在第二章我们介绍了搜索引擎原理中的网页搜集模块，本文接着讲搜索引擎下一个模块：预处理模块。在这个模块中，搜索引擎完成的主要任务是索引网页库的建立、中文分词的实现、分析网页和建立倒排文件、网页净化和消重等工作。

为什么要做预处理？

天网格式保存网页信息（网页数据库），容错性好，及时有数据损坏，也是局部的，不会导致扩散或者其他数据无法存取。缺点是不能按照网页URL随机存取其指向的网页。因此，网页预处理的第一步就是为原始网页建立索引。

网页预处理系统框图

• 1、给原始网页建立索引。
• 2、针对搜索有网页库进行网页切分，将每一个页面转化为一组词的集合。（正向索引）
• 3、将网页到索引词的映射转换为索引词到网页的映射，形成倒排文件（包括倒排表和索引词表）

小结

网页的预处理是为了给每个网页建立好索引，只有建立了索引，才能确保搜索引擎可以实现秒级内的响应速度，而对于处理好的网页，搜索引擎都会将其存放在索引网页库中，即下一节我们要讲的《3.1.1、搜集信息的预处理--索引网页库》。