元詞把戲

到目前為止，我們一直都在使用極其簡單的網(wǎng)頁示例。然而，絕大多數(shù)網(wǎng)頁擁有眾多結(jié)構(gòu)，包括標(biāo)題、標(biāo)頭、鏈接和圖片，可我們還一直認(rèn)為網(wǎng)頁只是普通的詞表。接下來，我們將探索搜索引擎如何處理網(wǎng)頁中的結(jié)構(gòu)。不過，為了盡可能保持簡單，我們只會引入一層結(jié)構(gòu)：網(wǎng)頁的頂部會有一個標(biāo)題，之后是頁面的正文。上圖顯示了我們熟悉的三頁示例，并附加了一些標(biāo)題。

實際上，要像搜索引擎一樣分析網(wǎng)頁結(jié)構(gòu)，我們需要了解更多編寫網(wǎng)頁的知識。網(wǎng)頁是由一種特殊語言編寫的，以便網(wǎng)絡(luò)瀏覽器能用很好的格式展示它們。（編寫網(wǎng)頁最常用的語言被稱為HTML，不過HTML的細(xì)節(jié)對本次討論不重要。）標(biāo)頭、標(biāo)題、鏈接、圖片等格式化結(jié)構(gòu)是用被稱為元詞的特殊單詞編寫的。比如，網(wǎng)頁標(biāo)題開始使用的元詞也許是<titleStart>，而結(jié)束這個標(biāo)題的元詞可能是<titleEnd>。類似的，網(wǎng)頁正文可能是以<bodyStart>開始，以<bodyEnd>結(jié)束。不要糾結(jié)于“<”、“>”這些符號。它們出現(xiàn)在絕大多數(shù)計算機(jī)鍵盤上，人們通常只知道這些符號的數(shù)學(xué)意義是“大于”和“小于”。不過在這里，這些符號和數(shù)學(xué)沒有任何關(guān)系，只是方便的象征，將這些元詞和網(wǎng)頁中的正常單詞區(qū)分開來。

和上圖一樣的網(wǎng)頁集，但展示的是用元詞編寫的情況，而非在網(wǎng)絡(luò)瀏覽器中顯示的樣子。

看一下上面的圖。這張圖展示的內(nèi)容和前一張圖一樣，但顯示的是實際編寫網(wǎng)頁的樣子，而非在網(wǎng)絡(luò)瀏覽器中顯示的樣子。絕大多數(shù)網(wǎng)絡(luò)瀏覽器都能讓用戶檢驗網(wǎng)頁的原始內(nèi)容，這需要選擇名為“查看網(wǎng)頁源代碼”的菜單選項——我建議你下次有機(jī)會試驗一下。（注意，在這里使用的元詞，如<titleStart>和<titleEnd>是幫助你理解的虛構(gòu)的、易于辨認(rèn)的示例。在真實的HTML中，元詞被稱作標(biāo)簽（tag）。HTML中開啟和結(jié)束標(biāo)題的標(biāo)簽是<title>和</title>——你可以在使用“查看網(wǎng)頁源代碼”的菜單選項后搜索這些標(biāo)簽。）

在創(chuàng)建一份索引時，囊括所有元詞是件很簡單的事。無須新把戲：你只要像存儲正常單詞一樣存儲元詞位置就行。下頁的圖顯示了從帶有元詞的三個網(wǎng)頁中創(chuàng)建的索引。看一下這張圖，確保自己理解了其中所有的奧秘。比如，“mat”的項是1-11、2-11，表示“mat”是第1頁的第11個詞，也是第2頁的第11個詞。元詞位置的解讀也一樣，“<titleEnd>”的項是1-4、2-4和3-4，也就是說“<titleEnd>”是第1頁、第2頁和第3頁的第4個詞。