小型搜索引擎的设计与实现.doc

(word完整版)小型搜索引擎的设计与实现摘 要互联网上的信息每天都以指数量级的速度爆炸性增长，面对如此浩瀚的资源,搜索引擎为所有网上冲浪的用户提供了一个入口，所有的用户都可以从搜索引擎出发到达自己想去的网上任何一个地方。因此它也成为除了电子邮件以外最多人使用的网上服务。但是，随着信息多元化的增长，千篇一律的给所有用户提供同一个入口显然已经不能满足特定用户更深入的查询需求。本文首先详细介绍了基于英特网的搜索引擎的系统结构，然后从网络机器人、索引引擎、Web服务器三个方面进行详细的说明.这不仅对政府、企业、院校的发展极为不利，还在宏观上成为制约我国信息化建设健康良性发展的一大障碍。搜索引擎不是单纯的技术问题。在互联网时代，哪一个公司掌握了包括搜索引擎、信息传递在内的基础软件，它就能在竞争中傲视群雄；哪一个国家掌握和普及了这些技术,她就能在运用互联网的商业竞争占尽先机。关键词：搜索引擎，网络机器人，优化策略,索引AbstractInformation on the Internet grows explosively every day。 Search engine provides all the surfers on it with an entrance， from which they can reach every corner of the web. Therefore, search engine becomes the most popular network service second to email. With information continuing to explode in all directions, however, some specific kinds of users are not satisfied with only one entrance。 This article fist introduces the system structure of search engine based on the internet in detail, then gives a minute explanation form Spider search, engine and web server. This not only is extremely disadvantageous to the development of the government, business enterprise， college, but also become to make on the macro view the roughly our country information turns a big obstacle of the positive development in health in developments. Searching for the engine is not a pure technique problem。Look down upon the group of heroes in Internet ages, which companies control include manhunt engine， information deliver foundation in inside software, it can in the competition；Which nations controled with made widely available these techniqueses, she can occupy at the business that make use of the Internet competition exhausted first timing。Key words： Search Engine，Robot，Optimize Strategies，Index目录摘 要1Abstract2第一章 概 述51.1引言51。2课题的基本内容61.2。1搜索引擎三段式工作流程:61.3开发环境7第二章 搜索引擎的技术概要92.1搜索引擎简述92.2基于Internet的搜索引擎的构成的102.2.1网络蜘蛛102。2.2索引102。2。3搜索引擎软件102.3搜索引擎的主要指标及其分析11第三章 网络机器人123.1什么是网络机器人123。2网络机器人的结构123。