利用www搜索引擎檢索

WWW也稱為Web網(wǎng)或萬維網(wǎng)，是歐洲粒子物理研究所的美國科學(xué)家Tim Bemers-Lee在1989年開發(fā)并命名的一種以超文本為基礎(chǔ)形成的信息傳輸網(wǎng)絡(luò)，翻開了Internet新的一頁。Tin Bemcrs-L“因此被譽(yù)為萬維網(wǎng)之父，獲得全球首個“千年技術(shù)獎”。WWW與Internet并非一個概念，而是Internet提供的服務(wù)功能之一，WWW使網(wǎng)絡(luò)用戶不再面對枯燥費(fèi)解的機(jī)器指令。通過瀏覽器和超鏈接就能直觀、方便地訪問網(wǎng)絡(luò)上以指數(shù)級增長的文本、圖像和各種多媒體信息，除此之外，收集互聯(lián)網(wǎng)上用戶感興趣的信息還必須借助的有力工具便是WWW搜索引擎。

搜索引擎是互聯(lián)網(wǎng)上提供信息搜索服務(wù)的平臺，是應(yīng)用最廣泛的網(wǎng)絡(luò)服務(wù)工具。我們現(xiàn)在通常使用的搜索引攀基本上是運(yùn)行于WWW中的，所以也可以稱為WWW搜索引攀。隨著網(wǎng)絡(luò)信息越來越滲入普通人的生活，搜索引攀已經(jīng)成為互聯(lián)網(wǎng)上一種熱門和關(guān)鍵的技術(shù)，研究與開發(fā)的競賽此起彼伏，從未停止。我們之所以能輕點(diǎn)”數(shù)億計(jì)的Internet網(wǎng)頁信息，全倚仗互聯(lián)網(wǎng)中上千個搜索引攀兢兢業(yè)業(yè)不斷地進(jìn)行著發(fā)現(xiàn)、抓取、存儲、索引并提供網(wǎng)絡(luò)信息檢索服務(wù)的工作。它們正朝著專業(yè)化、本土化、生活化方向邁進(jìn)。WWW搜索引擎按其運(yùn)作方式差異可劃分為三種類型：目錄網(wǎng)站、全文搜索引擎和元搜索引擎。


一、目錄網(wǎng)站

日錄網(wǎng)站建設(shè)屬早期的WWW信息搜索工具，其工作方式是由人工進(jìn)行網(wǎng)絡(luò)信息的收集、整理，以分類主題形式呈現(xiàn)和瀏覽。由于人工成本極高，技術(shù)含里比較低。從本質(zhì)上講算不上真正的搜索引攀，所以至今不受人重視，幾乎全部目錄網(wǎng)站后來都開發(fā)了自己獨(dú)立的新一代的搜索引攀，演變成常見的關(guān)鍵詞搜索形式，如新浪、搜狐、中國雅虎目前都己難覓當(dāng)初目錄瀏覽風(fēng)格的蹤影，僅有少數(shù)還保留著原始網(wǎng)站分類搜索的特征。最著名的網(wǎng)站目錄當(dāng)數(shù)Yahoo中文的網(wǎng)站目錄從出現(xiàn)的時(shí)間排序有搜狐、網(wǎng)易、新浪等，國外有LookSmart. About等，目錄網(wǎng)站有如下特點(diǎn)。

①基于樹型目錄瀏覽網(wǎng)絡(luò)信息，簡單，易用。以樹型目錄結(jié)構(gòu)組織的信息資游，具有嚴(yán)密的系統(tǒng)性和良好的可擴(kuò)充性，該月錄加入了人類智稼，屏蔽了網(wǎng)絡(luò)資深系統(tǒng)相對于用戶的復(fù)雜性，可以提高信息的準(zhǔn)確性，導(dǎo)航質(zhì)量高。②資源分類目錄不夠細(xì)致。網(wǎng)絡(luò)信息資派的龐雜性，決定了很難確定一個全面的范疇體系作為主題樹結(jié)構(gòu)的基礎(chǔ)來涵蓋所有的網(wǎng)絡(luò)信息資源。為了保證主題的可用性和結(jié)構(gòu)的清晰性，范疇體系的類目也不宜過多，這就使一方面有些特殊的類別無處可尋，另一方面大量的Web頁因沒有包含在目錄中而被忽略。隨著Web的增長，這個問題會越來越嚴(yán)重。利用聚類或其他自動分類(包括自然語言處理，相關(guān)頂抽取等)的方法仍然不能讓人滿意。并且還會出現(xiàn)機(jī)器自動得到的類與人工分類的結(jié)果不相同的問題。⑧由于人工介入、維護(hù)量大、信息呈相對少、信息更新不及時(shí)等，所以為使用戶得到更多的信息，這種目錄網(wǎng)站常把查詢送到其他搜索引擎上，對整個Web進(jìn)行搜索。當(dāng)今的目錄網(wǎng)站與全文搜索引擎是相互融合的，用戶基本不能區(qū)分。如Yahoo曾經(jīng)采用Google的搜索引攀提供頁面搜索，Google則采用“OpenDirectory”目錄提供分類查詢，搜索界面也幾乎是千篇一律。

