什么是搜索引擎？搜索引擎的历史

搜索引擎(Search Engine)是指根据一定的策略、运用特定的计算机程序搜集互联网上的信息，在对信息进行组织和处理后显示给用户，为用户提供检索服务的系统。搜索引擎目前已经成为人们上网的必备工具之一。

概括地说，搜索引擎的工作方式是抓取网站制作页面、处理网页和提供检索服务.每个独立的搜索引擎都有自己的网页抓取程序(Spider) , Spider顺着网页中的超链接，连续地抓取网页。被抓取的网页被称为网页快照。由于互联网中超链接的应用很普遍，理论上讲，从一定范围的网页出发，就能搜集到绝大多数的网页。搜索引擎抓到网页后，还要做大量的预处理工作，才能提供检索服务。其中，最重要的就是提取关键词(Keywords),建立索引文件，其他的还包括去除重复网页、分析超链接、计算网页的重要度等。用户输人关键词进行检索时，搜索引擎从索引数据库中找到匹配该关键词的网页。为了便于用户判断，除了网页标题和网址(URL)外，还会提供一段来自网页的摘要以及其他信息。

1.搜索引单的历史

所有搜索引擎的祖先都是Archie，它是1990年由加拿大麦吉尔大学的学生Alan Emtage,Peter Deutsch和Bill Wheelan发明的。虽然当时www还未广泛应用，但网络中的文件传输还是相当频繁的，而且由于大量的文件散布在各个分散的FTP主机中，查询起来非常不便，Alan Emtage等人就想开发一个可以用文件名查找文件的系统，于是便有了Archie,Archie是一个可搜索的FTP文件名列表，用户必须输人精确的文件名进行搜索，然后Archie会告诉用户哪一个FTP地址可以下载该文件。因此，Archie是第一个自动索引互联网上匿名FTP网站文件的程序，但它还不是真正的搜索引擎。由于Archie深受欢迎，受
其启发，美国内华达大学的研究人员于1993年开发了一个Gopher(Gopher FAQ)搜索工具Veronica( Veronica FAQ). J ughead是后来的另一个Gopher搜索工具。

搜索引擎一般由爬行器(Spider，机器人/蜘蛛)、索引生成器和查询检索器三部分组成。专门用于检索信息的“机器人”程序像蜘蛛一样在网络间爬来爬去，因此搜索引擎的“机器人”程序就被称为“蜘蛛”程序。

世界上第一个Spider程序是麻省理工学院的Matthew Gray开发的World Wide Web Wanderer，用于追踪互联网的发展规模.起初它只用来统计互联网上的服务器数量，后来则发展成为也能够捕获URL。

1994年7月，美国卡内基·梅隆大学的Michael Mauldin将John Leavitt的蜘蛛程序接人到其索引程序中，创建了Lycos。同年4月，美国斯坦福大学的博士生David Filo和美籍华人杨致远(Jerry Yang)共同创办了超级目录索引Yahoo，并成功地使搜索引擎的概念深人人心。从此搜索引擎进人了高速发展时期。目前，互联网上有名字的搜索引擎已达数百个，其检索的信息量也与从前不可同日而语.以Google为例，其数据库中存放的网页已达30亿之巨!

2.几个搜索引攀简介

下面简要介绍几个常用的搜索引擎。

(1)Google

Google搜索引擎的界面如图6-18所示。Google原来只是斯坦福大学的一个小项目BackRub. 1995年博士生Larry Page开始学习搜索引擎设计，并于1997年9月15日注册T google. com域名。1997年底，在Sergey Brin,Scott Hassan和Alan Steremberg的共同参与下，BachRub开始提供Google的演示版。1999年2月，Google完成T从Alpha版到Beta版的蜕变。

Google在Page rank、动态摘要、网页快照、Daily refresh、多文档格式支持、地图股票词典寻人等集成搜索、多语言支持、用户界面等功能上的革新，持久地改变了搜索引擎的定义.2006年新版的《韦氏大学辞典》中收录了100多个新词。在这本一向以保守、严肃著称的辞典中，收录了互联网搜索引擎Google，意思是“在互联网上迅速地查找信息”。