2.1网络机器人（SPIDER）的组成123.3 HTML语言133.4网络机器人的实现及代码分析143.4.2结点的结构体153.5关于机器人礼节及robot.txt203。5.1机器人礼节203.5.2 robot.txt213。6特点和存在问题22第四章 搜索引擎优化策略244.1站点角度244.2 用户角度26第五章 系统实现及结论2752 搜索引擎的完成情况2753 存在的问题2754 心得体会27致谢27参考文献28 第一章 概 述1。1引言随着计算机技术和互联网技术的飞速发展,人们越来越依靠网络来查找他们所需要的信息，但是，由于网上的信息源多不胜数，也就是我们经常所说的”Rich Data， Poor Information.所以如何有效的去发现我们所需要的信息，就成了一个很关键的问题.为了解决这个问题，搜索引擎就随之诞生。搜索引擎是仅次于门户的互联网的第二大核心技术，伴随着互联网的普及和网上信息的爆炸式的增长，它越来越引起人们的重视。现在在网上的搜索引擎也已经有很多,比较著名的有Google,AltaVista, Yahoo, InfoSeek， Metacrawler， SavvySearch等等。国内也建立了很多的搜索引擎,比如:搜狐、新浪、北极星、百度等等，当然由于它们建立的时间不长,在信息搜索的取全率和取准率上都有待于改进和提高。例如:Alta Vista是一个速度很快的搜索引擎，由于它强大的硬件配置,使它能够做及其复杂的查询。它主要是基于关键字进行查询,它漫游的领域有Web和 Usenet。支持布尔查询的AND，OR”和NOT”,同时还加上最相近定位”NEAR”，允许通配符和”向后搜索（比如：你可以查找链接到某一页的所有Web站点)。你可以决定是否对搜索的短语加上权值,在文档的什么部位去查找它们。能够进行短语查询而不是简单的单词查询的优点是很明显的,比如，我们想要查找一个短语”to be or not to be,如果只是把它们分解成单词的话，这些单词都是属于Stop Word，这样这个查询就不会有任何结果，但是把它当作一个整体来查询，就很容易返回一些结果，比如关于哈姆雷特或者是莎士比亚等等的信息。系统对查询结果所得到的网页的打分是根据在网页中所包含的你的搜索短语的多少，它们在文档的什么位置以及搜索短语在文档内部之间的距离来决定的。同时可以把得到的搜索结果翻译成其他的语言。信息系统中的数据获取主要就是主要查找那些包含用户查询中的关键词文档。由于用户查询常常不能准确地表达用户的信息需求。实际上，用户更多的是希望获取于某个主题相关的信息，而非那些仅仅满足查询的数据。如果不能很好的解决搜索问题，在收集信息、从事内容方面的花费的人力物力越大，其浪费就越大。这不仅对政府、企业、院校的发展极为不利，还在宏观上成为制约我国信息化建设健康良性发展的一大障碍。搜索引擎不是单纯的技术问题.在互联网时代，哪一个公司掌握了包括搜索引擎、信息传递在内的基础软件,它就能在竞争中傲视群雄；哪一个国家掌握和普及了这些技术,她就能在运用互联网的商业竞争占尽先机。1.2课题的基本内容本课题的主要是设计和实现一个小型的搜索引擎，通过大量的学习，实现搜索引擎的主要功能和完成全部的设计工作。搜索引擎的基本原理是通过网络机器人定期在web网页上爬行，然后发现新的网页,把它们取回来放到本地，用户的查询请求可以通过查询本地的数据来得到。如yahoo每天会找到大约500万个新的网页，google可以达到80亿网页以及10万台服务器共同工作. 搜索引擎的实现机制一般有两种：一种是通过手工方式对网页进行索引,比如yahoo的网页是通过手工分类的方式实现的，它的缺点是Web的覆盖率比较低,同时不能保证最新的信息.查询匹配是通过用户写入的关键字和网页的描述和标题来进行匹配，而不是通过全文的匹配进行的。第二种是对网页进行自动的索引，像 AltaVista则是完全通过自动索引实现的.这种能实现自动的文档分类,实际上采用了信息提取的技术。但是在分类准确性上可能不如手工分类。1。2。1搜索引擎三段式工作流程：服 务C整 理B搜 集A1. 搜集：定期搜集,每次搜集替换上一次的内容，我们称之为“批量搜集”。 主要内容包括：文本内容的分析与提取、超文本连接的提取与解析、网络通信及信息获取.搜索引擎一般都有一个Robot（或者称为Spider）定期的访问一些站点，来检查这些站点的变化，同时查找新的站点。一般站点有一个robot.txt文件用来说明服务器不希望Robot访问的区域，Robot 都必须遵守这个规定。如果是自动索引的话,Robot在得到页面以后,需要对该页面根据其内容进行索引,根据它的关键字的情况把它归到某一类中。