分布式垂直搜索引擎技術研究.pdf

1、分布式垂直搜索引擎技術是傳統(tǒng)的垂直搜索引擎技術和分布式技術的結合，它利用多臺計算機構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的關鍵組成部分，而且主題網(wǎng)絡爬蟲的爬行效率、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的整體性能有著至關重要的聯(lián)系。因此，對主題網(wǎng)絡爬蟲與網(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理論知識和關鍵技術進行了研究與介紹，然后在此基礎上借鑒已有研究成果，對分布式垂直搜索引擎技術中主題網(wǎng)絡爬蟲和網(wǎng)頁數(shù)據(jù)存儲進行了較為詳細的研究，具體的研究內容包括:
　　(1)針對傳統(tǒng)的主題網(wǎng)絡爬蟲在連續(xù)爬行時準確率不易提高、在考慮鏈接結構特性時計算的時間復雜度偏高等問題，研究并設計了學習型主題網(wǎng)絡爬蟲。首先，在爬行過程中添加學習過程，通過主題相關度分析、中心性計算以及相關

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，通過主節(jié)點控制、協(xié)調與管理多個從節(jié)點的并發(fā)運行，以提高爬行效率。最后，實驗結果驗證了學習型主題網(wǎng)絡爬蟲的準確性、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，研究并設計了網(wǎng)頁數(shù)據(jù)存儲架構。首先，采用合并策略將主題相關的若干網(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