基于云平臺(tái)的分布式索引與檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)技術(shù)的發(fā)展和互聯(lián)網(wǎng)時(shí)代的到來，互聯(lián)網(wǎng)上的信息呈爆炸式增長。面對(duì)這些海量數(shù)據(jù)，隨著數(shù)據(jù)文件的增多，索引時(shí)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(shí)，檢索服務(wù)器無法在有限的時(shí)間內(nèi)處理請(qǐng)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(gè)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(xì)信息，用戶體驗(yàn)

2、效果不理想。解決這兩方面的問題對(duì)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(jì)并實(shí)現(xiàn)了一種分層的基于云計(jì)算平臺(tái)的分布式索引與檢索系統(tǒng)。首先，針對(duì)數(shù)據(jù)量大和單機(jī)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(yùn)行在Hadoop集群的多個(gè)節(jié)點(diǎn)上，使多臺(tái)機(jī)器同時(shí)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(shí)一方面分級(jí)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(shí)才檢索索引;另一方面將索引分布到Katta集群的多個(gè)節(jié)點(diǎn)上并備份索引文件，檢索時(shí)多個(gè)節(jié)點(diǎn)同時(shí)搜索，提高了檢索速度以及系統(tǒng)的可靠性可擴(kuò)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(yàn)。最后通過對(duì)網(wǎng)頁數(shù)據(jù)進(jìn)行分析，選擇包含手機(jī)和公司信息的網(wǎng)頁數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行了全面的測試。
　　通過實(shí)驗(yàn)及實(shí)際應(yīng)用證明