爬行和抓取
整理自网络ChatGPT产生之内容，文本内容不具备参考意义，程序内容及代码片段有且仅有借鉴意义。
爬行是指动物的行动方式，通常涉及身体的爬行和爬行的动作，如爬行动物（如蛇和蜥蜴）和爬行昆虫（如蚂蚁和蜘蛛）。 抓取是指通过握住或接触来获取动物或物体的行动。抓取可以包括动物的牙齿、爪子、手指、手掌和指甲等器官或物品如工具或表面。抓取通常是为了获取食物或其他资源，或者以进行自我保护或攻击。
（1）爬虫：从互联网爬取原始网页数据，存储于文档知识库服务器。（2）文档知识库服务器：存储原始网页数据，通常是分布式Key-Value数据库，能根据URL/UID快速获取网页内容。（3）索引：读取原始网页数据，解析网页，抽取有效字段，生成索引数据。索引数据的生成方式通常是增量的，分块/分片的，并会进行索引合并、优化和删除。生成的索引数据通常包括：字典数据、倒排表、正排表、文档属性等。生成的索引存储
中文分词技术是搜索引擎技术中的关键技术之一，它的主要作用是将一个连续的中文文本切分成一个一个独立的词语，以便于搜索引擎进行后续的处理和分析。 中文分词技术的目标是识别出中文文本中的词语，解决中文语言中没有明显的词语分隔符的问题。中文分词技术主要包括以下几种方法： 1. 基于词典的分词：通过构建一个包含常用词语的词典，将文本与词典进行匹配，识别出词典中存在的词语作为分词结果。 2. 基于规则的
前面简要介绍过了搜索引擎的索引系统，实际上在建立倒排索引的最后还需要有一个入库写库的过程，而为了提高效率这个过程还需要将全部term以及偏移量保存在文件头部，并且对数据进行压缩，这涉及到的过于技术化在此就不多提了。今天简要给大家介绍一下索引之后的检索系统。检索系统主要包含了五个部分，如下图所示：索引&检索.jpg（1）Query串切词分词即将用户的查询词进行分词，对之后的查询做准备，以“1
搜索引擎的工作原理基本上包括以下几个步骤： 1. 网络爬虫：搜索引擎首先会派出网络爬虫（也称为蜘蛛或机器人），自动访问互联网上的页面，并把这些页面的内容和相关信息收集下来。 2. 索引：搜索引擎将爬取到的页面内容和相关信息存储到搜索引擎数据库中，以方便后续搜索。 3. 检索：当用户输入关键词进行搜索时，搜索引擎会根据关键词从数据库中检索相关的页面。 4. 排名：搜索引擎会根据一系列算法评估
