分布式垂直搜索引擎技術(shù)研究.pdf

1、分布式垂直搜索引擎技術(shù)是傳統(tǒng)的垂直搜索引擎技術(shù)和分布式技術(shù)的結(jié)合，它利用多臺計算機構(gòu)成一個分布式計算與處理集群，可以解決垂直搜索引擎面對大規(guī)模網(wǎng)頁數(shù)據(jù)時容易出現(xiàn)的響應(yīng)速度慢、準確率低、擴展性差以及可靠性低等問題。主題網(wǎng)絡(luò)爬蟲和網(wǎng)頁數(shù)據(jù)存儲都是分布式垂直搜索引擎技術(shù)的關(guān)鍵組成部分，而且主題網(wǎng)絡(luò)爬蟲的爬行效率、準確率以及網(wǎng)頁數(shù)據(jù)的存取效率都與分布式垂直搜索引擎技術(shù)的整體性能有著至關(guān)重要的聯(lián)系。因此，對主題網(wǎng)絡(luò)爬蟲與網(wǎng)頁數(shù)據(jù)存儲進行研究具有較

2、大的理論意義和實用價值。
　　本文首先對搜索引擎的相關(guān)理論知識和關(guān)鍵技術(shù)進行了研究與介紹，然后在此基礎(chǔ)上借鑒已有研究成果，對分布式垂直搜索引擎技術(shù)中主題網(wǎng)絡(luò)爬蟲和網(wǎng)頁數(shù)據(jù)存儲進行了較為詳細的研究，具體的研究內(nèi)容包括:
　　(1)針對傳統(tǒng)的主題網(wǎng)絡(luò)爬蟲在連續(xù)爬行時準確率不易提高、在考慮鏈接結(jié)構(gòu)特性時計算的時間復(fù)雜度偏高等問題，研究并設(shè)計了學(xué)習(xí)型主題網(wǎng)絡(luò)爬蟲。首先，在爬行過程中添加學(xué)習(xí)過程，通過主題相關(guān)度分析、中心性計算以及相關(guān)

3、度判斷完成知識庫的創(chuàng)建與更新，以提高連續(xù)爬行時的準確率。然后，利用主從式的分布式架構(gòu)，通過主節(jié)點控制、協(xié)調(diào)與管理多個從節(jié)點的并發(fā)運行，以提高爬行效率。最后，實驗結(jié)果驗證了學(xué)習(xí)型主題網(wǎng)絡(luò)爬蟲的準確性、高效性、可靠性以及易擴展性。
　　(2)針對HDFS在存取大量網(wǎng)頁小文件時效率低的問題，研究并設(shè)計了網(wǎng)頁數(shù)據(jù)存儲架構(gòu)。首先，采用合并策略將主題相關(guān)的若干網(wǎng)頁小文件合并成網(wǎng)頁大文件，以提高存儲效率。其次，利用改進的存儲策略將合并后的網(wǎng)頁大