在上一节的《3.1.2、搜集信息的预处理--中文分词技术》中我们说过，要对网页进行关键词到网页的索引就必须先对网页进行中文分词，然后建立倒排文件，那么具体的流程是什么样子呢？黄聪将在本文给大家做个介绍。

分析网页和建立倒排索引文件流程图

1. 搜索引擎首先从网页数据库中获取网页，然后进行HTML代码的过滤，提取出正文信息，然后用上一节说的分词技术进行切词。
2. 之后再对切词后的关键词集合进行筛选，然后得到网页到关键词的正向索引.
3. 最后搜索引擎将该正向索引转换为关键词到网页的倒排索引，如下图所示。

搜索引擎有了倒排索引，将能通过关键词迅速定位其相关的所有网页，也正是因为这个技术，搜索引擎才有可能在1秒之内给用户呈现搜索结果。

小结

本文讲的只是倒排索引文件建立的流程，其中涉及许多经典的算法，在此就不展开来讲了，有兴趣的朋友可以自己研究一下。下一节黄聪和大家一起学习《3.2、搜集信息的预处理--网页净化和消重》。