在白名单中，这些网站的质量较高，排名也靠前，白名单链接的网站质量一般也会较高。

与之对应的是黑名单，主要包括那些作弊严重的网站——比如：堆叠关键词、买卖链接的网站。如果同一个网站链向了多个黑名单中的网站，就可以把其认定为作弊的网站，降低排名。

猫鼠游戏

《猫鼠游戏》梦工厂出品的一部电影，根据真实经历改编，讲述了FBI探员与擅长伪造文件的罪犯之间进行一场场猫抓老鼠的故事。在搜索引擎中，也同样存在这样的猫鼠游戏。

• 为什么电商网站商品名称这么长？

• 为什么会好评返现？差评有偿删除？

• 为什么有些评价很高的宾馆/餐厅，实际却脏乱差？

• 为什么电影评价网站经常会因为刷好评/差评进入舆论中心？

• 为什么微博等社交媒体会有令人咂舌的阅读、点赞和转发数量？

网站和商品本身的相关性和质量很难客观量化，根据关键词、销量、评价、点击、阅读量等较为客观的指标生成排序结果，甚至决定是否进入热搜榜、热销榜，仍然是当前搜索引擎的工作原理。

搜索引擎面对这些行为，也不断进化出新的应对策略。

面对刷单行为，平台经历了睁一只眼闭一只眼的无可奈何，到物流追踪、下单用户身份判断的演变，刷单成本也随之急剧上升，刷单行为虽然没有被杜绝，但也大幅下降。

面对阅读量、点击造假等方式，社交媒体也经历着从听之任之到屏蔽刷排名的转变，中间虽然有收入的降低、用户活跃度下降、大V流失的风险，但也终究要踏上这一步。