搜索引擎工作原理｜倒排索引｜query改写｜CTR点击率预估｜爬虫

写在前面

使用搜索引擎是我们经常做的事情，搜索引擎的实现原理。

什么是搜索引擎

搜索引擎是一种在线搜索工具，当用户在搜索框输入关键词时，搜索引擎就会将与该关键词相关的内容展示给用户。比较大型的搜索引擎有谷歌，百度，必应。

像我们嵌入在app里面的搜索，也是搜索引擎。只不过上面的搜索引擎是 搜全网，把全网的网站放到自己的数据库中，app里面的搜索一般只是站内信息的搜索。

搜索引擎的原理

相对成熟的搜索引擎工作原理可以分为爬虫、索引、排名三个步骤：

1. 爬虫（Crawler）：这是一种自动化程序，爬虫可以搜索网页并将找到的网页保存到搜索引擎的数据库中，以便进行索引。
2. 索引（Indexing）：索引是搜索引擎给每个网页分配一个关键字，以便搜索引擎能够快速地找到对应的网页。
3. 排名（Ranking）：排序是搜索引擎根据搜索结果进行打分排序，根据相关性的高低进行排名，以便用户能够找到最相关的网页。当然，一些搜索引擎偶尔也会在排名中穿插广告。

那么我们一点点来讲讲搜索引擎的这三个步骤。

爬虫

搜索引擎会派出一个抓取网页的代码程序用来发现新网页，通常被称为爬虫。这是一种自动抓取网络信息的程序，通过模拟人类访问网站的行为，自动访问网站，抓取网站上的信息，将抓取到的信息保存到数据库中。

首先，爬虫会从一个或多个指定的网址开始，然后根据程序设定的规则，从网页中抓取所需要的信息，并将抓取的信息保存到自己的数据库中。抓取的过程中，爬虫会不断地从网页中提取出新的网址，然后继续抓取，这一过程会一直持续下去，直到爬虫抓取到所有符合要求的信息为止。

而爬虫会根据项目的robots.txt文件的内容来选择是否爬取该网站的信息。比如这个就是 B站 的 robots.txt。

我们可以看到，b站的robots.txt 和其他网站的robots.txt 都是类似的，都希望自己的页面被各个搜索引擎的爬虫收录。一般的网站都希望被搜索引擎的爬虫访问，这样网站的流量入口就多了一个。

当然也有一些网站不希望自己被搜索引擎爬取，比如淘宝，这样大家只能在淘宝的网站搜索商品，而不能在其他入口搜索淘宝的商品。

看到这里，你可能会疑惑，搜索引擎不是全网搜索吗？ 难道有些网站，还会出现在百度能搜出来，在其他搜索引擎就搜不出来情况？

其实我们所谓的搜索引擎全网搜，这个全网是一个 伪全网 。我们进入百度的搜索引擎页面，其实我们进入了是百度这个网站，只是这个网站的爬虫收录了很多其他的网站，让你以为你是在全网

举个例子，我新上线了一个网站，就叫 “阿丽商城” ，我不想让我的网页被百度收录，那我就可以在 robots.txt 设置不让百度的爬虫爬去收录。这样当你百度 “阿丽商城” 的时候，在百度的网站上就没有任何 “阿丽商城” 的信息了。

索引

我们了解完爬虫之后，我们来讲讲索引。2025年全球的域名数量已经突破 3.68亿， 每个网站又有数不胜数的子页面，网页内容等等，再加上这个信息爆炸的时代，搜索引擎的数据库中已经收录了数以万亿级的网站信息，这时候，为了快速找到对应的网址，我们就要对这些网站信息建立索引。

索引一般分成正排索引和倒排索引：

正排索引是一种"文档→词项"的索引结构，它按照文档的顺序存储每个文档中包含的词项。

比如有一组网页

• 网页A：山西苹果是一种水果
• 网页B：橘子是一种水果
• 网页C：广西苹果是一种苹果

这样当你看到网页A，就知道山西苹果是一种水果的这个词项。

而搜索引擎一般是建立倒排索引，一种"词项→文档"的索引结构，记录每个词项出现在哪些文档中。

按照上面的例子建立倒排索引，那么就需要先提取关键词，还是上面的例子：

• 网页A：山西苹果是一种水果 -> 提取关键字 山西、苹果、水果
• 网页B：橘子是一种水果 -> 提取关键字 橘子、水果
• 网页C：广西苹果是一种苹果 -> 提取关键字 广西、苹果

倒排索引表如下：

当我们搜索苹果的时候就会出现网页A和网页C，搜索水果的时候，就会出现网页A和网页B。

当然不仅只有倒排索引，还会有其他的索引结构，比如向量索引。当用户搜索的时候，会根据不同的索引数据源、不同的策略做召回，尽可能的召回多点数据，文本召回，向量召回，离线召回，这种叫多路召回。

最近这两年，随着大模型的兴起，也开始有了生成式召回。

此外搜索引擎还会进行query搜索词改写，虽然向量召回能召回语义类似的词，但是文本召回不行。而query改写能提高我们的召回准确率：

1. 扩展相关词，确保不遗漏重要结果，提高召回率‌，比如搜索”苹果CEO“，改写成苹果公司CEO，TimCook
2. 纠正错误查询，更精准匹配用户意图，‌提升准确率，比如苹里公司改写成苹果公司‌
3. ‌即使查询不完美，也能得到理想结果，改善用户体验，搜索”附近火锅“，会附带上了地点信息改写成xxx地点附近的火锅‌

接着问题出现了，我们召回成千上万个可能相关的网页，究竟是哪些网页出现在前面呢？这就涉及到了搜索引擎最后一个步骤，结果的计算排名。

排名

经过这么多年的发展，谷歌的页面排名规则已经非常复杂，但是没有人知道具体规则是什么。在召回尽可能多的数据之后，会进行召回截断、粗排、精排，这三种情况会呈现漏洞式削峰，从数万到数千、再到数百条数据，最后再次进行打分排序。

而点击率预估模型就是来做筛选的事情，这个模型顾名思义，预算估计每个召回网页的点击率会是多少，从而将点击率高的网页排在前面。

那么影响点击率的因素有哪些呢？

1. 内容相关性： 页面标题与用户查询关键词的相关性，相关性越高的页面，排名就越靠前，也越能满足用户需求。
2. 内容质量： 现在越来越提倡高质量内容输出了，也就是说哪怕你的内容相关性很高，但是其质量低下，也很难获得很好的排名。比如页面充斥了关键词堆砌、来源模糊的信息，重复度很高等。
3. 链接权重： 链接主要有站内链接和站外链接两种，某种角度上来说，某个页面得到的链接越多，在一定程度上反映了该页面内容丰富，相对应的链接权重也就越高，比如维基百科。
4. 页面加载速度： 现在这年代，网页的加载速度越来越重要了，每个人愿意在我们网页上停留的时间可能1秒都不到，这时候如果我们页面要过好几秒才能加载成功，用户可能早就不耐烦的关闭网页走人了。那我们前面做了那么多高质量的内容也就失去了意义。
5. 竞价排名： 通过竞标方式与特定的关键词挂钩。广告金主针对某一关键词给出的竞标金额越高，当访问者以该关键词搜索时，该广告金主的网站排名越靠前。

当然排序规则远远不止上面说的这些，还有很多可能的规则，这里就不再一一列举。

参考文献

https://dmthought.com/search-engine-working-principle/
https://zhuanlan.zhihu.com/p/208846943
https://www.xnbeast.com/google-algorithm-ranking-factors/