廈門(mén)網站(zhàn)建設：有(yǒu)人(rén)說，搜索引擎技(jì)術(shù)似乎不需要本地化，這一看就是徹底不懂這個(gè)領域的人(rén)講的。當然，實話(huà)說，如果有(yǒu)人(rén)說，google在中文本地化方面做(zuò)得(de)非常好，我是可(kě)以部分同意的，同意的比例可(kě)能會(huì)比google工程師(shī)少(shǎo)一些(xiē)。但(dàn)我相信google工程師(shī)也會(huì)告訴你(nǐ)，搜索引擎是需要本地化的。

今天寫篇科普文，講講搜索引擎的技(jì)術(shù)機理(lǐ)和(hé)市場(chǎng)競争的一些(xiē)特點。當然，作(zuò)為(wèi)從事或有(yǒu)興趣從事流量運營的朋友(yǒu)，是可(kě)以用另一個(gè)角度去理(lǐ)解本文。

搜索引擎的核心技(jì)術(shù)架構，大(dà)體(tǐ)包括以下三塊：第一，是蜘蛛/爬蟲技(jì)術(shù)；第二，是索引技(jì)術(shù)；第三是查詢展現的技(jì)術(shù)； 當然，我不是搜索引擎的架構師(shī)，我隻能用比較粗淺的方式來(lái)做(zuò)一個(gè)結構的切分。

1、 蜘蛛，也叫爬蟲，是将互聯網的信息，抓取并存儲的一種技(jì)術(shù)實現。

搜索引擎的信息收錄，很(hěn)多(duō)不明(míng)所以的人(rén)會(huì)有(yǒu)很(hěn)多(duō)誤解，以為(wèi)是付費收錄，或者有(yǒu)什麽其他特殊的提交技(jì)巧，其實并不是，搜索引擎通(tōng)過互聯網一些(xiē)公開(kāi)知名的網站(zhàn)，抓取內(nèi)容，并分析其中的鏈接，然後有(yǒu)選擇的抓取鏈接裏的內(nèi)容，然後再分析其中的鏈接，以此類推，通(tōng)過有(yǒu)限的入口，基于彼此鏈接，形成強大(dà)的信息抓取能力。

有(yǒu)些(xiē)搜索引擎本身也有(yǒu)鏈接提交入口，但(dàn)基本上(shàng)，不是主要的收錄入口，不過作(zuò)為(wèi)創業者，建議了解一下相關信息，百度，google都有(yǒu)站(zhàn)長平台和(hé)管理(lǐ)後台，這裏很(hěn)多(duō)內(nèi)容是需要非常非常認真的對待的。

反過來(lái)說，在這樣的原理(lǐ)下，一個(gè)網站(zhàn)，隻有(yǒu)被其他網站(zhàn)所鏈接，才有(yǒu)機會(huì)被搜索引擎抓取。如果這個(gè)網站(zhàn)沒有(yǒu)外部鏈接，或者外部鏈接在搜索引擎中被認為(wèi)是垃圾或無效鏈接，那(nà)麽搜索引擎可(kě)能就不抓取他的頁面。

分析和(hé)判斷搜索引擎是否抓取了你(nǐ)的頁面，或者什麽時(shí)候抓取你(nǐ)的頁面，隻能通(tōng)過服務器(qì)上(shàng)的訪問日志(zhì)來(lái)查詢，如果是cdn就比較麻煩。 而基于網站(zhàn)嵌入代碼的方式，不論是cnzz，百度統計(jì)，還(hái)是google analytics，都無法獲得(de)蜘蛛抓取的信息，因為(wèi)這些(xiē)信息不會(huì)觸發這些(xiē)代碼的執行(xíng)。

一個(gè)比較推薦的日志(zhì)分析軟件是awstats。

在十多(duō)年前，分析百度蜘蛛抓取軌迹和(hé)更新策略，是很(hěn)多(duō)草根站(zhàn)長每日必做(zuò)的功課，比如現在身價幾十億的知名80後上(shàng)市公司董事長，當年在某站(zhàn)長論壇就是以此準确的分析判斷而封神，很(hěn)年輕的時(shí)候就已經是站(zhàn)長圈的一代偶像。

但(dàn)關于蜘蛛的話(huà)題，并不隻基于鏈接抓取這麽簡單，延伸來(lái)說

第一，網站(zhàn)擁有(yǒu)者可(kě)以選擇是否允許蜘蛛抓取，有(yǒu)一個(gè)robots.txt的文件是來(lái)控制(zhì)這個(gè)的。

