云環(huán)境下搜索引擎系統(tǒng)關鍵技術研究.pdf_第1頁
已閱讀1頁,還剩72頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯(lián)網內容爆發(fā)式的增長,搜索引擎成為人們使用互聯(lián)網時的主要入口。然而,面對當前互聯(lián)網中的海量信息,傳統(tǒng)搜索引擎在抓取速度、存儲容量以及查準率和查全率方面很難適應現(xiàn)在的互聯(lián)網環(huán)境。本文結合云計算相關技術,研究了搜索引擎系統(tǒng)中文本去重、頁面索引以及網絡信息采集這三個關鍵技術,具體工作如下:
  首先,為了減少存儲系統(tǒng)中重復頁面的數(shù)量,本文在傳統(tǒng)的文本去重算法Shingling的基礎上,結合LCS問題的解決方法,提出了與位置相關的改

2、進的Shingling去重算法SWLR(ShinglingwithLocationRelationship)。提高了文本去重的查準率和查全率。通過與基于比特位的過濾算法相結合,本文進一步提出了快速SWLR算法,實驗結果表明,快速SWLR算法在沒有降低相似性檢測效果的前提下,顯著提升了SWLR算法運算的性能。
  其次,為了提高頁面索引中短語查詢的效率,本文在倒排索引模型的基礎上提出了基于鏈表結構的倒排索引模型,通過在倒排索引模型的

3、Term節(jié)點中增加指向相鄰關鍵詞的指針,在通過關鍵詞短語進行查詢時,可以在單位時間內查找到相鄰的關鍵詞并進行匹配。實驗結果表明,基于鏈表結構的倒排索引模型在索引構建、查詢以及內存消耗方面均具有性能優(yōu)勢。
  最后,本文結合云計算環(huán)境,提出了一種基于Hadoop的網絡爬蟲系統(tǒng)。在該系統(tǒng)中,解析與爬行兩個子系統(tǒng)并行運行,從而充分利用計算機的I/O資源和計算資源。實驗結果表明,本文提出的網絡爬蟲系統(tǒng)具有很好的系統(tǒng)擴展能力和負載均衡能力。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論