八评周鸿祎之一：生不逢时的360搜索

一、周鸿祎的搜索情结

　　军事上可以从一个统帅的性格，来判断他可能的指挥方式。同样，从一个企业的产品、企业运作，我们可以看到一个企业领导人的性格，从而从这个性格又可以进一步推测他下一步可能的行动。

　　360最近推出了搜索，这个徽剑我在07年的时候就说过，我说周鸿祎早晚还会做搜索，因为他不是那种愿意做最原始的信息贡献的性格，而是喜欢整合资源，或者说投机取巧的人。无论是早期的3721，还是后来奇虎聚合等，都可以看到这点。

　　周鸿祎其实是有很强的搜索情节的，因为他的第一桶金就来自一款搜索产品—3721，尽管后来这款产品被人评价为流氓软件，但是不可否认一点，那就是在中国互联网普及的阶段，对于大批连com和net是啥都分不清楚的人来说，3721让他们使用熟悉的中文就可以在网上畅游了。

　　当初3721是这么宣传的：“3721公司提供的中文上网服务――3721“网络实名”，是第三代中文上网方式，用户无需记忆复杂的域名，直接在浏览器地址栏中输入中文名字，就能直达企业网站或者找到企业、产品信息。”但是在网络上3721被称为是最大的流氓软件之一，现已停止运营。

　　“3721网络实名插件由奇虎公司现任董事长周鸿祎一手创办，它通过地址栏实现中文搜索。2003年11月，雅虎1.2亿美元收购3721公司，该软件更名雅虎助手。2005年10月，阿里巴巴宣布完成对雅虎中国全部资产收购，3721业务随之并入马云手中。2006年，互联网业内掀起“反恶意软件”的热潮，周鸿祎率领360安全卫士成为反恶意软件先锋，曾经由他一手创办的3721软件(雅虎助手)则成了他“围剿”的重点目标之一。当年9月，阿里巴巴宣布投资1亿元继续开发与推广雅虎助手，但随后并未看到有实质的市场举动。”这是网上对3721的一段描述。

　　3721最大的争议，就在于他的传播方式，还有安装后排斥竞争对手、独占用户电脑的网络查询接口的技术手段。3721虽然给那些菜鸟网民提供了极大的方便，但是对于那些掌握一定技术能力的熟练网民，还有就是被3721所干扰的竞争对手，都会采取各种手段针对3721。从而使得3721在几年后变得越来越被更多的人所排斥。

　　当年的3721一出来，采用的是利用WINDOWS 98的系统漏洞，用病毒的方法进行传播，在短期内就积累了海量的用户。有人曾经问过徽剑“你觉得中国最大的黑客是谁?”我当时回答“我也许不好说中国技术最牛的黑客是谁，但是我可以肯定周鸿祎是商业上最成功、规模最大的黑客。别的黑客只能赚点小钱，他可以通过病毒等黑客手段赚到以亿来计算的财富”。

　　当然，时过境迁，我们今天再来评价3721已经有些过时，下面就让我们来看看360的搜索吧。

　　二、搜索的技术门槛

　　最原始的搜索，就是建立在数据库基础上的关键字匹配，后来进一步延伸到所谓模糊查询、统计分析、知识发现等系列技术的应用。因为搜索，可以让网民从海量的信息中找到他需要的资源，减少了他挨个去查找的时间，提高了他的使用效率，从而使得今天的网民，在上网的时候，已经无法离开搜索。

　　很多人把搜索看的神乎其神，其实根本没那么复杂。只要一个会做网页的技术人员、一个懂得存储应用开发的技术人员、一个对C或者C++开发TCP/IP应用比较熟悉的技术人员、一个对索引检索开发熟悉的技术人员，就可以组成一个搜索引擎开发团队。

　　1、会做网页的，去做跟用户对接的那部分。

　　2、懂得存储应用开发的技术人员，负责搭建存储系统，一个最简单的方式，就是搭建一批服务器，每个服务器分门别类，比如A组服务器负责存储新闻，B组服务器负责存储娱乐等。再细分下去，A1服务器负责存储人民网的，A2服务器负责存储新华网的，B1服务器负责存储李宇春的信息、B2服务器负责存储周杰伦的信息等等，如此类推，

　　3、对C或者C++开发TCP/IP应用比较熟悉的技术人员，就可以开发一个所谓“网络蜘蛛”的爬虫程序，其实说白了就是一个“离线下载”工具，下载下来后，对页面里面的链接进行分析，继续不停找新的来源。

　　4、对索引检索开发熟悉的技术人员，负责对抓下来的文本做进一步分析，利用单词和短语库，对文本进行分析，按照存储服务器的配置，把不同的信息，存储到对应的服务器里面。同时他还需要和1合作，对于网页上用户提出的查询要求，他要做出文本分析，然后导引到指定服务器上调出相应结果。

　　以上就是一个搜索引擎的技术的大致体系，当然，实际中的搜索引擎，远比这个复杂。区别就好比钻天猴的烟花和火箭的那么大。但是基本的架构原理还不会变化的。其实我们都知道，很多时候，理论很好明白，但是实际做起来会在细节上面临大量问题。那么这里有哪几个地方会比较难呢?

　　依照徽剑我对搜索引擎技术差不多十来年的关注，我总结出搜索引擎技术的两大门槛：

　　第一个门槛：海量的数据搜集和存储，

　　第二个门槛：搜索结果的优化

　　下面分别表述：

　　第一个门槛：海量的数据搜集和存储，因为搜索引擎需要查询大量的网络数据，并且把这些数据抓回爬虫服务器，在做进一步的处理，最后存储在自己的存储系统里面，对于大多数搜索引擎的来说，更多是通用查询，也就是“乱查一气”，你不知道上亿网民会通过你的网页接口，提交什么样的查询关键词。所以你只能尽可能多的搜集各种信息，以备不测。

　　这这个海量数据的搜集就需要大量的爬虫服务器、还有大量的时候去处理。问题在于不光是搜集过来，这边还得储存，这就需要大量的存储系统，说白了就是需要海量的硬盘。你想想，你要把差不多整个互联网上的各种网站的数据都要抓一部分，甚至全部。这数据量多大可想而知。

　　第二个门槛：搜索结果的优化，这个就涉及到好几个方面，一是存储系统的数据检索需要做到快捷方便，需要定期对搜索行为做出分析，对于不同热度的查询数据，用不同优先权的缓存服务器来处理。二是对网民查询内容的优化，很多时候，网民在查询时，并不能很好的表达他的意思，所以如何去理解，给出尽可能近似的结果，是非常关键的事情，打个比方，用户搜索张柏芝，也许是要找谢霆锋相关的，也可能是要找跟陈冠希相关的。三是存储时要对网页进行语义分析，如何准确识别一个网页的主要内容，还有这个网页在网络上的价值，比如是不是第一个发布的?是不是有跟类似网页区别的?等等，这些都需要做很复杂的工作。