17480

Некоторые поисковые возможности и характеристики систем Yandex и Rambler

Доклад

Информатика, кибернетика и программирование

Некоторые поисковые возможности и характеристики систем Yandex и Rambler. Стандартный поиск Yandex. Рассмотрим общий вид стандартной поисковой формы Yandex рис. 2.20. 1. Основная поисковая форма. Главный ее элемент строка запроса. При желании можно искать только в результатах пр

Русский

2013-07-01

392.5 KB

4 чел.

Некоторые поисковые возможности и характеристики систем Yandex и Rambler.

Стандартный поиск Yandex. Рассмотрим общий вид стандартной поисковой формы Yandex (рис. 2.20).

1. Основная поисковая форма. Главный ее элемент — строка запроса. При желании можно искать только в результатах предыдущего поиска («искать в найденном»). Можно также задать запрос по i любому из источников информации («Рунет», «Новости», «Товары», «Энциклопедии», «Картинки»).

  1.  Статистика поиска — число найденных документов и частота заданных в запросе слов. По ссылке «страниц» можно перейти на несгруппированную по серверам выдачу.
  2.  Рубрики каталога. По нажатию на ссылку происходит переход в соответствующий раздел каталога (выводится только при точном соответствии запросу).
  3.  Результаты поиска по WWW. Для каждого документа выдается следующая информация: заголовок — ссылка на ресурс, [Показать найденные слова] — переход на активный документ, в котором контекст запроса выделен стрелочками, поиск похожего документа и, если найденный сайт описан  в каталоге, переход в рубрику каталога.
  4.  Переход на следующие страницы результата. Сортировка по убыванию дат.
  5.  Мастер запросов. Здесь даются советы и предложения по уточнению запроса. Можно сузить поиск по рубрике каталога или по региону.
  6.  Популярные находки пользователей — ссылки на документы, выбранные пользователями по этому запросу (выводится только при точном соответствии).
  7.  Возможность поиска в других русскоязычных поисковых машинах.
  8.  Результат  поиска в новостных лентах информационных агентств (выводится только при точном соответствии запросу). При высоком соответствии и актуальности эта секция может оказаться над результатами поиска по WWW-серверам.

10. Ссылки на прочие службы Yandex'a.

//. Результат поиска в энциклопедических статьях (выводится только при точном соответствии запросу).

12. Результат поиска в базе товарных предложений магазинов (выводится только при точном соответствии запросу).

Реклама на странице:

R1. Верхний баннер (текстовый блок);

R2. Уапdех. Директ — реклама без посредников;

R3, R4. Текстовая строка (баннер);

R5. Нижний баннер.

В связи с постоянным ростом количества документов в сети, система должна быть масштабируемой. В Ramblere масштабируемость достигается за счет параллельного исполнения задачи произвольным количеством машин.

Сбором информации занимается робот, который обходит страницы с заданными URL [24], загружает их в базу данных, а затем архивирует и перекладывает в хранилище суточными порциями. Роботы размешаются на нескольких машинах, и каждый из них выполняет свое задание. Так, робот одной машины может загружать новые страницы, которые еще не были известны поисковой системе, а другой — страницы, которые ранее уже были загружены (не менее месяца, но и не более года назад). При необходимости обработка распределяется другим способом, например, разбив список URL на 10 частей и распределив их по 10 машинам. Параллельная работа программ позволяет увеличивать нагрузку — при возрастании числа страниц, которые нужно обойти роботу, достаточно разместить задачу среди большего числа машин.

Собранная в хранилище информация (в сжатом виде) разбивается на фрагменты по 50 Мбайт, распределяемые между 70 машинами, осуществляющими индексирование. Как только индексатор на одной из машин заканчивает обработку порции страниц, он обращается за следующей. В результате на первом этапе формируется ряд небольших индексных баз, каждая из которых содержит информацию о некоторой части Интернета.

После того как все части информации обработаны, осуществляется объединение результатов. Благодаря тому, что частичные индексные базы и основная БД, к которой обращается поисковая машина, имеют одинаковый формат, процедура слияния является быстрой операцией, не требующей никаких дополнительных модификаций частичных индексов. Основная база участвует в анализе как одна из частей нового индекса.

