分布式搜索引擎的研究意义_简述搜索引擎的原理

分布式搜索引擎的研究

薛振华    杨艳娟

（南京理工大学计算机科学与技术系，南京  210094）

摘  要  介绍分布式搜索引擎技术，将分布式搜索引擎技术与远程教育相结合。针对当前教育领域内的信息资源进行集中、分类、整理，建立基于WWW的信息资源导航库，让用户根据自己的需求快速找到所需资源，提高远程教育中信息资源的检索效率和精度。

关键词  分布，搜索引擎，远程教育，HJ-YHS

随着Internet迅速发展，WWW(World Wide Web 简称WWW)已成为一个巨大的信息空间，为用户提供了极具价值的信息资源。而面对大量的信息资源，通过浏览器一步步浏览已十分不便，如何快捷、准确地从WWW上获取所需信息，成为至关重要的问题。搜索引擎的出现，大大提高了人们搜集信息的能力。然而，现有的搜索引擎在搜索效率、信息维护、信息重复、网络及站点、负载等方面还存在着问题和困难。

目前，从体系结构上看，大部分搜索引擎是集中式的。即从Internet上取回页面，经过分析、处理后将所有的索引信息集中存储在某个站点，用户通过访问该站点实现查询。它们之间通常没有什么协作，各自独立搜索和处理信息，造成了大量的重复工作和严重的带宽浪费，有时甚至能造成网络阻塞。这种体系结构难以适应网络规模的日益扩大，业界已纷纷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据地域、主题、IP地址及其它的划分标准将全网分成若干个自治区域，在每个自治区域内设立一个检索服务器，而每个检索服务器由信息搜索机器人、索引搜索软件数据库和代理三部分组成。信息搜索机器人负责本自治区域内的信息搜索，并建立索引信息存入索引数据库。代理负责向用户提供查询接口，并与其它代理进行互换，实现检索服务器之间的信息交换，且查询可以重定向，即如果一个索引数据库没有满足查询要求，它可以将查询请求发送到其它检索服务器上。

1． 1分布式搜索引擎体系结构

它与集中式搜索引擎相比有以下优点：

各检索服务器之间相互共享资源，站点只向本自治区域内的信息搜索机器人提供信息，减轻了网络及各站点的负载。

各代理之间的相互协作及查询重定向使得提供的服务更完善。

与Web本身的分布式特性相适应，具有良好的可扩充性，便于维护。

索引信息划分到各自的索引数据库中，使得各索引数据库相对较小，查询的响应时间相对较短。

部分检索服务器发生故障时，其它部分能正常工作。

Web服务器集群是一种典型的分布式处理系统。所谓Web集群就是采用高速网络，将原来独立的若干个服务器联结起来，作为一个整体提供服务，把到达的请求分配到集群中的各个后台服务器上，让它们分摊负载及I/O，通过并行处理提高性能。此时涉及到请求分配器及负载平衡的技术问题。

请求分配器集中所有用户的请求，然后将这些请求分配到各检索服务器中进行并行处理。目前此技术的实现方法主要有IP Translation、TCP Proxy、Dynamic DNS和HTTP Redirection，相应的典型产品有Cisco的Local Director、Distributed Director、IBM的Network Dispatcher、UIUC NCSA的Scalable Web Server等。目前请求分配器多采用TCP Proxy技术。每个请求都由客户程序发起建立一个独立的TCP连接，应答结束后由服务器拆除该连接。在TCP Proxy技术中，请求分配器主要完成以下任务

接收用户的信息请求，并将其转发给检索服务器；

接收检索服务器返回的查询结果，并将其转发给客户；

如果一端中断TCP连接，立即中断另一端的TCP连接。

为了提高请求分配器的效率和吞吐能力多采用多线程和多路阻塞式I/O技术，如Microsoft的Internet Information Server和Netscape的Enterprise Server就是采用这两种技术。请求分配器的连接监听进程接收到一个来自客户机的TCP连接后，立即在内存中生成一个Worker进程。此后的工作，包括建立与服务器的TCP连接、接收和发送数据、拆除连接等，均由该线程完成。应答结束后，请求分配器立即从内存中删除该线程。多路阻塞式I/O是通过调用Select原语实现的，每个Worker进程用这种方法同时监听与客户机和服务器的两个TCP连接。接收数据时，如果没有数据到达，Select使线程处于一种开销极小的休眠状态，一旦有数据到达，立即退出休眠状态，启动接收过程接收数据。发送数据也如此。

负载平衡一般是通过请求分配器选择目标检索服务器来实现的。目前常用的请求分配算法主要有“轮转法”、“最少连接法”和“最快连接法”三种。为有效提高请求分配器算法效率，并使算法能够适应异构服务器集群，应使请求分配器知道每台检索服务器的处理能力，并能够对接收的每一用户请求的内容进行分析，同时应能够准确地跟踪各个服务器的负载情况。

