面向领域的搜索引擎已成为为信息检索领域的一个重要研究课题。虽然该领域已经取得许多研究成果,但目前相应的系统应用和检索效果却并不乐观。本文就面向领域的搜索引擎的若干问题,包括爬取算法、文本关键词提取和文本分类,进行了较深入研究。Web信息采集是搜索引擎的基础,也是一个核心组成部分。本文讲解了Web爬取的基本原理和策略,并对常用的Web爬取算法进行了深入的分析。最后提出了改进的基于Shark算法的新算法。关键词提取是文本处理的一个重要环节。本文以朴素贝叶斯定理为基础,以文本中词语的传统权重、第一次出现位置、出现位置的样本标准差为特征项,构建了关键词提取的朴素贝叶斯模型。实验结果表明,相对于传统的基于权重的关键词提取算法,该算法具有较高的准确度。另外,本文针对特征项取值离散化对模型的不利影响,对该算法做了修正,重新调整了上述三个特征项在模型中的相对重要性,从而进一步提高了算法的准确度。文本分类是某些搜索引擎中对Web文本进行组织、实现高效检索的一项关键技术。本文改进了传统的朴素贝叶斯分类模型,考虑进了文本长度和文本结构两个影响因素,修正了分类模型的计算公式,同时在特征项选择算法中,综合考虑了频度、集中度、分散度三项指标,使得选出的特征项更为合理,从而使分类结果在精确度、召回率和F-Measure值方面均获得了一定程度的提高。