目前的主要搜索引擎的模式都是，用戶輸入一些關鍵字或者句子，無論是那種，搜索引擎都會首先對用戶的輸入進行分詞，這樣可以增加搜索結果的準確性，這是和普通數(shù)據(jù)庫搜索的不同點，然后搜索引擎去海量的索引庫去查找這些和用戶輸入相關的信息，顯示的結果會包含網(wǎng)頁的相關摘要。

　　中文搜索引擎相關的技術包含：中文分詞、網(wǎng)絡蜘蛛、索引庫、網(wǎng)頁摘要的提取、網(wǎng)頁相似度、信息的分類。

　　1、中文分詞

　　中文分詞一直是中文搜索引擎的關鍵點，中文不同英文，英文每個單詞是用空格分開，而中文一個句子往往是一些詞的連結，沒有分割符，人可以很容易的看懂句子的意思，但是計算機很難開懂。

　　目前我了解的中文分詞方法，幾乎都是有自己的中文詞典，分詞時去詞典匹配，達到分詞目的，分詞的好壞，和詞典關系很大。

　　2、網(wǎng)絡蜘蛛

　　網(wǎng)絡蛛蛛是指對浩瀚網(wǎng)絡抓取信息的程序，他們往往是多線程，不分晝夜的抓取網(wǎng)絡信息，同時要防止對某個站點抓取過快，導致信息提供方服務器過載。

　　網(wǎng)絡蜘蛛的基本原理：先從一個起始頁面開始抓取，獲取此頁面內容，摘要，然后提取頁面所有連接，蜘蛛接著抓取這些連接，一直源源不斷的抓取。這些只是基本原理，實際應用要復雜很多，你可以試著自己寫一個蜘蛛，我曾經(jīng)用PHP寫過。

　　3、索引庫

　　搜索引擎都不會用已經(jīng)成型的數(shù)據(jù)庫系統(tǒng)，他們是自己開發(fā)的類似數(shù)據(jù)庫功能的東西。

　　搜索引擎需要保存大量網(wǎng)頁信息，快照，關鍵字索引，所以數(shù)據(jù)量特別大。

　　4、網(wǎng)頁摘要的提取

　　網(wǎng)頁摘要是指對某個網(wǎng)頁信息的總結，搜索引擎搜索結果里，往往會有網(wǎng)頁標題下面，會有些介紹，讓搜索者很容易的發(fā)現(xiàn)此文章是不是想要的信息。

　　5、網(wǎng)頁相似度

　　網(wǎng)上經(jīng)常有很多內容一樣的網(wǎng)站，比如說同一條新聞，各大門戶網(wǎng)站都會發(fā)布，它們的新聞內容都是一樣的。還有一些個人網(wǎng)站，尤其是偷別人網(wǎng)站資料的網(wǎng)站，和別人網(wǎng)站搞的一模一樣，這樣的網(wǎng)站毫無意義，搜索引擎會自動區(qū)分，降低其權值。

　　目前我研究的計算網(wǎng)頁相似度的幾種方法如下：

　　1)根據(jù)網(wǎng)頁摘要來比較，如果多個網(wǎng)頁摘要的md5值一樣，證明這些網(wǎng)頁有很高的相似性。

　　2)根據(jù)網(wǎng)頁出現(xiàn)關鍵詞，按照詞頻排序，可以取N個詞頻高的，如果md5值一樣，證明這些網(wǎng)頁有很高的相似性。

　　6、信息的自動分類

　　網(wǎng)絡的信息實在是太龐大了，如何對其進行分類，是搜索引擎面臨的難題。要讓計算機對數(shù)據(jù)自動分類，先要對計算機程序進行培訓。