一個(gè)經典案例是 https://www.taobao.com/robots.txt

你(nǐ)會(huì)看到，淘寶至今仍有(yǒu)關鍵目錄不對百度蜘蛛開(kāi)放，但(dàn)對google開(kāi)放。

另一個(gè)經典案例是 http://www.baidu.com/robots.txt

你(nǐ)看出什麽了？你(nǐ)可(kě)能什麽都沒看出來(lái)，我提醒一句，百度實質上(shàng)全面禁止了360的蜘蛛抓取。

但(dàn)這個(gè)協議隻是約定俗成，實際上(shàng)并沒有(yǒu)強制(zhì)約束力，所以，你(nǐ)們猜猜，360遵守了百度的蜘蛛抓取禁止麽？

第二，最早抓取是基于網站(zhàn)彼此的鏈接為(wèi)入口，但(dàn)實際上(shàng)，并不能肯定的說，有(yǒu)可(kě)能存在其他抓取入口，比如說，

客戶端插件或浏覽器(qì)， 免費網站(zhàn)統計(jì)系統的嵌入式代碼。

會(huì)不會(huì)成為(wèi)蜘蛛抓取的入口，我隻能說，有(yǒu)這個(gè)可(kě)能。

所以我跟很(hěn)多(duō)創業者說，中國做(zuò)網站(zhàn)，放百度統計(jì)，海外做(zuò)網站(zhàn)，放google analytics，是否會(huì)增加搜索引擎對你(nǐ)網站(zhàn)的收錄？我隻能說猜測，有(yǒu)這個(gè)可(kě)能。

第三，無法被抓取的信息

有(yǒu)些(xiē)網站(zhàn)的內(nèi)容鏈接，用一些(xiē)javascript特殊效果完成，比如浮動的菜單等等，這種連接，有(yǒu)可(kě)能搜索引擎的蜘蛛程序不識别，當然，我隻是說有(yǒu)可(kě)能，現在搜索引擎比以前聰明(míng)，十多(duō)年前很(hěn)多(duō)特效鏈接是不識别的，現在會(huì)好一些(xiē)。

需要登錄，需要注冊才能訪問的頁面，蜘蛛是無法進入的，也就是無法收錄。

有(yǒu)些(xiē)網站(zhàn)會(huì)給搜索特殊頁面，就是蜘蛛來(lái)能看到內(nèi)容（蜘蛛訪問會(huì)有(yǒu)特殊的客戶端标記，服務端識别和(hé)處理(lǐ)并不複雜），人(rén)來(lái)了要登錄才能看，但(dàn)這樣做(zuò)其實是違反了收錄協議（需要人(rén)和(hé)蜘蛛看到的同樣的內(nèi)容，這是絕大(dà)部分搜索引擎的收錄協議），有(yǒu)可(kě)能遭到搜索引擎處罰。

所以一個(gè)社區(qū)要想通(tōng)過搜索引擎帶來(lái)免費用戶，必須讓訪客能看到內(nèi)容，哪怕是部分內(nèi)容。

帶很(hěn)多(duō)複雜參數(shù)的內(nèi)容鏈接url，有(yǒu)可(kě)能被蜘蛛當作(zuò)重複頁面，拒絕收錄。

很(hěn)多(duō)動态頁面是一個(gè)腳本程序帶參數(shù)體(tǐ)現的，但(dàn)蜘蛛發現同一個(gè)腳本有(yǒu)大(dà)量參數(shù)的網頁，有(yǒu)時(shí)候會(huì)給該網頁的價值評估帶來(lái)困擾，蜘蛛可(kě)能會(huì)認為(wèi)這個(gè)網頁是重複頁面，而拒絕收錄。還(hái)是那(nà)句話(huà)，随着技(jì)術(shù)的發展，蜘蛛對動态腳本的參數(shù)識别度有(yǒu)了很(hěn)大(dà)進步，現在基本上(shàng)可(kě)以不用考慮這個(gè)問題。

但(dàn)這個(gè)催生(shēng)了一個(gè)技(jì)術(shù)，叫做(zuò)僞靜态化，通(tōng)過對web服務端做(zuò)配置，讓用戶訪問的頁面，url格式看上(shàng)去是一個(gè)靜态頁，其實後面是一個(gè)正則匹配，實際執行(xíng)的是一個(gè)動态腳本。

很(hěn)多(duō)社區(qū)論壇為(wèi)了追求免費搜索來(lái)路，做(zuò)了僞靜态化處理(lǐ)，在十多(duō)年前，幾乎是草根站(zhàn)長必備技(jì)能之一。