Кроме того, единый формат позволяет проводить тестирование частичных баз еще до объединения их с основной, и обнаруживать ошибки на более раннем этапе.

Индексная база поисковой системы Rambler состоит из восьми частей. Весь Интернет разделен на семь секторов, каждый условно обозначается цветом: красным, оранжевым, желтым, зеленым, голубым, синим, фиолетовым.

Сайт компании Rambler относится к голубому сектору. Информация о ресурсах каждого сектора хранится в соответствующей части индексной базы. Восьмая часть — «быстрая база» — включает в себя страницы, включенные в указатель Тор 100 и которые еще не успели попасть в основную индексную базу.

Все части собираются и обновляются по отдельности. Например, сегодня происходит переиндексация и обновление красного сектора, завтра — оранжевого и желтого, послезавтра — зеленого и т. д. Благодаря такому ступенчатому алгоритму в поисковой машине регулярно появляется свежая информация. Полный цикл обновления занимает около недели. При этом сбор информации происходит параллельно, а непосредственно на изготовление индекса документов одного сектора затрачивается несколько часов.

Разделение Интернета на семь секторов является условным. При необходимости он может быть разбит на 10, 20 или 40 секторов, каждый из которых будет обрабатываться автономно. В такой системе заложена возможность значительного увеличения нагрузки. С ростом объема информации в сети растет и индексная база поисковой машины. Постепенно переиндексация и сборка базы начинают занимать все больше времени, а процесс обновления индекса становится более громоздким. Поступление новых данных затягивается, информация начинает терять свою актуальность. Возможность «передела» Интернета на большее число секторов позволяет удерживать размер каждой части базы в оптимальном диапазоне, контролировать время ее сборки и обновления.

«Быстрая база» отличается от остальных частей индекса меньшим объемом и более оперативным обновлением — время ее построения занимает около двух часов. В базе содержится информация о страницах, на которых был установлен счетчик Тор 100. Участниками рейтинга Тор 100 являются новостные порталы, сайты крупных компаний, Интернет-магазины, форумы — наиболее популярные ресурсы сети. Каждый раз при установке счетчика на новую страницу сайта, зарегистрированного в Тор 100, информация передается в поисковую систему. Страница ищется во всех «цветах» основной базы и, если она еще не известна поисковой системе, отправляется в очередь на обработку. Перед обработкой страницы дополнительно фильтруются, и из них отбираются самые популярные (посещаемые).

Скорость поиска тесно связана с его чувствительностью к нагрузкам. В среднем в рабочие часы на поисковую машину Rambler в секунду поступает около 60 запросов. Такая загруженность требует сокращения времени обработки отдельного запроса.

Схематично обработка поискового запроса изображена на рис. 2.23.

Запрос поступает в поисковую систему через маршрутизатор Cisco 6000. Маршрутизатор передает его наименее загруженной машине первого уровня, например frontend-серверу 1.З. Frontend-cep

вер, в свою очередь, отправляет запрос дальше, на один из восьми proxy-серверов, также выбирая наиболее свободный сервер (например, машине 2.2). Одновременно frontend-сервер отправляет запрос на машины, осуществляющие поиск по товарам (в данном случае — машине 3.1) и по базе Тор 100 (машине 4.1). На proxy-сервере проводится поиск по ссылочному индексу, и его результаты вместе с поисковым запросом передаются на машины, которые содержат основную индексную базу, — backend-серверы (машинам 5.1.2, 5.2.11, 5.3.1 и т. д.) Та же информация отправляется на машины с «быстрой базой» (в данном случае — 6.1).

В поиск включено 77 backend-серверов. Они сгруппированы по 11 машин, и каждая группа содержит копию одной из частей поискового индекса. Таким образом, информация о сайтах, условно входящих в красный сектор Интернета, находится на backend-серверах первой группы (5.1.1—5.1.11), оранжевый сектор — на backend-серверах второй группы (5.2.1—5.2.11) и т. д.

Proxy-сервер выбирает наименее загруженный backend-сервер в каждой группе машин и отправляет на него поисковый запрос с результатами ссылочного поиска. На backend-серверах осуществляется поиск по частям индексной базы и ранжирование с учетом результатов поиска по ссылочному индексу. При ранжировании для всех найденных документов высчитываются веса по конкретному запросу.