(2)百度

目前，百度(www. baidu. com)是全球最大的中文搜索引擎，其界面如图6-19所示.2000年1月，前Infoseek资深工程师李彦宏与好友徐勇(加州大学伯克利分校博士后)在北京中关村创立了百度(Baidu)公司。2000年5月，百度开始为门户网站(如搜狐、新浪等)提供搜索技术服务，之后发布Baidu. com搜索引擎Beta版，开始独立提供搜索服务。
(3) Alltheweb

诞生于1999年5月的Alltheweb是一个优秀的全文搜索引擎，除了搜索常规网页外，也能搜索新闻、图片、视频、音频等内容，其目标是做世界上最大、最快的搜索引擎，其界面如图6-20所示。


(4) Ask. Com


Ask. Com是以提问方式进行搜索的搜索引擎，用户可以输人一个问题，搜索得到想要的答案，其界面如图6-21所示.

3.搜索引的分类

搜索引擎常分为全文索引引擎、目录索引和元搜索引擎三类。

(1)全文搜索引擎

全文搜索引擎是名副其实的搜索引擎，国外的代表有Google，国内则有百度。它们从互联网提取各个网站的信息(以网页文字为主)，建立起数据库，并能检索与用户查询条件相匹配的记录，按一定的排列顺序返回结果。

根据搜索结果来源的不同，全文搜索引擎可分为两类，一类拥有自己的检索程序，即“蜘蛛”程序或“机器人”程序，能自建网页数据库，搜索结果直接从自建的数据库中调用，上面提到的Google和百度就属于此类;另一类则是租用其他搜索引擎的数据库，并按自定的格式排列搜索结果，如Lycos搜索引擎。

(2)目录索引

顾名思义，目录索引就是将网站分门别类地存放在相应的目录(Directory)中，因此用户在查询信息时，可选择关键词搜索，也可按分类目录逐层查找.如果以关键词搜索，则返回的结果与全文搜索引擎一样，也是根据信息关联程度排列网站(其中的人为因素要多一些)。

如果按分层目录查找，某一目录中网站的排名则由标题字母的先后顺序决定(也有例外)。

与全文搜索引擎相比，目录索引有许多不同之处。

首先，全文搜索引擎属于自动网站检索，而目录索引的建立则完全依赖手工操作。用户提交网站后，目录编辑人员会亲自浏览用户的网站，然后根据一套自定的评判标准甚至编辑人员的主观印象，决定是否接纳用户的网站。其次，搜索引擎收录网站时，只要网站本身没有违反有关的规则，一般都能登录成功.而目录索引对网站的要求则要高得多，有时即使登录多次也不一定能成功。此外，在登录搜索引擎时，人们一般不用考虑网站的分类问题，而登录目录索引时则必须将网站放在一个最合适的目录中。最后，全文搜索引擎中各网站的有关信息都是从用户网页中自动提取的，所以用户拥有更多的自主权;而目录索引则要求必须手工另外填写网站信息，而且还有各种各样的限制。更有甚者，如果工作人员认为用户提交的网站目录、网站信息不合适。他可以随时对其进行调整，当然事先是不会和用户商量的。目前，搜索引擎与目录索引有相互融合渗透的趋势。原来一些纯粹的全文搜索引擎现在也提供目录搜索，如Google就借用Open Directory目录提供分类查询。而像Yahoo!这些老牌目录索引则通过与Google等搜索引擎合作扩大搜索范围。

(3)元搜索引擎

元搜索引擎(Meta Search Engine)接收用户的查询请求后，同时在多个搜索引擎上搜索，并将结果返回给用户。著名的元搜索引擎有InfoSpace,Dogpile, Vivisim。等，中文元搜索引擎的典型代表是搜星搜索引擎。在搜索结果排列方面，有的直接按来源排列搜索结果，如Dogpile，有的则按自定的规则将结果重新排列组合，如Vivisimo,目前搜索引擎正处于高速发展的阶段，各主要大型搜索引擎都是基于分布式计算的。

简单地说，分布式系统就是由多台服务器共同协作组成的系统，从而能够检索海量信息。以Google为例，它由上万台服务器组成，以提供较好的检索性和抗压性.抗压性是指在一个几秒钟的时间段内，服务器处理大量并发请求的能力。

现在搜索引擎技术的主要发展空间在搜索的准确度上，除了传统的网页排序算法(指对搜索结果进行排序的规则)，如Page rank, Hill top等，也与自然语言的研究进展密切相关。