搜索引擎是通过比较网页URL，内容和相关属性来删除重复网页的，具体步骤如下： 1. 搜索引擎收集器(Crawler)会在网络上发现新网页并收集，此时会有一定概率发现相同的网页，并添加到收集器的索引中去。 2. 收集器会识别新的网页，把重复的网页排除。 3. 然后，搜索引擎把新索引serves给布置在 Indexer(索引器)中，执行深入索引，会把相同内容的文章及URL排除，仅保留一条记录。 4. 最后，Indexer根据收集器搜集来的URL和文章，再次把重复的网页排除，仅保留一条记录。
百度搜索引擎的工作原理首先是抓取建库，这是一个自动化的过程，百度通过多种方式来收集Web页面。百度拥有多台服务器，它们负责索引世界上大量的网站，以及持续的更新内容。 百度抓取网页的方式有两种，一种是爬虫，它们自动访问web页面，抓取那些有可能带有搜索关键字的页面；另一种是人工抓取，百度人工审查网页，将其记录到百度索引数据库中。 抓取到的网页都会放入百度索引库中，该库中包含了网页的具体内容、
中文分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个一个单独的词。中文分词是文本挖掘的基础，对于输入的一段中文，成功的进行中文分词，可以达到电脑自动识别语句含义的效果。TF-IDF（term frequency–inverse document frequency）是一种用于信息搜索和信息挖掘的常用加权技术。在搜索、文献分类和其他相关领域有广泛的应用。TF-
搜索引擎检索系统是指实现引用文献资源检索、特定学科知识检索等服务的系统。包括主要用于进行引文检索的数据库管理系统、多元综合检索系统，浏览引擎，等。 其主要功能包括：引文的资源的收集、索引、目录和存储；对文献进行分类和检索；检索系统中相关检索结果的排序和显示；浏览系统中各式学术服务，比如新闻信息、拥有特定学科内容的网站；支持Web检索、模糊检索、多备份系统等功能，以确保检索准确性；在线的文献的
虽然搜索引擎排名技术和算法一直在提高，但我相信所有搜索引擎都或多或少有人工干预，就算最标榜一切以算法和自动化为目标的Google，也肯定有人工因素。去年就曾经有人报道（http://www.searchbistro.com/index.php?/archives/19-Google-Secret-Lab,-Prelude.html），Google在很多国家的大学招募学生，进行搜索引擎结果的评价工作