爬蟲技(jì)術(shù)暫時(shí)說到這裏，但(dàn)是這裏強調一下，有(yǒu)外鏈，不代表搜索蜘蛛會(huì)來(lái)爬取，搜索蜘蛛爬取了，不代表搜索引擎會(huì)收錄；搜索引擎收錄了，不代表用戶可(kě)以搜索的到；

site語法是檢查一個(gè)網站(zhàn)收錄數(shù)的最基本搜索語法，我開(kāi)始以為(wèi)是abc的常識，直到在新加坡做(zuò)一些(xiē)創業培訓後交流才發現，大(dà)部分剛進入這個(gè)行(xíng)業的人(rén)，或者有(yǒu)興趣進入這個(gè)行(xíng)業的人(rén)，對此并不了解。

一個(gè)範例，百度搜索一下 site:4399.com

2、索引系統

蜘蛛抓取的是網頁的內(nèi)容，那(nà)麽要想讓用戶快速的通(tōng)過關鍵詞搜索到這個(gè)網頁，就必須對網頁做(zuò)關鍵詞的索引，從而提升查詢效率，簡單說就是，把網頁的每個(gè)關鍵詞提取出來(lái)，并針對這些(xiē)關鍵詞在網頁中的出現頻率，位置，特殊标記等諸多(duō)因素，給予不同的權值标定，然後，存儲到索引庫中。

那(nà)麽問題來(lái)了，什麽是關鍵詞。

英文來(lái)說，比如 this is a book，中文，這是一本書(shū)。

英文很(hěn)自然是四個(gè)單詞，空(kōng)格是天然的分詞符，中文呢？你(nǐ)不能把一句話(huà)當作(zuò)關鍵詞吧(ba)（如果把一句話(huà)當作(zuò)關鍵詞，那(nà)麽你(nǐ)搜索其中部分信息的時(shí)候，是無法索引命中的，比如搜索一本書(shū)，就搜索不出來(lái)了，而這顯然是不符合搜索引擎訴求的）。所以要分詞。

最開(kāi)始，最簡單的思路是，每個(gè)字都切開(kāi)，這個(gè)以前叫字索引，每個(gè)字建立索引，并标注位置，如果用戶搜索一個(gè)關鍵詞，也是把關鍵詞拆成字來(lái)搜索再組合結果，但(dàn)這樣問題就來(lái)了。

比如搜索關鍵詞 “海鮮”的時(shí)候，會(huì)出現結果，上(shàng)海鮮花(huā)，這顯然不是應該的搜索結果。

比如搜索關鍵詞 “和(hé)服”的時(shí)候，會(huì)出現結果，交換機和(hé)服務器(qì)。

這些(xiē)都是蠻荒期的google也不能幸免的問題。

到後來(lái)有(yǒu)個(gè)梗，别笑，這些(xiē)都是血淚梗，半夜電(diàn)話(huà)過來(lái)，說網監通(tōng)過搜索發現你(nǐ)社區(qū)有(yǒu)淫穢內(nèi)容要求必須删除，否則就關閉你(nǐ)的網站(zhàn)，夜半驚醒認真排查，百思不得(de)其解，苦苦哀求提供信息線索，最後發現，有(yǒu)人(rén)發了一條小(xiǎo)廣告，“求購二十四口交換機” 。 還(hái)有(yǒu)，涉嫌政治敏感，查到最後 “提供三台獨立服務器(qì)”，  看出其中敏感詞了沒？你(nǐ)說冤不冤。 這兩個(gè)故事可(kě)能并不是真的，因為(wèi)都是網上(shàng)看到的，但(dàn)是我想說，類似這樣的事情真的有(yǒu)，并非都是空(kōng)穴來(lái)風。

所以，分詞，是亞洲很(hěn)多(duō)語言需要額外處理(lǐ)的事情，而西方語言不存在的問題。

但(dàn)分詞不是說說那(nà)麽簡單，比如幾點，1：如何識别人(rén)名？2、互聯網新詞如何識别？比如 “不明(míng)覺厲”。3、中英混排的坑，比如QQ表情。

做(zuò)一個(gè)分詞系統，說到底也不難，但(dàn)是要做(zuò)一個(gè)自動學習，與時(shí)俱進，又能高(gāo)效率靈活的分詞引擎，還(hái)是很(hěn)有(yǒu)技(jì)術(shù)難度的。  當然，這方面我不是專家(jiā)，不敢妄言了。