Web服务器的集群技术使得处理能力更强，I/O带宽加大，扩展性好，可靠性高，且容易管理，成本降低。常见的并行Web服务器集群主要有两种组成方式：

以Cisco的Local Director为代表的“隔离式”，采用“最少连接法”或“最快连接法”进行请求分配。

以NCSA的Scalable Web Server为代表的“非隔离式”，采用“轮转法” 进行请求分配。

无论哪种方式，都要求后台服务器上的Web信息的访问路径和内容要完全一样。二者的区别在于这些服务器在Internet上对用户是否可见。“隔离式”集群采用类似于Proxy技术，只有请求分配器具有一个对外的IP地址，所有的用户请求都发往请求分配器，然后再由请求分配器将请求发到集群中的各后台服务器去处理，返回结果也由请求分配器返回给客户。“非隔离式”集群中的每台服务器都有独立的IP地址，请求分配经过动态DNS等实现，对请求的应答不通过请求分配器，而直接由服务器传给客户。

2 分布式搜索引擎实例

以江苏省邗江中学远程教育信息资源搜索系统——远航搜索系统（简称HJ-YHS）为例。社会的不断进步和科学技术的发展，教育的各个方面包括教育思想、观念、教育手段及方式都应作出相应改革。传统的教育方式远远不能满足时代发展的需要。信息时代教学的一个重要手段就是引入基于WWW的交互式远程教育。而Internet上资源分散，数据类型多，地址变动大，要想迅速找到所需信息并不容易。因此，要将Internet上的信息资源进行集中、分类、整理，建立基于WWW的信息资源导航库，让用户根据自己的需求快速找到所需资源。HJ-YHS就是基于以上背景而进行开发设计，旨在通过建立分布式搜索引擎技术，提高远程教育中信息资源的搜索效率和精度。

1． 2． 1应用体系总体结构及功能实现

HJ-YHS系统以Windows NT 4.0为开发平台，采用ASP(Active Server Page)实现查询页面的动态生成及结果显示，后台的Web服务器采用IIS 4.0，数据库服务器采用SQL Server 7.0以提供数据服务，Web客户端安装95/98操作系统及IE 4.0等浏览器，开发工具使用Visual InterDev 6.0或VB 6.0等。HJ-YHS特点是：

以教育信息、学术内容为主，服务对象为各类中学和教育部门，信息资源也以学术水准为选择条件。

按预先定义好的专题，有选择性的搜索相关网页，避免无关的Web网页，并将索引信息存入索引数据库。

对产生的大量初步检索结果进行分析、归类，根据用户交互反馈信息进一步缩小检索范围，提高检索精度。

2．1．1 HJ-YHS体系结构：

2．1．2系统功能模块：

网页搜索模块：负责定期启动网页搜集系统，根据给定的站点名在指定的范围内搜集信息。

信息分析模块：对搜集到的网页进行分析、整理，提取关键字和摘要，将索引信息存入索引数据库。

资源上载模块：接收客户端的上载文件，并将文件上载至Web服务器端特定目录中，同时将有关信息添加到索引数据库中，该模块只允许拥有相应权限的用户使用。

ASP信息检索模块：由用户查询界面启动，提供三种查询方式：即基于关键字的查询、学科分类查询和按年级查询。基于内容的查询根据用户提交的信息产生二级查询界面，进一步明确搜索意向，然后综合所有用户信息对网页的全文进行查询；基于学科分类和年级的查询可根据用户的需求，在指定范围内进行检索。

动态页面生成模块：按相关度大小输出结果。动态生成的页面中给出查询产生的页面标题，URL地址，内容摘要等。

静态页面生成模块：按学科专业目录分类。静态页面生成模块根据目录生成不同分类的静态页面

综上所述，基于分布式搜索引擎技术的优点，及全球互联网上信息资源的迅速增加，在远程教育领域内，分布式搜索引擎技术将会得到更广泛的发展。

参考文献

1 朱义军，马范援，白英彩.分布式搜索引擎与Z39.50协议.世界网络与多媒体，Jan.1999

2 翁惠玉，马范援，朱义军.网络搜索引擎的现状分析.情报学报，Vol.18,1999

3 俞  阳，马范援，朱义军.基于WWW的网络搜索技术（上）.上海微型计算机，No.21,Jul.1998

4 俞  阳，马范援，朱义军.基于WWW的网络搜索技术（下）.上海微型计算机No.22，Aug.1998

注：原文地址为：http://www.bjx.com.cn/files/wx/jsjyxxjs/2002-7/11.htm