网页爬虫的抓取策略与 robots 协议

搜索引擎的核心流程分三步：爬虫抓取网页、解析正文并建立索引、接收查询后召回并排序。抓取阶段要处理重复内容、死链与抓取频率；索引阶段把文本切成词项，记录每个词出现在哪些文档、出现多少次、位置在哪里，这就是倒排索引。
倒排索引由词典和 posting list 组成。词典保存所有词项，posting list 记录包含该词的文档编号、词频和位置。查询时先查词典拿到候选文档集合，再做交集与打分。位置信息让短语检索成为可能：只有相邻位置连续命中，才算真正匹配。
如果你正在做同类尝试，可以把这套思路直接复用，再按需裁剪。