基于云平臺的分布式索引與檢索系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著計算機技術(shù)的發(fā)展和互聯(lián)網(wǎng)時代的到來，互聯(lián)網(wǎng)上的信息呈爆炸式增長。面對這些海量數(shù)據(jù)，隨著數(shù)據(jù)文件的增多，索引時間呈線性增長;當(dāng)承載高訪問量或者索引數(shù)據(jù)規(guī)模很大時，檢索服務(wù)器無法在有限的時間內(nèi)處理請求。如何快速的建立索引以及如何高效的檢索成為極其關(guān)鍵的問題。另一方面，現(xiàn)在的搜索引擎（如Google和百度），檢索結(jié)果只包含網(wǎng)頁數(shù)據(jù)，而沒有結(jié)構(gòu)化數(shù)據(jù)，用戶必須選擇某個網(wǎng)頁尋找所需要的結(jié)構(gòu)化信息，檢索結(jié)果不能直觀的展現(xiàn)事物的詳細信息，用戶體驗

2、效果不理想。解決這兩方面的問題對從互聯(lián)網(wǎng)上獲取信息具有極其重要的意義。
　　為了解決上述問題，本文設(shè)計并實現(xiàn)了一種分層的基于云計算平臺的分布式索引與檢索系統(tǒng)。首先，針對數(shù)據(jù)量大和單機索引慢的問題，提出了一種使用Lucene并行建立倒排索引的方法，該方法運行在Hadoop集群的多個節(jié)點上，使多臺機器同時建立索引，大大加快了索引建立的速度。其次，提出了一種基于Katta的分布式檢索方法，成功解決了高訪問量和索引數(shù)據(jù)規(guī)模大導(dǎo)致的檢索慢問

3、題。檢索時一方面分級緩存檢索結(jié)果，如果緩存命中則直接返回緩存結(jié)果，未命中時才檢索索引;另一方面將索引分布到Katta集群的多個節(jié)點上并備份索引文件，檢索時多個節(jié)點同時搜索，提高了檢索速度以及系統(tǒng)的可靠性可擴展性。再次，提出了一種以樹形結(jié)構(gòu)展示結(jié)構(gòu)化數(shù)據(jù)，以類百度和谷歌的形式展示網(wǎng)頁數(shù)據(jù)的數(shù)據(jù)展示方法，改善了用戶查詢體驗。最后通過對網(wǎng)頁數(shù)據(jù)進行分析，選擇包含手機和公司信息的網(wǎng)頁數(shù)據(jù)對系統(tǒng)進行了全面的測試。
　　通過實驗及實際應(yīng)用證明