页面的信息是通过元数据的形式保存的，典型的元数据包括标题、IP地址、一个该页面的简要的介绍,关键字或者是索引短语、文件的大小和最后的更新的日期。尽管元数据有一定的标准，但是很多站点都采用自己的模板。文档提取机制和索引策略对Web搜索引擎的有效性有很大的关系。2. 整理：我们将对关键词进行提取，也就是把网页中的文本内容提取出来；由于在互联网上，网页的重复率平均大约为4，所以会对内容完全相同的页进行消除（我们将以改进的TWFormat格式存储）。主要内容是文本信息的存储与索引:互联网上大部分信息都是以HTML格式存在，对于索引来说,只处理文本信息。因此需要把网页中文本内容提取出来，过滤掉一些脚本标示符和一些无用的广告信息，同时记录文本的版面格式信息.存储在我们这里是在网页种文本内容提取和过滤掉脚本语言后，将其存为HTML格式和TXT格式，并且命名为Sitemap。htm和Sitemap.txt。 3. 服务：因为要对最终用户服务，搜索引擎返回给用户的，是一个和用户查询相关的结果列表。因此要进行：查询方式和匹配和结果排序。1.3开发环境开发平台:Microsoft Windows XP Sp2；开发工具:Microsoft Visual C+ Sp6;使用语言:C+； 本系统使用Visual C+ 6.0集成开发环境，它功能强大而且便于设计交互界面.在设计的使用了由David Pullman编写的CRobotInternet类体，方便了开发和加快了工程进度;而且微软提供的Winnet类是一个应用层的网络通信组件，它可以使应用程序很容易的实现http、ftp、gopher等协议而不需要你去深入的了解协议本身的规范，方便了开发者。第二章 搜索引擎的技术概要2.1搜索引擎简述 第一代搜索引擎出现于1994年.这类搜索引擎一般都索引少于1，000,000个网页，极少重新搜集网页并去刷新索引.而且其检索速度非常慢,一般都要等待10秒甚至更长的时间。在实现技术上也基本沿用较为成熟的IR（Information Retrieval)、网络、数据库等技术，相当于利用一些已有技术实现的一个WWW上的应用.在1994年3月到4月,网络爬虫World Web Worm （WWWW)平均每天承受大约1500次查询。2000年搜索引擎2000年大会上,按照Google公司总裁Larry Page的演讲,Google正在用3，000台运行Linux系统的个人电脑在搜集Web上的网页，而且以每天30台的速度向这个微机集群里添加电脑，以保持与网络的发展相同步。每台微机运行多个爬虫程序搜集网页的峰值速度是每秒100个网页，平均速度是每秒48.5个网页,一天可以搜集超过4，000，000网页。搜索引擎一词在国内外因特网领域被广泛使用,然而他的含义却不尽相同。在美国搜索引擎通常指的是基于因特网的搜索引擎,他们通过网络机器人程序收集上千万到几亿个网页,并且每一个词都被搜索引擎索引，也就是我们说的全文检索。著名的因特网搜索引擎包括First Search、Google、HotBot等。在中国，搜索引擎通常指基于网站目录的搜索服务或是特定网站的搜索服务，这里我们研究的是基于因特网的搜索技术。国内最早面世的的搜索引擎是“悠游”这是世界上第一个中文智能搜索引擎，于1997年投入使用.它是以香港中文大学的研究成果为基础、专为中文设计开发的产品。在本章中,我们将一次讲述搜索引擎的构成、工作原理及搜索引擎的主要指标及其分析.2.2基于Internet的搜索引擎的构成的 搜索引擎根据用户的查询请求,按照一定的算法从索引数据中查询对应的信息并返回给用户.为保证搜索引擎必须建立并维护一庞大的索引数据库.而一般搜索引擎主要由网络蜘蛛，索引与搜索引擎软件组成.2.2。1网络蜘蛛又称“爬行者”（Crawler或Web Robot），是一个功能强大的程序。它会根据预先的设定的地址去查看对应的网页，如果网页发生变化则重新获取该网页，否则继续访问。网络蜘蛛访问页面的过程是对互联网上信息遍历的过程,为了保证网络蜘蛛遍历信息的广度，一般事先设定一些重要的链接，然后对这些链接进行遍历，在遍历过程中不断记录网页中的链接。2.2。2索引网络蜘蛛将遍历到的网页存放在临时数据库中。为提高检索的效率，需要按照。如果有时索引不能被及时更新，网络蜘蛛带回的新信息就不能被使用搜索引擎的用户查到了.因此，可以得到下面的结论：新信息更新的周期等于网络蜘蛛停止时间加上遍历的时间加上索引的时间。2。2。3搜索引擎软件该软件用来筛选索引中无数的网页信息，挑选出符合查询要求的网页并将它们进行分级排序，与查询的关键字关联越大的排得越靠前，然后将分级排序后的结果显示给用户。