每个独立的搜索引擎都有自己的网页抓取程序爬虫（spider）。爬虫Spider顺着网页中的超链接，从这个网站爬到另一个网站，通过超链接分析连续访问抓取更多网页。被抓取的网页被称之为网页快照。由于互联网中超链接的应用很普遍，理论上，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。包括：提取文字、中文分词、去停止词、消除噪声、去除重复。由于搜索引擎数据库中的页面数都在数万亿级别以上，用户输入搜索词后，靠排名程序实时对这么多页面分析相关性，计算量太大，不可能在一两秒内返回排名结果。抓取来的页面必须经过预处理，为最后的查询排名做好准备。

在去除重复网页、中文分词、判断网页类型、分析超链接、计算网页的重要度/丰富度后，最重要的就是提取关键词，建立索引库和索引排名。

正向索引

1）经过文字提取、分词、消噪、去重后，搜索引擎得到的就是独特的、能反映页面主体内容的、以词为单位的内容。
2）接着搜索引擎索引程序就可以提取关键词，按照分词程序划分好的词，把页面转换为一个关键词组成的集合，同时记录每一个关键词在页面上出现的频率、次数、格式（标题标签、黑体、H标签、锚文字等）、位置（如页面第一段文字等）。
3）搜索引擎索引程序将页面及关键词形成词表结构存储进索引库。
4）正向索引是把页面文件分成由多个关键词组成的主体内容，并存储进索引数据库中形成对应关系。

倒序索引

1）正向索引不能直接用于排名。搜索引擎会将正向索引数据库重新构造为倒排索引。（即把文件对应到关键词的映射转换为关键词到文件的映射）
2）当用户搜索某个关键词时，排序程序在倒排索引中定位到这个关键词，就可以马上找出所有包含这个关键词的文件。

索引排名

1）用户在搜索框填入关键词后，排名程序调用索引库数据，计算排名给用户，排名过程是与用户直接互动的。

当用户输入关键词进行搜索，搜索引擎从索引数据库中找到最匹配该关键词的网页；为了用户便于判断，除了网页标题和URL外，还会提供一段来自网页的摘要以及其他信息。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。