




全文预览已结束
下载本文档
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1/5基于HADOOP的分布式搜索引擎研究与实现探讨基于HADOOP的分布式搜索引擎研究与实现探讨现今,互联网的信息已经融入了人们的生活与学习中,人们越来越重视信息获取的能力。传统的集中式搜索引擎,存在覆盖范围窄,更新时间长,返回结果多,存在查询歧义等问题,已经不能适应现今网络的发展,开发出一种可以快速处理信息,准确获取资源的搜索引擎,是现今网络研究的热点1。因此,分布式搜索引擎应运而生。该搜索引擎具备分布式处理信息的作用,可以对系统规模进行扩展,进而提高系统处理信息的能力。本文从几方面,对在HADOOP平台下,分布式搜素引擎进行一定的探讨,期望可以为网络系统的长远发展提供借鉴。一、HADOOP平台概述HADOOP平台,是一种具备扩展性、可靠性、高效性、低成本的软件框架,是分布式处理的软件平台,常被用来处理与运行海量数据。HADOOP的扩展性,体现在可以处理PB级数据;HADOOP的可靠性,体现在可以保护多个工作数据副本,可以对失败的节点进行重新分布操作。HADOOP的高效性,体现在经由并行处理的模式,可以显著提高处理速度。HADOOP的低成本,体现在它的服务器较为低端,甚2/5至普通的PC机就能作为集群的一员,实现的成本可以得到有效控制2。现今,伴随多个版本的进展,HADOOP已经发展成为搜索引擎中的理想平台。分布式文件系统、分布式计算MAPREDUCE,是HADOOP平台的两大核心。除了核心内容外,还包括HBASE;HVIE;CHUKWA;AVRO;COMMON诸多子项目。子项目之间,可以进行服务的互助操作,或者是依据核心层,为更高级别提供服务3。二、基于HADOOP的分布式搜索引擎的原理及优势1分布式搜索引擎的原理分布式搜索引擎,其依据的标准为地域、IP地址、主题等,将全网分为多个区域,进而形成网络区域的自行管理。任何自治区,都是通过检索服务器完成相应的工作。具体讲,一个基本的分布式搜索引擎包括分布式信息采集器、分布式索引器以及分布式检索器三部分。分布式信息采集器,可以在运行过程中要求多台机器实行具体的分工合作。为了提高信息的更新速度、信息发现的效率,多台机器都应在各自的区域内,进行相应信息的搜索,同时建立索引,并储存在索引数据库中4。分布式索引器,可以在不同的机器上同时进行执行操作,降低索引对于机器的特殊要求,进而实现检索服务器之间的信息交流。分布式检索器,可以为用户提供查询接口。分布式检索器在实际应用中,还具有一个特殊优势,具体讲就是当用户的查询3/5要求增多时,分布式检索器可以实现调配查询请求,可以将查询信息在其余检索服务器上进行查询。实现诸多检索服务器中,文档的同时检索功能,进而提高检索的性能与速度。2分布式搜索引擎优势分布式搜索引擎,与传统的集中式搜索引擎进行比较,具有显著的优势。首先,各个检索服务器都是独立的,当有检索服务器出现故障的问题,并不会影响其它检索服务器的工作。其次,在每台服务器存储中,其索引数据库数据较少,在进行查询时可以降低查询反应时间,大大提高了管理的方便性。第三,分布式搜索引擎具备较好的可扩展性,同网络资源的分布式特点相符合,便于新机器的添加,同时也提高了维护的便捷性。第四,经由检索服务器之间的合作,各个服务器仅在自身区域中,进行信息资源的检索操作,最终只提供搜索结果信息的传递。因此,分布式搜索引擎可以显著的降低各个服务器的压力,缓解网络拥堵,提高检索速度5。三、搜索引擎系统的设计与实现1基于HADOOP的搜索引擎系统总体设计整个搜索引擎系统,是基于HADOOP集群框架之上。分别由三个子系统进行搜索引擎的设计与实现6。具体的系统功能如图1所示。4/5基于HADOOP的搜索引擎包括分布式爬行子系统、分布式索引子系统以及分布式检索子系统三个部分,每个系统都可采取MAPREDUCE的并行模式加以实现,各自可以独立工作,经由接口实现分布式搜索的目的。爬行子系统,对网页的采集过程,都是经由HTTP协议进行的,包括6大模块,分别为数据库更新;解析;抓取;抓取列表生成;URL集注入;URL集生成。索引子系统,主要的目的就是对抓取的网页,建立索引同时进行有效解析。主要包括5个模块,分别为索引存储;索引生成;内容评分排序;中文分词处理;非结构化文档解析。检索子系统,主要用于形成前台搜索界面,对于用户的查询请求进行有效接收,同时进行处理,实现内容查询功能。最后将查询的结果,返回到用户界面。总体包括个模块,分别为前台用户界面、后台数据处理。系统总体架构图,具体如图2所示。2搜索引擎系统的实现首先,爬行子系统在因特网上进行文件的下载,通过解析、去重抓取的网页,并将页面数据、提取的链接,分别保存在URL信息库CRAWLDB与互联关系库LINKDB中。同时,通知索引子系统,进行相应的索引。其次,索引子系统,可以对爬行子系统取得的网页数据,进行网页评分;5/5分词处理;文档解析;倒排索引处理。同时运用倒排索引库,进行等待检索操作。最后,用户经由前台界面,进行检索请求,检索子系统运用分词处理模块,进行输入字符串的分析,并运用倒排索引库中进行检索,把结果进行排序后回馈给客户7。整个搜索程序,包括个数据库。分别为INDEX数据库;SEGMENTS数据库;LINKDB数据库;CRAWLDB数据库。四、结语现今,分布式搜索引擎,其技术性较强,可以包括查询结果优化;分布式计算;中文分词;全文检索等功能。面对这一新兴领域,基于MAP/REDUCE的编程模型,其在分布式计算方面的潜力不可估量,我们应进行积极的研究,进而为HADOOP分布式计算平台的发展,提供更为广阔的发展空间。任何技术与平台,在使用的过程中都会存在一定的缺陷,HADOOP平台中在调度算法与任务分割方面,也存在一定程度的问题。诸如
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 公司迎新年年会活动总结
- 2025年非遗项目资金申请策略分析报告
- 玉米深加工项目财务预算与成本控制
- 储备库消防演练与灾后恢复方案
- 外派非洲合同(标准版)
- 咖啡连锁品牌2025年市场布局策略与扩张战略研究报告
- (2025年标准)工程索赔谈判协议书
- 研学基地文化氛围营造与传播
- (2025年标准)工程分包承包协议书
- (2025年标准)个人委托催款协议书
- 2024-2025学年人教版八年级数学下册期末测试卷(含解析)
- 媒体行业工作经验及成果展示证明(5篇)
- 购买电钢琴合同协议书
- 公司代收代付协议书
- 《UPS电源系统培训教程》课件
- 2025-2030全球及中国ITSM工具行业市场现状供需分析及市场深度研究发展前景及规划可行性分析研究报告
- 心血管疾病急救知识课件
- 高一新生入学教育
- 医院培训课件:《十八项核心医疗制度解读》
- 课题申报书:英语单元整体教学设计与实施研究
- 2024中国演播室市场运行态势及行业发展前景预测报告
评论
0/150
提交评论