但是根据专家的测评，目前的搜索引擎返回的相关结果的比率不足45%，而且由于机制、范围、算法等的不同,导致同样一个检索请求在不同搜索引擎的查询结果的重复率不足34%。2.3搜索引擎的主要指标及其分析搜索引擎的主要指标有响应时间、召回率、准确率、受欢迎程度、建立索引的方法和相关度等。这些指标决定了搜索引擎的技术指标.搜索引擎的技术指标决定了搜索引擎的评价指标.好的搜索引擎应该是具有较快的反应速度和高召回率、准确率的,当然这些都需要搜索引擎技术指标来保障。召回率：一次搜索结果中符合用户要求的数目与用户查询相关信息的总数之比准确率：一次搜索结果中符合用户要求的数目与该次搜索结果总数之比相关度：用户查询与搜索结果之间相似度的一种度量精确度：对搜索结果的排序分级能力和对垃圾网页的抗干扰能力响应时间、召回率、准确率和受欢迎程度为搜索引擎的主要评价指标.建立索引的方法和相关度是搜索引擎有代表性的技术指标。搜索引擎的技术指标决定了搜索引擎的评价指标。好的搜索引擎因具有应具有较快的响应速度和高召回旅和准确率，这些当然都需要搜索引擎技术指标来保障.第三章 网络机器人3。1什么是网络机器人网络机器人又称为Spider程序，是一种专业的Bot程序。用于查找大量的Web页面。它从一个简单的Web页面上开始执行，然后通过其超链接在访问其他页面，如此反复理论上可以扫描互联网上的所有页面。基于因特网的搜索引擎是Spider的最早应用。例如搜索巨头Google公司，就利用网络机器人程序来遍历Web站点，以创建并维护这些大型数据库。网络机器人还可以通过扫描Web站点的主页来得到这个站点的文件清单和层次机构.还可以扫描出中断的超链接和拼写错误等.3.2网络机器人的结构3。2.1网络机器人（SPIDER）的组成SPIDER（也称为CRWALER或Web Robot）搜集的过程主要是的工作过程.SPIDER要获取的对象是存在于网络上数以亿计的网页，这些网页以超链接形式互相联系在一起，每一网页对应一个超链接，也称统一资源定位符.我们可以把网络看做一个图，网络中的网页构成节点集，他们之间的链接构成边集，SPIDER正是从某一节点开始沿着边遍历图，每访问到图中一个节点，就进行一定的处理。当 SPIDER程序访问到一个网页，必须进行以下几项基本处理：A,抽取网页中包含的文本；B，抽取网页中包含的URL 并将其区分。SPIDER工作过程：Step1:给SPIDER程序赋予一个初始URL,加入等待队列。Step2:启动。Step3:查询等待队列中是否有URL，若没有，且无其他活动线程;线程结束，若有Step4。Step4:从URL等待对列中取出一个URL并移入运行队列，根据该URL去访问，并进行网页下载， 抽取文本,抽取链接等工作，若网页中包含同网站URL则将这些URL加入等待队列；把访问过的URL加入完成队列，转Step3。SPIDER搜集的过程： Output 提 取抓 取网页结构原始网页URLVersion1.0url: / URLorigin: / original URLdate: Tue, 15 Apr 2003 08:13:06 GMT / time of harvestip: 162.105.129.12 / IP addresslength: 18133/ data length/ a blank lineXXXXXXXX/ Data part/ a blank line3.3 HTML语言因为Web中的信息都是建立在HTML协议之上的，所以网络机器人在检索网页时的第一个问题就是解析HTML。HTML是在WWW上建立的超文本的语言,它通过标记和属性对一段文本的语言进行描述。在解决如何解析之前,首先来介绍下HTML中的几种数据.文本：除了脚本和标签之外的所有数据注释:程序员留下的说明文字，对用户是不可见的简单标签：由单个表示的HTML标签开始标签和结束标签：用来控制所包含的HTML代码我们在进行解析的时候不用关心所有的标签，只需要对其中几种重要的进行解析即可。超连接标签超连接定义了WWW通过Internet链接文档的功能。他们的主要目的是使用户能够任意迁移到新的页面，这正是网络机器人最关心的标签。图像映射标签图像映射是另一种非常重要的标签.它可以让用户通过点击图片来迁移到新的页面中。表单标签表单是Web页面中可以输入数据的单元。许多站点让用户填写数据然后通过点击按钮来提交内容，这就是表单的典型应用。表格标签表格是HTML的构成部分，通常用来格式化存放、显示数据。3。4网络机器人的实现及代码分析3。4。1程序结构图Search整体类图：CRobotCrawl结构示意图:3。