現在機器(qì)學習技(jì)術(shù)發達了，特别是google在深度學習領域擁有(yǒu)領先優勢，以前很(hěn)多(duō)通(tōng)過人(rén)工做(zuò)标定，做(zuò)分類的工作(zuò)可(kě)以交給算(suàn)法完成，從某種意義來(lái)說，本地化的工作(zuò)可(kě)以讓機器(qì)學習去完成；未來(lái)，也許深度學習技(jì)術(shù)可(kě)以自己學習掌握本地化的技(jì)巧。 但(dàn)我想說兩點，第一，從搜索引擎發展曆史看，在深度學習技(jì)術(shù)還(hái)沒成熟的情況下，本地化的工作(zuò)是非常重要的，也是很(hěn)重要的決定競争成敗的要素；第二，即便現在深度學習已經很(hěn)強大(dà)，基于當地語言的人(rén)工參與，标定，測試，反饋，一些(xiē)本地化的工作(zuò)依然對深度學習的效率和(hé)效果擁有(yǒu)不可(kě)替代的作(zuò)用。

索引系統除了分詞之外，還(hái)有(yǒu)一些(xiē)要點，比如實時(shí)索引，因為(wèi)一次索引庫的更新是個(gè)大(dà)動靜，一般網站(zhàn)運營者知道(dào)，自己網站(zhàn)內(nèi)容更新後，需要等索引庫下一次更新才能看到效果，而且索引庫針對不同權重的網站(zhàn)內(nèi)容，更新的頻次也不太一樣。 但(dàn)諸如一些(xiē)高(gāo)優先的資訊網站(zhàn)，以及新聞搜索，索引庫是可(kě)以做(zuò)到近似實時(shí)索引的，所以我們在新聞搜索裏，幾分鍾前的信息就已經可(kě)以搜索到了。

我以前經常吐槽一個(gè)事情，我在百度空(kōng)間(jiān)發表的文章，每次都是google率先索引收錄，當時(shí)他們的解釋是，猜測是因為(wèi)很(hěn)多(duō)人(rén)通(tōng)過google閱讀器(qì)訂閱我的博客，而google閱讀器(qì)很(hěn)可(kě)能是google快速索引的入口。（然并卵，百度空(kōng)間(jiān)已經沒有(yǒu)了，google閱讀器(qì)也沒有(yǒu)了。）

索引系統的權值體(tǐ)系，是所有(yǒu)SEOER們最關心的問題，他們經常通(tōng)過不同方式組合策略，觀察搜索引擎的收錄，排名，來(lái)路情況，然後通(tōng)過對比分析整理(lǐ)出相關的策略，這玩意說出來(lái)可(kě)以開(kāi)很(hěn)長一篇了，但(dàn)今天就不提了。

但(dàn)我說一個(gè)事實，很(hěn)多(duō)外面的公司，做(zuò)SEO的，會(huì)誤認為(wèi)百度裏面的人(rén)熟悉這裏的門(mén)道(dào)和(hé)規律，很(hěn)多(duō)人(rén)高(gāo)價去挖百度的搜索産品經理(lǐ)和(hé)技(jì)術(shù)工程師(shī)去做(zuò)SEO，結果，呵呵，呵呵。 而外面那(nà)些(xiē)草根創業者，有(yǒu)些(xiē)善于此道(dào)的，真的比百度的人(rén)還(hái)清楚，搜索權值的影(yǐng)響關系，和(hé)更新頻次等等，比如前面說到的，身價幾十億的那(nà)個(gè)80後創業者。

基于結果反推策略，比身在其中卻不識全局的參與者，更能找到系統的關鍵點，有(yǒu)意思不。

3、查詢展現

用戶在浏覽器(qì)或者在手機客戶端輸入一個(gè)關鍵詞，或者幾個(gè)關鍵詞，甚至一句話(huà)，這個(gè)在服務端，應答(dá)程序獲取後處理(lǐ)步驟如下

第一步，會(huì)檢查最近時(shí)間(jiān)有(yǒu)沒有(yǒu)人(rén)搜索過同樣的關鍵詞，如果存在這樣的緩存，最快的處理(lǐ)是将這塊緩存提供給你(nǐ)，這樣查詢效率最高(gāo)，對後端負載壓力最低(dī)。

第二步，發現這個(gè)輸入查詢最近沒有(yǒu)搜索，或者有(yǒu)其他條件的原因必須更新結果，那(nà)麽會(huì)将這個(gè)用戶輸入的詞，進行(xíng)分詞，沒錯，如果不止一個(gè)關鍵詞，或者是一句話(huà)的情況下，應答(dá)程序會(huì)又一次分詞，将搜索的查詢拆成幾個(gè)不同的關鍵詞。

