码迷,mamicode.com
首页 > 编程语言 > 详细

数据结构与算法简记--剖析搜索引擎背后的经典数据结构和算法

时间:2020-01-17 13:16:51      阅读:106      评论:0      收藏:0      [点我收藏+]

标签:str   rip   设置   网页   link   字符串匹配算法   计数器   文本   大型   

实现一个小型搜索引擎


麻雀虽小,五脏俱全,跟大型搜索引擎相比,实现一个小型搜索引擎所用到的理论基础是相通的。

四个部分:搜集、分析、索引、查询

搜集

  • 搜索引擎把整个互联网看作数据结构中的有向图,把每个页面看作一个顶点。
  • 如果某个页面中包含另外一个页面的链接,那我们就在两个顶点之间连一条有向边。
  • 可以利用图的遍历搜索算法,来遍历整个互联网中的网页:
    • 深度优先和广度优先
    • 搜索引擎采用广度优先搜索策略
  • 先找一些权重比较高的链接(比如新浪主页网址、腾讯主页网址等),作为种子网页链接,放入到队列中。爬虫按照广度优先的策略,不停地从队列中取出链接,然后取爬取对应的网页,解析出网页里包含的其他网页链接,再将解析出来的链接添加到队列中。
  • 关键技术细节
    • 待爬取网页链接文件:links.bin
      • 广度优先搜索爬取页面的过程中,爬虫会不停地解析页面链接,将其放到队列中。
      • 队列中的链接就会越来越多,用一个存储在磁盘中的文件(links.bin)来作为广度优先搜索中的队列。
      • 爬虫从 links.bin 文件中,取出链接去爬取对应的页面。等爬取到网页之后,将解析出来的链接,直接存储到 links.bin 文件中。
      • 这样用文件来存储网页链接的方式,还可以支持断点续爬。当机器断电之后,网页链接不会丢失;当机器重启之后,还可以从之前爬取到的位置继续爬取。
    • 网页判重文件:bloom_filter.bin
      • 如何避免重复爬取相同的网页呢?
      • 使用布隆过滤器快速并且非常节省内存地实现网页的判重
      • 为了可以断点续爬,也需要将布隆过滤器持久化到磁盘中,也就是存储在 bloom_filter.bin 文件中。
    • 原始网页存储文件:doc_raw.bin
      • 爬取到网页之后,需要将其存储下来,以备后面离线分析、索引之用。那如何存储海量的原始网页数据呢?
      • 网页成千上万,可以把多个网页存储在一个文件中。每个网页之间,通过一定的标识进行分隔,方便后续读取。具体存储格式如下
      • 技术图片
      • 设置每个文件的大小不能超过一定的值(比如 1GB) 

      • 简单估算:假设一台机器的硬盘大小是 100GB 左右,一个网页的平均大小是 64KB。那在一台机器上,我们可以存储 100 万到 200 万左右的网页。假设我们的机器的带宽是 10MB,那下载 100GB 的网页,大约需要 10000 秒。也就是说,爬取 100 多万的网页,也就是只需要花费几小时的时间
    • 网页链接及其编号的对应文件:doc_id.bin
      • 网页编号实际上就是给每个网页分配一个唯一的 ID,方便我们后续对网页进行分析、索引。那如何给网页编号呢?
      • 可以按照网页被爬取的先后顺序,从小到大依次编号。具体是这样做的:
        • 维护一个中心的计数器,每爬取到一个网页之后,就从计数器中拿一个号码,分配给这个网页,然后计数器加一。
        • 在存储网页的同时,将网页链接跟编号之间的对应关系,存储在另一个 doc_id.bin 文件中。

分析

  • 网页爬取下来之后,需要对网页进行离线分析。分析阶段主要包括两个步骤:
    • 抽取网页文本信息
    • 分词并创建临时索引
  • 抽取网页文本信息
    • 网页是半结构化数据,里面夹杂着各种标签、JavaScript 代码、CSS 样式
    • 网页遵循HTML 语法规范。依靠 HTML 标签来抽取网页中的文本信息。这个抽取的过程,大体可以分为两步:
      • 去掉 JavaScript 代码、CSS 格式以及下拉框中的内容:
        • 也就是<style></style>,<script></script>,<option></option>这三组标签之间的内容。
        • 可以利用 AC 自动机这种多模式串匹配算法,在网页这个大字符串中,一次性查找<style>, <script>, <option>这三个关键词。当找到某个关键词出现的位置之后,只需要依次往后遍历,直到对应结束标签(</style>, </script>, </option)为止。而这期间遍历到的字符串连带着标签就应该从网页中删除。
      • 去掉所有 HTML 标签
        • 也是通过字符串匹配算法来实现的,过程跟第一步类似。
  • 分词并创建临时索引
    • 从网页中抽取出了我们关心的文本信息。接下来,我们要对文本信息进行分词,并且创建临时索引。
    • 对于英文网页来说,只需要通过空格、标点符号等分隔符,将每个单词分割开来就可以了,对于中文来说,分词就复杂多了:
    • 基于字典和规则的分词方法
      • 字典也叫词库,包含大量常用的词语(可以直接从网上下载别人整理好的)。
      • 借助词库并采用最长匹配规则,来对文本进行分词。最长匹配,就是匹配尽可能长的词语。
      • 举例:比如要分词的文本是“中国人民解放了”,词库中有“中国”“中国人”“中国人民”“中国人民解放军”这几个词,取最长匹配,也就是“中国人民”划为一个词,而不是把“中国”、“中国人“划为一个词。具体到实现层面,我们可以将词库中的单词,构建成 Trie 树结构,然后拿网页文本在 Trie 树中匹配。
    • 创建临时索引
      • 分词完成之后,得到一组单词列表。把单词与网页之间的对应关系,写入到一个临时索引文件中(tmp_Index.bin),此临时索引文件用来构建倒排索引文件。临时索引文件的格式如下:
      • 技术图片
      • 给单词编号的方式,跟给网页编号类似。也是维护一个计数器,每当从网页文本信息中分割出一个新的单词的时候,我们就从计数器中取一个编号,分配给它,然后计数器加一。
      • 此过程还需要使用散列表,记录已经编过号的单词:
      • 在对网页文本信息分词的过程中,拿分割出来的单词,先到散列表中查找,如果找到,那就直接使用已有的编号;如果没有找到,再去计数器中拿号码,并且将这个新单词以及编号添加到散列表中。
    • 分词及写入临时索引完成之后,将这个单词跟编号之间的对应关系,写入到磁盘文件中,并命名为 term_id.bin
    • 经过分析阶段,得到了两个重要的文件:临时索引文件(tmp_index.bin)和单词编号文件(term_id.bin)

索引

  • 索引阶段主要负责将分析阶段产生的临时索引,构建成倒排索引。倒排索引( Inverted index)中记录了每个单词以及包含它的网页列表。
  • 技术图片

     

     

  • 如何通过临时索引文件,构建出倒排索引文件呢?
    • 考虑到临时索引文件很大,无法一次性加载到内存中,搜索引擎一般会选择使用多路归并排序的方法来实现。
    • 先对临时索引文件,按照单词编号的大小进行排序。因为临时索引很大,所以一般基于内存的排序算法就没法处理。
    • 可以用的归并排序的处理思想,将其分割成多个小文件,先对每个小文件独立排序,最后再合并在一起。实际的软件开发中,可以直接利用 MapReduce 来处理。

数据结构与算法简记--剖析搜索引擎背后的经典数据结构和算法

标签:str   rip   设置   网页   link   字符串匹配算法   计数器   文本   大型   

原文地址:https://www.cnblogs.com/wod-Y/p/12205156.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!