4.2结点的结构体struct URL_Pagebool Visited_URL； /链接是否访问过0-未访问 1-访问过int SeqNum； /从0开始给链接的自动编号CString AbsolutURL； /链接的绝对URLCString URLContext; /链接的说明文字CString sLinks; /相对链接int ContextValue； /链接说明文字信息的价值 int ImmediateReward； /链接包含关键字。PDF,。DOC，。PS的个数int outlink50; /存放本页指出的网页IDint inlink30; /存放其他网页包含本页链接，保存该网页的IDdouble hubscore； /本页的HUB值 double authorityscore; /本页的authorityscore值；HITS算法：Kleinbergs original work including the CLEVER Project at IBM该算法认为每个WEB页面都有被指向作为“Authority”（权威good source of contents）和指向其他页面作为“Hub”（中心good source of links)的两方面的属性。HITS（HyperlinkInduced Topic Search）算法是利用Hub/Authority方法的搜索方法，算法如下：将查询q提交给传统的基于关键字匹配的搜索引擎搜索引擎返回很多网页，从中取前n个网页作为根集root set），用S表示.S满足如下3个条件：1S中网页数量相对较小2S中网页大多数是与查询q相关的网页3S中网页包含较多的权威网页一个受尊敬的权威网页就是许多可靠的中心网页所提到的网页；而一个有用的中心则是指向许多有价值的权威网页。他们的计算公式如下：HITS算法的求解过程如下:1、将所有页面（根集页面)的A和H赋予初值。2、根据上面的公式计算新一轮的H和A的值.3、规范化结果4、重复2、3、直到结果收敛。权威网页（Authority）和中心网页（Hub）：权威网页（Authority）,顾名思义，是给定主题底下的一系列重要的权威的网页。其重要性和权威性主要体现在以下两点：第一点， 从单个网页来看，它的网页内容本身对于这个给定主题来说是重要的；第二点， 从这个网页在整个互联网重的地位来看，这个网页是被其他网页承认为权威的，这主要体现在跟这个主题相关的很多网页都有链接指向这个网页。由此可见,权威网页对于主题搜索引擎的实现有很重大的意义.主题搜索引擎一个很关键的任务就是从互联网上无数的网页之中最快最准的找出这些可数的权威网页,并为他们建立索引。这也是有效区别主题搜索引擎和前三代传统通用搜索引擎的重要特征。中心网页（Hub）,是包含很多指向权威网页的超链接的网页。最典型中心网页的一个例子是Yahoo！，它的目录结构指向了很多主题的权威网页，使得它兼任了很多主题的中心网页。由中心网页出发，轻而易举的就会到达大量的权威网页.因此，它对于主题搜索引擎的实现也起了很大的意义。权威网页和中心网页之间是一种互相促进的关系：一个好的中心网页必然要有超链接指向多个权威网页；一个好的权威网页反过来也必然被多个中心网页所链接;。他们的关系如图3.1所示。权威网页中心网页图3.1 权威网页和中心网页权威网页权威网页中心网页计算网页的authorityscore值：for(i=0；im_nURLs；i+) j=0； sum1=0;sum2=0; if（m_URLi.inlinkj=1） m_URLi。authorityscore=1； else while(m_URLi。inlinkj!=1 & jIn_MAX） /计算第i个页面的hubscore q=m_URLi。inlinkj;sum1=m_URLq.hubscore+sum1; j+; m_URLi。authorityscore=sum1； 归化网页的authorityscore（代码片断）: for（i=0；im_nURLs；i+) /对所有的网页进行归化 authoritysum=m_URLi。authorityscore*m_URLi.authorityscore+authoritysum； .爬取站点CrawlSite的代码实现片断：BOOL CRobotCrawl：CrawlSite(const CString sURL)n_URL=0； /表示初试的种子页为0号页面m_nURLs = 1； /表示要统计的子页数，记数从1开始记数m_sURL = sURL; /这里放入种子页的sURL KeyWordCount=0;if （！