百度一下，背后可不只是简单的一下（上篇）

今天张叔叔给大家科普一下百度一下是如何实现的。百度被称为中国最大的搜索引擎，全球最大的中文搜索引擎，这个的确不是吹嘘。百度每天处理的搜索请求量都是百亿级别，可以用手指数一下“个十百千万...”，你会惊奇的发现，十个手指头都不够百亿单位。

什么是引擎？引擎可以直接理解为发动机，百度搜索引擎顾名思义就是百度为搜索提供的发动机，借此为大家提供孜孜不倦的搜索服务，满足大家每天的搜索请求。搜索引擎到底如何实现的呢，带着问题和好奇心跟张叔叔一起学习吧。

搜索引擎最终提供给大家的是各种各样的搜索结果，那么这些结果从哪来的？简而言之就是通过网络爬虫从网络上爬取的，具体网络爬虫是如何工作的，可以参见叔叔之前的文章《什么是网络爬虫，每天都在忙乎什么》。百度每天都有海量的网络爬虫在计算机网络中忙碌着，它们从各种网站上爬取网页，图片，视频等等信息。这些信息获取到之后，百度可不是简单的就存储到自己的服务器上面，他们要做很多事情来保证我们可以搜索到这些内容。为了讲解方便，叔叔后面就以网页检索为例。

先开动脑筋思考一个问题，如果放在你面前一本书，如何快速的找到这本书中所有的成语“滴水穿石”所在的页码？是不是能想到的唯一方法就是翻遍整本书，一页一页的去查找成语的位置，如果这本书很薄还好，如果像《西游记》原著那么厚，我想找到所有页码大概得需要一整天时间了。如果换个场景，叔叔给你一本词典，让你找到词典中的成语“滴水穿石”，你大概需要多久？是不是不到一分钟就可以找到了。

为什么词典会比一页一页翻书查找得更快？原因很简单，是因为词典前面有一个目录，可根据首字母进行查找，通过首字母可以大大的缩小查找范围，这样便可以快速的找到你要查找的词语了。百度通过网络爬虫获取到海量的网页内容，如果把每一个网页想象成一页纸，那么百度每天就是在一本拥有上亿页的书中帮大家查询内容。为了提高查询的速度，同样需要创建类似于词典中的目录，不过百度搜索引擎中这个东西叫作索引。

索引如何构建的？如果此刻你想到了这个问题，说明你很爱思考。假设今天百度爬虫获取到了两个网页内容A和B，A中讲述的是赵丽颖和冯绍峰结婚了，B中讲述的是赵丽颖的新电影《张叔叔的美好时光》。当百度获取到这两个网页之后，首先提取出网页中的文字内容然后进行分词处理。分词是什么？分词就是把句段篇分割成字词。比如A网页就会被分词成为赵丽颖、冯绍峰、结婚等，B网页被分词成为赵丽颖、张叔叔、美好时光等。此刻我们就得到了一个网页与分词的对应关系，主谓关系是网页包含词语。索引的构建正好是相反的关系，百度会记录赵丽颖这个词语出现在了哪些网页中，很明显赵丽颖出现在了网页A和网页B中，冯绍峰出现在网页A中，张叔叔出现在网页B中。这个地方就好比创建了词典中的目录，当你想查找赵丽颖的时候，可以快速定位到网页A和网页B。索引创建好之后可以支持快速检索了，我们输入的搜索内容百度如何处理的呢？

出于八卦，今天你在百度搜索中填写了“赵丽颖和冯绍峰啥时候结婚的”，你点击“百度一下”按钮之后，你的搜索请求通过计算机网络传递到了百度服务器，百度服务器首先会对你的搜索内容也进行分词处理，最终分词结果为赵丽颖、冯绍峰、时候、结婚。那么通过索引可以快速的获取到赵丽颖所在的网页A和B，冯绍峰获取到了网页A，时候和结婚分别也获取到了各自的网页。对于这四个词所在的网页求交集（交集就是大家都拥有的），最终发现A是最满足条件的结果，百度就把网页A返回给了你，当你点击打开A网页之后就看到了你想看到的信息。

那么如果只输入赵丽颖进行搜索，岂不是要返回网页A和网页B，那么返回顺序如何决定呢？百度搜索结果中的广告是如何返回的？是不是还要很多疑问，哈哈，且听下文分解。

欢迎转载，为社会主义建设添砖加瓦！