百度lee：搜索引擎索引系统概述（一）

从上次8月份百度站长平台lee发布关于搜索引擎抓取信息后2个月已经过去，这次lee继续发布了搜索引擎索引系统的信息。不管怎么样，木木SEO认为百度官方的公告我们还是要了解和分析的。下面是百度官方公告：

众所周知，搜索引擎的主要工作过程包括：抓取、存储、页面分析、索引、检索等几个主要过程。过去几周给大家介绍了抓取相关的简要过程。今天简要介绍一下索引系统，以亿为单位的网页库中查找特定的某些关键词犹如大海里面捞针，也许一定的时间内可以完成查找，但是用户等不起，从用户体验角度我们必须在毫秒级别给予用户满意的结果，否则用户只能流失。怎样才能达到这种要求呢?

如果能知道用户查找的关键词(query切词后)都出现在哪些页面中，那么用户检索的处理过程即可以想象为包含了query中切词后不同部分的页面集合求交的过程，而检索即变成了页面名称之间的比较、求交。这样，在毫秒内以亿为单位的检索成为了可能。这就是通常所说的倒排索引及求交检索的过程。如下为建立倒排索引的基本过程：

(1)页面分析的过程实际上是将原始页面的不同部分进行识别并标记，例如：title、keywords、content、link、anchor、评论、其他非重要区域等等;

(2)分词的过程实际上包括了切词、分词、同义词转换、同义词替换等等，以对某页面title分词为例，得到的将是这样的数据：term文本、termId、词类、词性等等;

(3)之前的准备工作完成后，接下来即是建立倒排索引，形成{termàdoc}，可以粗略的理解为如下，为什么是【term->doc】,而不是直接应用【doc->term】呢?

上述即是索引系统中的倒排索引过程，是搜索引擎实现毫秒级检索非常重要的一个环节。

好了，以上就百度发布的全文了，当然是很简单的，想了解更多可以看木木SEO的《不懂搜索引擎原理就是在裸奔》，我想大家在里面可以了解得更详细。另外上面文章里面的几个词可能大家不理解，简单的说一下：term就是单词文本，即关键词;termID就是单词标识。

文章编辑自：木木SEO博客