搜索引擎是通过比较网页URL，内容和相关属性来删除重复网页的，具体步骤如下： 1. 搜索引擎收集器(Crawler)会在网络上发现新网页并收集，此时会有一定概率发现相同的网页，并添加到收集器的索引中去。 2. 收集器会识别新的网页，把重复的网页排除。 3. 然后，搜索引擎把新索引serves给布置在 Indexer(索引器)中，执行深入索引，会把相同内容的文章及URL排除，仅保留一条记录。 4. 最后，Indexer根据收集器搜集来的URL和文章，再次把重复的网页排除，仅保留一条记录。
编者按：站长朋友们，今后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相关的内容，今天先简单介绍一下关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。互联网信息爆发式增长，如何有效的获取并利用这些信息是搜索引擎工作中的首要环节。数据抓取系统作为整个搜索系统中的上游，主要负责互联网信息的搜集、保存、更新环节，它像蜘蛛一样在网络间爬来爬去，因此通常会被
检索排序是指根据用户查询的关键词和相关度分数对文档进行排序，以便在搜索结果页面中将最相关和最相关的文档排在前面。百度搜索引擎使用了一种称为PBM（Probabilistic Boolean Model）的检索算法来衡量文档的相关性，以及PageRank算法来确定文档的权重和排名。 PBM算法将计算文档中包含用户搜索查询词的概率，并以此计算文档的相关度得分。这个概率是通过使用贝叶斯公式结合词频率、
用户行为方式怎样影响搜索引擎排名结果，是很多SEO一直关心探讨的问题。前一阵在点石论坛上就看到关于在百度大量点击搜索结果中自己的网站，从而进一步提高排名的讨论。其逻辑是，搜索结果中的某个网站被点击次数越多，说明越有用，用户越喜欢，搜索引擎会更进一步提高这个网站的排名。不过这种用户行为方式是噪声很大的数据，极容易作弊。搜索引擎要在这些数据中提炼出精华非常困难。前几天Google员工JohnMu就在G
搜索引擎是一种用来搜索巨大的获取到的信息的技术，它根据用户输入的关键字或问题，再搜索索引库中获取到的信息，以便提供相关网站页面、新闻文档、图片和其他形式的信息来回答用户提出的问题。 搜索引擎的一般工作原理是，将信息经过索引化存在索引库中，用户通过输入一定的关键字搜索时，搜索引擎从索引库中搜索符合条件的结果项并返回；或者通过抓取网页技术在搜索引擎开发过程中，根据搜索引擎的网络爬虫技术逐一抓取网
