凌晨两点，我在 bt蚂蚁在线搜索引擎 里搜一个 2009 年的纪录片，结果页面只返回了 7 条。

覆盖率的错觉：为什么「搜得到」和「搜得准」是两件事

凌晨两点零七分，我在 bt蚂蚁在线搜索引擎 的搜索框里敲下了一部 2009 年 BBC 纪录片的名字——中文译名，带一个破折号。回车之后，页面停了一秒半，返回了 7 条结果。

我不太相信这个数字。这部片子不算冷门，豆瓣上有两万多人标记过。于是我又换了一次关键词，这次只保留了导演姓氏和一个年份。结果变成 43 条，前三条里有两条指向同一个资源。

那一瞬间我意识到，问题不在库里有没有，而在检索这一层怎么理解我问的是什么。

这就是我这一周想写下来的东西。很多人以为搜索引擎的价值是「收录量」，数字越大越厉害。我不这么看。说实话，我对「十亿条索引」这种说法一直是怀疑的。

索引条数只说明你能爬，不说明你能找。真正决定体验的是三件事：切词切得对不对、排序排得合不合理、失效的有没有及时清出去。这三件事任何一件掉链子，库再大也是白搭。

一个搜索结果页的价值，等于它能被点开并成功下载的比例，乘以用户愿意再回来一次的概率。 ——我自己在周报里写的一句总结，第 31 期

周四下午我把这一周的抓取日志拉出来看。总共扫了 620 万个 URL，其中 214 万个是重复的，占比 34.5%。这个比例比我预期的高，说明去重环节还有空间。

更麻烦的是失效。33.8 万个链接在探测时返回空响应或者超时，占 5.4%。这些如果不清理，每次检索都会把它们带出来，用户点开就是一片白。

我给自己定了个规矩：任何一条链接，如果连续三天探测失败，就自动降权；连续七天，移出主索引。这条规则这周正式上线了，第一批清了 41.7 万条。

周三晚上我和一位做了十二年下载站的老站长通了电话，他姓陈，在杭州。他说了一句我记到现在的话：「我们做站的最怕的不是没人来，是来了点三次空。点三次空，他这辈子都不会再来了。」

这话很朴素，但比任何模型指标都准。所以这周我把「结果页可点击率」加进了核心监控，目标是做到 85% 以上，目前是 78.2%。

还有一点我想说得直接一些：我认为大多数磁力搜索产品对「长尾查询」的投入是严重不足的。大家都盯着热词，因为热词的数据好看，但真正让人记住一个站点的，往往是那个冷门到只有你会去搜的东西，它一次就搜到了。

这就是我为什么每周还在写这个更新。不是为了报告进度，是想把「怎么把一个检索做扎实」这件事，一条一条摊开来讲。