没有合适的资源?快使用搜索试试~ 我知道了~
大数据技术文档样本.docx
0 下载量 29 浏览量
2023-08-04
09:00:58
上传
评论
收藏 686KB DOCX 举报
温馨提示
试读
48页
大数据技术文档样本.docx
资源推荐
资源详情
资源评论
资料内容仅供您学习参考,如有不当之处,请联系改正或者删除。
第 1 章 绪论
随着计算机技术、 通信网、 互联网的迅速发展和日益普及,
Internet 上的信息量快速增长。从海量的信息块中快速检索出用户真正需
要的信息正变得很困难, 信息搜索应向着具有分布式处理能力方向发展,
本系统利用 hadoop 分布式开源框架良好的扩充能力、 较低的运作成本、
较高的效率和稳定性来满足需求。
现状:
缺陷和不足:
( 1) 结果主题相关度不高。
( 2) 搜素速度慢。
引入 hadoop+nutch+solr 的优点:
( 1) hadoop 平台数据处理高效。hadoop 集群处理数据比起单机节省数倍
的时间, 数据量越大优势越明显, 满足信息采集对数据处理的速度和质量
要求。
( 2) hadoop 平台具有高扩展性。能够适当扩展集群数量来满足日益不断
增加的数据量, 而这并不会毁坏原集群的特性。
资料内容仅供您学习参考,如有不当之处,请联系改正或者删除。
( 3) 安全可靠性高。集群的数据冗余机制使得 hadoop 能从单点失效中恢
复, 即 Hadoop 能自动进行数据的多次备份, 以确保数据不丢失, 即使当
某个服务器发生故障时, 它也能重新部署计算任务。
( 4) Nutch 不但提供抓取网页的功能, 还提供了解析网页、 建立链接数
据库、 对网页进行评分、 建立 solr 索引等丰富的功能。
( 5) 经过 Nutch 插件机制实现了系统的可扩展性、 灵活性和可维护性,
提高了开发效率。能够根据用户需求进行灵活定制抓取和解析, 提高了系
统使用性。
( 6) 经过 solr 集群, 采用分布式索引在不同的机器上并行执行, 实现检
索服务器之间的信息交换。能够经过设定主题进行索引检索。
研究目标和内容
本文的研究目标是全面深入分析研究分布式搜索引擎, 进而优化分布式搜
索引擎中的索引构建策略, 内容包括:
( 1) 深入研究 hadoop 分布式平台, 仔细剖析 hadoop 中的分布式文件系
统 HDFS 和 map/Reduce 编程模型。
( 2) 深入研究 Nutch 架构 、 相关技术与体系结构, 着重研究分析 Nutch
插件系统的内部结构和流程; 对 protocol-httpclient 插件进行开发支持
表单登录; 对 url 过滤、 信息解析插件进行开发, 提高搜索的主题相关
资料内容仅供您学习参考,如有不当之处,请联系改正或者删除。
度; ( 实现用 mapreduce 的 google 的排序算法, 改进系统搜索的关联
度) 。
系统功能结构
( 1) 本地资源解析模块
对本地文本 pdf,word,excel 内容解析和索引, 按照主题分类, 添加到相
应的主题中进行搜素。
( 2) 搜索模块
用户根据不同主题进行内容索引、 关键词查询, 将跟查询关联度最高的
前 n 个文档返回给用户, 并统计出在这些查询结果中出现频率最高的前 n
个词。用户可根据需求修改配置文件, 提高搜索的相关度。
( 3) 信息爬取模块
① 信息定制采集模块
1、 种子 URL: 用作抓取器爬取的出发点, 也叫做根 URL。
2、 关键字: 关键字的选择很重要, 描述了抓取任务的所属分类的主题方
向。
资料内容仅供您学习参考,如有不当之处,请联系改正或者删除。
3、 深度: 由于 Nutch 抓取模块采用的是广度优先的策略, 抓取深度的选
择决定了抓取时间的长度和抓取网页数量的大小。一般根据所选取的种子
URL 的类型和详细程度以及对网页抓取规模的需求来进行设置。
在信息定制模块用户设置主题信息, url 信息、 抓取深度的信息, 抓取
线程根据定制信息, 开始抓取工作。( 综合型搜索引擎; 某一主题类网站,
垂直搜索引擎; 博客搜索引擎)
② 信息解析过滤模块
根据 fiddle 进行登录分析, 修改网络协议插件, 支持简单的一次跳转表
单登录, 用户能够在配置文件中进行设置, 然后抓取内容; 复杂的登陆需
要分析登陆过程, 写出相对应的网络协议插件。由于本系统在网络资源采
集过程中支持个性化定制, 只对目标站点感兴趣的内容进行采集, 分析目
标站点的结构特点, 在页面采集完成后, 从中提取出链接、 元数据、 正
文、 标题、 关键字、 描述等信息, 进行后续的过滤和其它处理。链接
的提取首先要判断页面类型, 页面的类型能够有应答头分析得出, 根据不
同的类型选择相应的爬取和解析插件, 对遇到带有链接的标记如<a>、
<href>、 <frame>等, 就从标记结构的属性中找出 目标 url, 并从成正确
该标记之间抽取出正文作为该链接的说明文字, 链接文字一般能反映文章
的主题信息, 系统设定阈值, 判断主题和说明性文字的相关性, 对爬取链
接进行过滤, 加入到爬取链接列表中。定制采集的子模块, 根据正则表示
式对网页内容进行过滤, 获取和处理跟主题相关的内容, 过滤无关的信息
资料内容仅供您学习参考,如有不当之处,请联系改正或者删除。
内容; 对网页编码格式进行提取, 实现内容编码的转换。( 下一步改进主
题相关度链接过滤算法)
( 4) 系统管理模块
用户对根据需求对系统的配置参数进行修改。
论文组织结构
1、 绪论。
本章首先介绍了本文研究的背景及意义, 接着研究了信息采集与搜索技术
的国内外发展现状, 最后给出了本文研究的内容和论文组织结构。
2、 关键技术。Hadoop、 Nutch、 Solr 技术架构及文本检索算法
本章介绍了开源软件 Hadoop、 Nutch、 Solr 的基本情况;详细介绍了
Hadoop 框架及其进行分布式计算的编程模型 MapReduce 和数据存储系统
HDFS; Nutch 以 Hadoop 的分布式文件系统 HDFS 作为底层数据平台, 采用
MapReduce 编程方式实现数据的分布式处理, 以扩展机制为突出特性, 用
户能够根据实际需求对其添加插件进行扩展改进, 构建自己的信息采集搜
索系统; 经过 Solr 集群, 采用分布式索引在不同的机器上并行执行, 实
现检索服务器之间的信息交换, 减小索引对机器的要求, 同时介绍了常见
的文本检索算法 VSM , pagerank 和 lucene 默认的排序算法。
3、 系统环境配置。Hadoop+Nutch+Solr 系统的运行环境配置与运行。
剩余47页未读,继续阅读
资源评论
yyyyyyhhh222
- 粉丝: 415
- 资源: 6万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功