分布式搜索引擎研究

分布式搜索引擎研究

關(guān)鍵詞分布，搜索引擎，遠程教育，HJ-YHS隨著Internet迅速發(fā)展，WWW(WorldWideWeb簡稱WWW)已成為一個巨大的信息空間，為用戶提供了極具價值的信息資源。而面對大量的信息資源，通過瀏覽器一步步瀏覽已十分不便，如何快捷、準確地從WWW上獲取所需信息，成為至關(guān)重要的問題。搜索引擎的出現(xiàn)，大大提高了人們搜集信息的能力。然而，現(xiàn)有的搜索引擎在搜索效率、信息維護、信息重復(fù)、網(wǎng)絡(luò)及站點、負載等方面還存在著問題和困難。目前，從體系結(jié)構(gòu)上看，大部分搜索引擎是集中式的。即從Internet上取回頁面，經(jīng)過分析、處理后將所有的索引信息集中存儲在某個站點，用戶通過訪問該站點實現(xiàn)查詢。它們之間通常沒有什么協(xié)作，各自獨立搜索和處理信息，造成了大量的重復(fù)工作和嚴重的帶寬浪費，有時甚至能造成網(wǎng)絡(luò)阻塞。這種體系結(jié)構(gòu)難以適應(yīng)網(wǎng)絡(luò)規(guī)模的日益擴大，業(yè)界已紛紛提出建立分布式搜索引擎的策略。1分布式搜索引擎分布式搜索引擎是根據(jù)地域、主題、IP地址及其它的劃分標(biāo)準將全網(wǎng)分成若干個自治區(qū)域，在每個自治區(qū)域內(nèi)設(shè)立一個檢索服務(wù)器，而每個檢索服務(wù)器由信息搜索機器人、索引搜索軟件數(shù)據(jù)庫和代理三部分組成。信息搜索機器人負責(zé)本自治區(qū)域內(nèi)的信息搜索，并建立索引信息存入索引數(shù)據(jù)庫。代理負責(zé)向用戶提供查詢接口，并與其它代理進行互換，實現(xiàn)檢索服務(wù)器之間的信息交換，且查詢可以重定向，即如果一個索引數(shù)據(jù)庫沒有滿足查詢要求，它可以將查詢請求發(fā)送到其它檢索服務(wù)器上。1.1分布式搜索引擎體系結(jié)構(gòu)它與集中式搜索引擎相比有以下優(yōu)點：各檢索服務(wù)器之間相互共享資源，站點只向本自治區(qū)域內(nèi)的信息搜索機器人提供信息，減輕了網(wǎng)絡(luò)及各站點的負載。各代理之間的相互協(xié)作及查詢重定向使得提供的服務(wù)更完善。與Web本身的分布式特性相適應(yīng)，具有良好的可擴充性，便于維護。索引信息劃分到各自的索引數(shù)據(jù)庫中，使得各索引數(shù)據(jù)庫相對較小，查詢的響應(yīng)時間相對較短。部分檢索服務(wù)器發(fā)生故障時，其它部分能正常工作。Web服務(wù)器集群是一種典型的分布式處理系統(tǒng)。所謂Web集群就是采用高速網(wǎng)絡(luò)，將原來獨立的若干個服務(wù)器聯(lián)結(jié)起來，作為一個整體提供服務(wù)，把到達的請求分配到集群中的各個后臺服務(wù)器上，讓它們分攤負載及I/O，通過并行處理提高性能。此時涉及到請求分配器及負載平衡的技術(shù)問題。請求分配器集中所有用戶的請求，然后將這些請求分配到各檢索服務(wù)器中進行并行處理。目前此技術(shù)的實現(xiàn)方法主要有IPTranslation、TCPProxy、DynamicDNS和HTTPRedirection，相應(yīng)的典型產(chǎn)品有Cisco的LocalDirector、DistributedDirector、IBM的NetworkDispatcher、UIUCNCSA的ScalableWebServer等。目前請求分配器多采用TCPProxy技術(shù)。