二、全文搜索引攀

全文搜索引擎被稱為真正的搜索引擎，與網(wǎng)站目錄的區(qū)別在于它不再使用人工參與的信息搜索與分類，全部采用軟件程序來搜集、索引、檢索網(wǎng)絡(luò)信息，全文搜索引攀的結(jié)構(gòu)由四部分組成。

 (I)搜索器。搜索器或稱網(wǎng)絡(luò)機(jī)器人。是一種網(wǎng)絡(luò)自動搜索軟件，通常稱為“蜘蛛”(spider)、爬蟲(crawler)或機(jī)器人(robots)等。“蜘蛛”唯一的工作就是在Web中漫游發(fā)現(xiàn)和收集信息，它每天可以“爬行”大約一千萬個網(wǎng)頁，盡可能多快地收集各種類型的新信息。同時(shí)因?yàn)閃eb的信息更新很快，所以還要定期更新已經(jīng)收集過的舊信息，以免死鏈接和無效鏈接。收集信息的策略有兩個。第一，從一組URL (資源定位器)開始，順粉這些URL中的超鏈接，以寬度優(yōu)先或深度優(yōu)先方式遞歸地在Web中抽取信息。這些起始URL常常是一些非常流行的、包含很多鏈接的站點(diǎn)，例如Yahoo的分類節(jié)點(diǎn)；第二，可以通過設(shè)置“添加網(wǎng)址”欄，允許網(wǎng)絡(luò)信息作者主動給搜索引擎提供網(wǎng)頁地址，但這種方法常受到垃圾網(wǎng)頁制造的轟擊，幾乎有95%通過添加網(wǎng)址欄提交的網(wǎng)址被拒收。搜索引攀采用的搜索信息策略不同，如搜索頻率、搜索對象等會造成每個搜索引擎的搜索結(jié)果、質(zhì)量之間存在差異。

(2)索引器。 索引器或稱為標(biāo)引程序。它的功能是分析收集器所收集的信息，進(jìn)行自動標(biāo)引，將文檔表示為一種便于檢索的形式并儲存在索引庫中，也就是建立倒排文檔。倒排文檔中的每個標(biāo)引項(xiàng)都包含一組指針，指向它出現(xiàn)的網(wǎng)頁。為了給用戶提供有關(guān)被檢出文檔的信息，標(biāo)引中還包含每個頁面的簡單描述，如產(chǎn)生日期、大小、標(biāo)題、子標(biāo)題和摘要等。
   
(3)檢索器。檢索器或稱為檢索軟件，它的功能是根據(jù)用戶的查詢，在索引庫中快速檢索出相關(guān)文檔，進(jìn)行文檔與查詢的相關(guān)度評價(jià)，對將要輸出的結(jié)果進(jìn)行排序，并能夠?qū)崿F(xiàn)某種用戶相關(guān)反饋機(jī)制(即可以對檢索策略的不斷修正)。檢索器被視為搜索引擎中最復(fù)雜的部分，其中包含關(guān)于檢索結(jié)果的排序的重要問題。研究者發(fā)現(xiàn)用戶不可能耐心地去瀏覽動輒上萬的搜索結(jié)果，而只會注意到最前幾頁的搜索結(jié)果，光靠點(diǎn)擊率和詞頻來簡單排序的方法顯然有缺陷。
   
三、元搜索引攀

 元搜索引攀又稱多搜索引擎，這類搜索引攀沒有自己的海量數(shù)據(jù)庫，而是將用戶的查詢請求同時(shí)向多個搜索引擎遞交，將返回的結(jié)果進(jìn)行去排序等處理后再將結(jié)果返回給用戶。按其搜索機(jī)制可分為并行式和串行式。并行式元搜索引攀指將查詢要求問時(shí)發(fā)向各個獨(dú)立的搜索引攀。然后將結(jié)果按特定的順序提供給用戶。串行式元搜索引攀是將查詢耍求先發(fā)給某個獨(dú)立的搜索引擎，待其返回結(jié)果后再將請求發(fā)給另一個搜索引攀。