第三步，将切分後的關鍵詞分發到查詢系統中，查詢系統會(huì)去索引庫查詢，索引庫是個(gè)龐大(dà)的分布式系統，先分析這個(gè)關鍵詞屬于哪一塊哪一台服務器(qì)，索引是一種有(yǒu)序的數(shù)據組合，我們用可(kě)以用近似二分法的方式思考，不管數(shù)據規模多(duō)大(dà)，你(nǐ)用二分法去查找一個(gè)結果，查詢頻次是log2(N)，這個(gè)就保證了海量數(shù)據下，查詢一個(gè)關鍵詞是非常快非常快的。 當然，實際情況會(huì)比二分法複雜很(hěn)多(duō)，這樣說比較容易理(lǐ)解而已，再複雜些(xiē)不是我不告訴大(dà)家(jiā)，是我自己都不是很(hěn)清楚呢。

第四步，不同關鍵詞的查詢結果（隻是按權值排序的部分頂部結果，絕對不是全部結果），基于權值倒序，會(huì)再彙總在一起，然後把共同命中的部分反饋回來(lái)，并做(zuò)最後的權值排序。

記住，搜索引擎絕對不會(huì)返回所有(yǒu)結果，這個(gè)開(kāi)銷誰都受不了，百度也不行(xíng)，google也不行(xíng)，翻頁都是有(yǒu)限制(zhì)的。

再記住，如果你(nǐ)多(duō)個(gè)關鍵詞裏有(yǒu)多(duō)個(gè)不同品類冷門(mén)詞，搜索引擎有(yǒu)可(kě)能會(huì)舍棄其中一個(gè)冷門(mén)詞，因為(wèi)彙總數(shù)據很(hěn)可(kě)能不包含共同結果。搜索技(jì)術(shù)不要神話(huà)，這樣的範例偶爾會(huì)出現。

這是三大(dà)部分，多(duō)說一點，其實還(hái)有(yǒu)第四部分。

用戶點擊行(xíng)為(wèi)采集和(hé)反饋部分

基于用戶的翻頁，點擊分布，對搜索結果的優劣做(zuò)判定，并對權值做(zuò)調整，但(dàn)這個(gè)早期搜索引擎是沒有(yǒu)的，後面才有(yǒu)，所以暫時(shí)不列為(wèi)必備的三大(dà)塊。

此外，一些(xiē)對搜索優化的機器(qì)學習策略，對易混詞識别，同音(yīn)詞識别等等，相當部分也都基于用戶行(xíng)為(wèi)反饋進行(xíng)，這是後話(huà)，這裏不展開(kāi)。

關于第四部分，我以前說過一個(gè)詞，點擊提權，我說這個(gè)詞價值千金，我猜很(hěn)多(duō)人(rén)并沒理(lǐ)解。沒理(lǐ)解就好，要不我要被一些(xiē)同行(xíng)罵死了。

以上(shàng)是單指搜索引擎的工作(zuò)原理(lǐ)，和(hé)一些(xiē)技(jì)術(shù)邏輯，當然，隻是入門(mén)級的解讀，畢竟再深入就不是我能講解的了。

但(dàn)搜索引擎的本地化，并不局限于搜索技(jì)術(shù)的本地化。

百度的強大(dà)，不隻是搜索技(jì)術(shù)，當然有(yǒu)些(xiē)人(rén)會(huì)說百度沒有(yǒu)搜索技(jì)術(shù)，這種言論我就不争論了，我不試圖改變任何人(rén)的觀點，我隻列一些(xiē)事實而已。

百度的強大(dà)還(hái)來(lái)自于兩大(dà)塊，第一是內(nèi)容護城河(hé)，第二是入口把控。

前者是百度貼吧(ba)，百度mp3，百度知道(dào)，百度百科，百度文庫

後者是hao123和(hé)百度聯盟。

這兩塊都是本地化，google進中國的時(shí)候，在這兩塊都有(yǒu)動作(zuò)

投資天涯，收購265，以及大(dà)力發展google聯盟，這些(xiē)都是本地化。

此外，重申一下，百度全家(jiā)桶的出現以及，百度全家(jiā)桶和(hé)hao123的捆綁，是360崛起之後的事情，hao123從百度收購到360崛起之前，一直風平浪靜的沒做(zuò)任何推廣和(hé)捆綁，從曆史事實而言，請(qǐng)勿将本地化等同于流氓化。(廈門(mén)網站(zhàn)建設文章來(lái)自百度新聞)