每個請求都由客戶程序發(fā)起建立一個獨立的TCP連接，應(yīng)答結(jié)束后由服務(wù)器拆除該連接。在TCPProxy技術(shù)中，請求分配器主要完成以下任務(wù)接收用戶的信息請求，并將其轉(zhuǎn)發(fā)給檢索服務(wù)器；接收檢索服務(wù)器返回的查詢結(jié)果，并將其轉(zhuǎn)發(fā)給客戶；如果一端中斷TCP連接，立即中斷另一端的TCP連接。為了提高請求分配器的效率和吞吐能力多采用多線程和多路阻塞式I/O技術(shù)，如Microsoft的InternetInformationServer和Netscape的EnterpriseServer就是采用這兩種技術(shù)。請求分配器的連接監(jiān)聽進程接收到一個來自客戶機的TCP連接后，立即在內(nèi)存中生成一個Worker進程。此后的工作，包括建立與服務(wù)器的TCP連接、接收和發(fā)送數(shù)據(jù)、拆除連接等，均由該線程完成。應(yīng)答結(jié)束后，請求分配器立即從內(nèi)存中刪除該線程。多路阻塞式I/O是通過調(diào)用Select原語實現(xiàn)的，每個Worker進程用這種方法同時監(jiān)聽與客戶機和服務(wù)器的兩個TCP連接。接收數(shù)據(jù)時，如果沒有數(shù)據(jù)到達，Select使線程處于一種開銷極小的休眠狀態(tài)，一旦有數(shù)據(jù)到達，立即退出休眠狀態(tài)，啟動接收過程接收數(shù)據(jù)。發(fā)送數(shù)據(jù)也如此。負載平衡一般是通過請求分配器選擇目標(biāo)檢索服務(wù)器來實現(xiàn)的。目前常用的請求分配算法主要有“輪轉(zhuǎn)法”、“最少連接法”和“最快連接法”三種。為有效提高請求分配器算法效率，并使算法能夠適應(yīng)異構(gòu)服務(wù)器集群，應(yīng)使請求分配器知道每臺檢索服務(wù)器的處理能力，并能夠?qū)邮盏拿恳挥脩粽埱蟮膬?nèi)容進行分析，同時應(yīng)能夠準確地跟蹤各個服務(wù)器的負載情況。Web服務(wù)器的集群技術(shù)使得處理能力更強，I/O帶寬加大，擴展性好，可靠性高，且容易管理，成本降低。常見的并行Web服務(wù)器集群主要有兩種組成方式：以Cisco的LocalDirector為代表的“隔離式”，采用“最少連接法”或“最快連接法”進行請求分配。以NCSA的ScalableWebServer為代表的“非隔離式”，采用“輪轉(zhuǎn)法”進行請求分配。無論哪種方式，都要求后臺服務(wù)器上的Web信息的訪問路徑和內(nèi)容要完全一樣。二者的區(qū)別在于這些服務(wù)器在Internet上對用戶是否可見?！案綦x式”集群采用類似于Proxy技術(shù)，只有請求分配器具有一個對外的IP地址，所有的用戶請求都發(fā)往請求分配器，然后再由請求分配器將請求發(fā)到集群中的各后臺服務(wù)器去處理，返回結(jié)果也由請求分配器返回給客戶?！胺歉綦x式”集群中的每臺服務(wù)器都有獨立的IP地址，請求分配經(jīng)過動態(tài)DNS等實現(xiàn)，對請求的應(yīng)答不通過請求分配器，而直接由服務(wù)器傳給客戶。2分布式搜索引擎實例以江蘇省邗江中學(xué)遠程教育信息資源搜索系統(tǒng)——遠航搜索系統(tǒng)(簡稱HJ-YHS)為例。社會的不斷進步和科學(xué)技術(shù)的發(fā)展，教育的各個方面包括教育思想、觀念、教育手段及方式都應(yīng)作出相應(yīng)改革。