2.2 搜索引擎面对的挑战

搜索引擎系统是最复杂的计算系统之一，当今主流搜索引擎服务商都是财力、人力、技术雄厚的大公司。但即使有技术、人力、财力的保证，搜索引擎还是面临很多技术挑战。搜索引擎诞生后的十多年中，技术已经得到了长足的进步。我们今天看到的搜索结果质量与十几年前，甚至二十年前相比已经好得多了。不过这还只是一个开始，搜索引擎必然还会有更多创新，提供更多、更准确的内容。

总体来说，搜索引擎主要面临以下几方面的挑战。

1.页面抓取需要快而全面

互联网是一个动态的内容网络，每天有无数页面被更新、创建，无数用户在网站上发布内容、沟通联系。想要返回最有用的内容，搜索引擎就要抓取最新的页面。但是由于页面数量巨大，搜索引擎蜘蛛每更新一次数据库中的页面都要花很长时间。搜索引擎刚诞生时，抓取、更新的周期往往以月为单位计算。这也是Google在2003年以前每个月进行一次大更新的原因。

现在主流的搜索引擎都已经能在几天之内更新重要页面了，高权重网站上的新文件在几小时甚至几分钟之内就会被收录。不过，这种快速被收录和更新的情况也只局限于高权重网站，很多页面几个月不被重新抓取和更新也是常见的。

要返回最好的结果，搜索引擎必须抓取尽量全面的页面，这就需要解决很多技术问题。一些网站并不利于搜索引擎蜘蛛的爬行和抓取，诸如网站链接结构存在缺陷、大量使用Flash、JavaScript脚本，或者把内容放在用户必须登录以后才能访问的部分，都增大了搜索引擎抓取内容的难度。

2.海量数据存储

一些大型网站单是一个网站就有百万、千万，甚至上亿个页面，可以想象，网上所有网站的页面加起来是一个什么规模的数据量。搜索引擎蜘蛛抓取页面后，还必须有效地存储这些数据，且数据结构必须合理，具备极高的扩展性，这对写入和访问速度的要求也很高。

除了页面数据，搜索引擎还需要存储页面之间的链接关系和大量历史数据，这样的数据量是用户无法想象的。据估测，百度有三四十万台服务器，Google有几十个数据中心，上百万台服务器。这样大规模的数据存储和访问必然存在很多技术挑战。

我们经常在搜索结果中看到，排名会没有明显原因地上下波动，甚至可能刷新一下页面，就会看到不同的排名，有的时候网站数据也可能丢失。这些情况有时候与大规模数据存储、同步的技术难题有关。

3.索引处理快速有效，具可扩展性

搜索引擎将页面数据抓取和存储后，还要进行索引处理，包括链接关系的计算、正向索引、倒排索引等。由于数据库中页面数量大，进行PR值之类的迭代计算也是耗时费力的。要想提供相关又及时的搜索结果，仅依靠抓取是没有用的，还必须进行大量的索引计算。由于随时都有新数据、新页面加入，索引处理也要具备很好的扩展性。

当数据量不大时，上面说的抓取、存储和索引计算都不是很大的难题，但当数据多到难以想象的海量时，即使最顶尖的科技巨头也无法避免出现问题。2020年，Google已经发生了数次大规模索引库无法索引新页面、数据丢失之类的问题。

4.查询处理快速准确

查询是普通用户唯一能看到的搜索引擎工作步骤。用户在搜索框输入查询词，点击搜索按钮后，通常不到一秒，搜索结果页面就会显示最相关、质量最高、最有用的信息，并且按照相关性、权威性排列。表面上看这一过程非常简单，实际上涉及了非常复杂的后台处理。搜索引擎排序算法高度复杂，细节极为保密，且处于不停变动更新中。

在最后的查询阶段，另一个难题是速度，这考验了搜索引擎怎样在不到一秒的时间内，从可能多达上亿个包含查询词的页面中，快速找到最合适的页面并计算排名。

5.准确判断用户的搜索意图

前4个挑战现在的搜索引擎都已经能够比较好地应对。为进一步提高搜索结果质量，近几年搜索引擎都非常关注准确判断用户搜索意图的问题。不同用户搜索相同的查询词，很可能是在寻找不同的东西。比如搜索“苹果”，用户到底是想了解水果、计算机，还是电影？有的查询词本身就有歧义，比如搜索“中国 新加坡 签证”，用户是想了解中国人去新加坡的签证，还是新加坡人去中国的签证呢？没有上下文，没有对用户个人搜索习惯的了解，就完全无从判断。

搜索引擎目前正在致力于基于对用户搜索习惯的了解、历史数据的积累，在语义搜索技术的基础上，判断搜索意图，理解文档真实意义，返回更相关的结果。根据搜索引擎这几年透露的讯息，人工智能、深度学习在理解用户真实意图、理解文档主题方面发挥着越来越重要的作用。今后，搜索引擎是否能够达到人工智能的水平，能否真正了解用户查询的意义和目的，让我们拭目以待。