搜索引擎，可以通过要害词使得人们在利用时越发的便利。但要害词是怎确定的呢？差异的用户是怎么在页面中找到他们需要的信息的？本文作者从一个实例出发，对搜索背后的故事举办了梳理叙述，与各人分享。

柳絮纷飞的四组团，一个金色的下午，小白打开电脑，阴差阳错地在百度搜索框里输入“杭亦白的公家号”这几个字。约莫30毫秒今后，672个搜索功效展示在面前。逐个往下翻看这些功效，三个迷惑逐渐涌上大脑：

我要找哪些网页，百度怎么知道的？

网页这么多，百度是按照什么法则分列它们的？

它返回的和我想要的，相关性如何？

搜索的数学本质——搜索词对应索引表的布尔运算

方才担当结业论文洗礼的我们，大概对摘要最后附带的几个“要害词“还留有深刻的印象。不止是结业论文，险些所有的学术杂志都要求作者提供3~5个要害词。

要害词的汗青配景是什么？本来，在半个多世纪以前，搜索引擎已经遍及运用于文献检索了。为了利便期刊的编辑、读者查找文献，搜索引擎开拓者们巧妙地为文献环绕的焦点词成立了索引，也就是传承至今的要害词。假如你搜的词呈此刻某篇文章的“要害词“坑里，搜索引擎就会迅速把这篇文章返回给你。

好比你搜“显微镜“，多数会看到光学规模里显微镜相关的文献，因为这些文献往往附带着“显微镜”这个要害词；同理，搜”浙江村“和”社区“这两个词，项飙的《超过界线的社区》很大概会呈此刻在显著的位置。

“索引”这个观念的引入，使得搜索引擎真正具有了及时反馈功效的大概。

一开始，由于计较机速度和容量都十分有限，只能对最重要的3到5个主题词成立索引。此刻好了，计较机的机能已经不再是制约因素，尚有了成熟的漫衍式处理惩罚手段，对互联网上所有网页的所有词成立索引理论上存在大概。

假如然的这么搞，互联网上就存在一张庞大的索引表，所有词都能找到对应的网页。当你搜索一个词组，搜索引擎把这个词组看成键（key）放到内外，取出对应的网页作为值（value）返回，理论上就劈头完成了一次搜索行为。

逻辑看起来很是简朴，数学上又是怎么实现的呢？

本来，最简朴的索引布局就是一长串二进制数，来暗示要害词是否存在在每篇文献中。有几多篇文献，二进制数就有几多位，位上取0代表对应文献里不包括要害词，取1则相反。

例如说，假设互联网上只有16个网页，搜索引擎首先对这16个网页做一个排序（如有新增网页，堆在队尾，担保前方网页序号牢靠），然后对网页内的所有词，别离建16位的二进制数，这些词与对应的二进制数就组成了一张索引表。

对付我要搜索的“杭亦白的公家号”，搜索引擎首先把这句话按照语意做分词处理惩罚，分出“杭亦白”、“的”、“公家号”这三个词。

要害词“杭亦白”对应的二进制数是0001 0000 0010 0011，暗示第四、第十一、第十五、第十六个网页上包括“杭亦白”这个词。对“的”和“公家号”做同样处理惩罚，就得了三个二进制数。

对以上3个二进制数做布尔AND运算，功效是0001 0000 0010 0010，暗示第四、第十一、第十五个网页满意搜索要求，搜索引擎向搜索者展示的就是这3个网页。

本来，搜索的数学本质，就是搜索词对应索引表的布尔运算，搜索引擎返回布尔“与”运算功效为1的网页。

这里可以多提一句，布尔运算的元素只有1（TRUE，真）和0（FALSE,假）；根基运算只有“与”（AND）、或（OR）、非（NOT），十分简朴，却为数字电路奠基了理论（布尔元素真假对应着电路通断），也对数学发生深远影响：

“布尔代数对付数学的意义等同于量子力学对付物理学的意义，它们将我们对世界的认识从持续状态扩展为离散状态。在布尔代数的世界里，万物都是可以量子化的，从持续的酿成一个个疏散的，它们的运算“与、或、非”也就和传统的代数运算完全差异了“

——《数学之美》

在实际环境中，网页的数量不行能像上面假设的只有16个那么少，很大概是上百亿的量级，发生的词组索引表更是爆炸，需要将索引通过漫衍式的 *** 存储在差异的处事器上，接管查询时，查询分发到各个处事器上并行处理惩罚，功效送到主处事器上归并处理惩罚，向用户返回最后功效。

搜索返回网页如何排序——PageRank投票表决

通过上面的布尔运算，搜索引擎向我们返回了三个网页。那么问题来了，该按什么顺序分列这三个网页呢？