После того как запрос обработан на backend-серверах, информация о результатах и ранжировании отдается обратно на proxy-сервер. Туда же поступают отсортированные результаты с машин «быстрой базы». Proxy-сервер интегрирует данные, полученные с восьми машин: клеит дубли, объединяет зеркала сайтов, ранжирует документы в общий список по весам, рассчитанным на backend-серверах. Полученные результаты отдаются на frontend-сервер.

Помимо информации с proxy-сервера, frontend-сервер получает результаты поисков по товарам и из базы Тор 100 (отсортированные, с цитатами и подсветкой слов запроса). Frontend-сервер осуществляет окончательное объединение результатов, генерирует выходной html-документ со списком найденного, вставляет баннеры и перевязки (ссылки на различные разделы Rambler'a) и передает HTML-документ маршрутизатору, который переадресовывает информацию пользователю.

Для повышения скорости поиска используется также «кэширование» (сохранение информации о запросах и результатах поиска в буфере). Многие пользователи обращаются с одинаковыми поисковыми запросами и «вычислять» их заново было бы неразумной тратой времени. Поэтому если аналогичный запрос обрабатывался до истечения некоторого интервала времени, результаты поиска отдаются пользователю из «кэша».



PAGE  4


 

А также другие работы, которые могут Вас заинтересовать

40734. Семантические роли 22.17 KB
  Особый вид имплицитной передачи: Пресупозиция характеризуется выводимостью из предложения. Таким образом пресупозицией данного предложения является неоправданность чьихто ожиданий. Предложение с фактивной пресупозицией характеризуется тем что говорящий рассматривает суждение содержащееся в зависимой части предложения как истинное. Предполагают определённое эмоциональное отношение автора к содержанию предложения.
40735. Прикладне значення розробки проблем комунікативного впливу 36.53 KB
  Дослідження мовленнєвого впливу беруть свій початок із часів давньогрецьких риторик. Навчання ораторському мистецтву передбачало певні різновиди мовленнєвого впливу на слухачів однак риторичним аспектом він не обмежувався. у межах психології проблематика мовленнєвого впливу розглядалася в наукових працях М.
40736. Управління робочим часом менеджера 213.92 KB
  Визначити основні засади методики аналізу використання часу аналізу сильних і слабких сторін стилю роботи аналізу часових утрат та аналізу поглиначів часу. Зміна сприйняття часу. Трирівнева процедура діагностики проблем повязаних з організацією планування власного часу.
40737. Постановка цілей в самоменеджменті 122.79 KB
  Охарактеризувати процес знаходження та формулювання цілей. Визначити складові методики застосування ситуаційного аналізу в процесі постановки цілей в самоменеджменті. Сутність та функціональний характер цілей самоменеджменту .
40738. Планування робочого часу 214.18 KB
  Охарактеризувати принципи і правила планування робочого часу визначити складові системи планування робочого часу. Назвати основні методи планування робочого часу. Основи планування робочого часу .
40739. Реалізація та організація діяльності менеджера 107.55 KB
  Графік працездатності . Графік працездатності Працездатність кожної людини піддається визначеним коливанням що відбуваються в рамках природного ритму. Пік працездатності як правило припадає на першу половину дня коли шлунок підшлункова залоза селезінка і серце функціонують найбільш активно.
40740. Контроль як функція самоменеджменту 106.78 KB
  Контроль процесу . Контроль результатів . Самоконтроль .Контроль за результатами праці з погляду досягнення кінцевої мети (цільовий контроль) слід проводити після виконання задачі (підсумковий контроль).
40741. Інформація і комунікація 217.58 KB
  Час: 80 хв. Метод : Лекція Місце: Навчальна аудиторія ПЛАН Навчальні питання: Час викладуВступ .Заключна частина . Прийоми раціонального читання Приблизно 30 свого часу менеджери витрачають на читання.
40742. Організація роботи менеджера 244.83 KB
  Джерело світла повинно розташовуватися так щоб світло не сліпило очі. Найкраще щоб джерело світла знаходилося ліворуч. Джерело світла повинно розташовуватися так щоб світло не сліпило очі відбиваючись від блискучої поверхні стола. Раціональне розміщення робочих місць стосовно джерела світла.