傳統(tǒng)的教育方式遠遠不能滿足時代發(fā)展的需要。信息時代教學(xué)的一個重要手段就是引入基于WWW的交互式遠程教育。而Internet上資源分散，數(shù)據(jù)類型多，地址變動大，要想迅速找到所需信息并不容易。因此，要將Internet上的信息資源進行集中、分類、整理，建立基于WWW的信息資源導(dǎo)航庫，讓用戶根據(jù)自己的需求快速找到所需資源。HJ-YHS就是基于以上背景而進行開發(fā)設(shè)計，旨在通過建立分布式搜索引擎技術(shù)，提高遠程教育中信息資源的搜索效率和精度。1.2.1應(yīng)用體系總體結(jié)構(gòu)及功能實現(xiàn)HJ-YHS系統(tǒng)以WindowsNT4.0為開發(fā)平臺，采用ASP(ActiveServerPage)實現(xiàn)查詢頁面的動態(tài)生成及結(jié)果顯示，后臺的Web服務(wù)器采用IIS4.0，數(shù)據(jù)庫服務(wù)器采用SQLServer7.0以提供數(shù)據(jù)服務(wù)，Web客戶端安裝95/98操作系統(tǒng)及IE4.0等瀏覽器，開發(fā)工具使用VisualInterDev6.0或VB6.0等。HJ-YHS特點是：以教育信息、學(xué)術(shù)內(nèi)容為主，服務(wù)對象為各類中學(xué)和教育部門，信息資源也以學(xué)術(shù)水準為選擇條件。按預(yù)先定義好的專題，有選擇性的搜索相關(guān)網(wǎng)頁，避免無關(guān)的Web網(wǎng)頁，并將索引信息存入索引數(shù)據(jù)庫。對產(chǎn)生的大量初步檢索結(jié)果進行分析、歸類，根據(jù)用戶交互反饋信息進一步縮小檢索范圍，提高檢索精度。2.1.1HJ-YHS體系結(jié)構(gòu)：2.1.2系統(tǒng)功能模塊：網(wǎng)頁搜索模塊：負責(zé)定期啟動網(wǎng)頁搜集系統(tǒng)，根據(jù)給定的站點名在指定的范圍內(nèi)搜集信息。信息分析模塊：對搜集到的網(wǎng)頁進行分析、整理，提取關(guān)鍵字和摘要，將索引信息存入索引數(shù)據(jù)庫。資源上載模塊：接收客戶端的上載文件，并將文件上載至Web服務(wù)器端特定目錄中，同時將有關(guān)信息添加到索引數(shù)據(jù)庫中，該模塊只允許擁有相應(yīng)權(quán)限的用戶使用。ASP信息檢索模塊：由用戶查詢界面啟動，提供三種查詢方式：即基于關(guān)鍵字的查詢、學(xué)科分類查詢和按年級查詢。基于內(nèi)容的查詢根據(jù)用戶提交的信息產(chǎn)生二級查詢界面，進一步明確搜索意向，然后綜合所有用戶信息對網(wǎng)頁的全文進行查詢；基于學(xué)科分類和年級的查詢可根據(jù)用戶的需求，在指定范圍內(nèi)進行檢索。動態(tài)頁面生成模塊：按相關(guān)度大小輸出結(jié)果。動態(tài)生成的頁面中給出查詢產(chǎn)生的頁面標(biāo)題，URL地址，內(nèi)容摘要等。靜態(tài)頁面生成模塊：按學(xué)科專業(yè)目錄分類。靜態(tài)頁面生成模塊根據(jù)目錄生成不同分類的靜態(tài)頁面綜上所述，基于分布式搜索引擎技術(shù)的優(yōu)點，及全球互聯(lián)網(wǎng)上信息資源的迅速增加，在遠程教育領(lǐng)域內(nèi)，分布式搜索引擎技術(shù)將會得到更廣泛的發(fā)展。參考文獻

1朱義軍，馬范援，白英彩.分布式搜索引擎與Z39.50協(xié)議.世界網(wǎng)絡(luò)與多媒體，Jan.1999

2翁惠