m_pInternet)m_pInternet = new CRobotInternet;m_bAllocatedInternet = true; / End ifif (m_sUserAgent ！= ”）m_pInternetm_sUserAgent = m_sUserAgent;if （m_sURL.Left(5） ！= http：）if (m_sURL。Left(2) ！= /”）m_sURL = ”/” + m_sURL； m_sURL = http:” + m_sURL; / End ifAfxParseURL（m_sURL, dwService， m_sServer， sObject, nPort）；m_sDomain = m_sServer;nPos = m_sDomain.Find（”.）；if （nPos != -1）m_sDomain = m_sDomain.Mid（nPos + 1）；if (m_bRobotExclusion)if （m_pInternethttpGet（m_sServer + /robots。txt”, m_sRobotPolicy， nResult， sErrMsg)m_bRobotPolicyExists = true；elsem_bRobotPolicyExists = false;/ End if 是否遵循标准/-初始化根结点（种子页初始化)-for（i_num=0；i_numIn_MAX；i_num+）m_URL0。inlinki_num=-1；for（i_num=0；i_numOut_MAX；i_num+)m_URL0。outlinki_num=-1;if （m_bRobotExclusion m_bRobotPolicyExists）if _pInternetRobotExcluded(m_sRobotPolicy,(m_URLn_URL.AbsolutURL)）bReturnValue = false; goto Finished； / End if / End if检测是否提供访问/逐次访问数组中的元素while(nMAX_URLS) 。.网络机器人运行流程图：网络机器人运行后，抓取的截图：网络机器人运行后,抓取的HTML文本：3。5关于机器人礼节及robot。txt3.5.1机器人礼节大多数系统管理员乐于让别人索引他们的页面，让公众获取他们的信息，可是运行拙劣的机器人也很容易激起他们的愤怒,所以要记住下面机器人指南：1）标识你自己和你的机器人.机器人应该配置USERAGENT以标识它自己，并附加一个电子邮件地址,使得对你的机器人有问题的人可以与你联系。2）当机器人运行时,不要离开它，以应保持对机器人的控制.3）本地运行检查.尽量先在本地的局域网上检查你的机器人,进行各种可能情况的测试,有把握后再将其收到Internet上。4)遵守robots。txt文件中的限制。不要触及管理员只想留在自己系统的非出版信息。5）在适当的时间运行你的机器人.站点一般都有负荷较轻的时候，如果你决定对某一站点进行多次自动访问，最好事先了解其最佳访问时间。6)共享结果.将搜索结果在网上公布,使大家都可以访问到。3。5。2 robot.txt在1993年与1994年间，由于搜索引擎刚刚出现，对于网络机器人行为的约束还没有统一的标准。那时的网络机器人有机会访问不欢迎它们的网站。在网络上，几乎不可不与其它网站链接，只要随着网页中的链接进入别的网站,别的网站便可能得知访问者的网址，并可能将其列入引用记录之中。因此,只要有一个链接，网络机器人就可能找到那些“秘密”的网站.robot。txt作为网络机器人的控制策略文件必须做如下的考虑：1。文件必须符合大多数操作系统得命名规则；2.文件扩展名不需要另外的服务器配置；3.文件名应该表明该文件的意图而且易记；4。于其它文件的冲突的尽可能地小.文件“/robot。txt”的格式和对应的语义如下:该文件由一个或多个记录组成，记录之间通过一个或多个空行分隔。记录具有如下的形式：field：valueoptionalspace注释通过“#”来表示，所以“#”开头的行都被认为是注释行.注释只是便于服务器管理员在书写对网络机器人的控制策略时作为注释,在处理过程中将被忽略。每个记录以一个或多个Useragent行开始，后面跟随一个或者多个Disallow行。用户代理（Useragent）：User-agent域用来说明记录访问策略所针对的网络机器人的名字。如果使用了多个User-agent域，则表示同一种访问策略被应用在多个网络机器人上，每个记录至少要有一个域。网络机器人在解释这些域的时候有那个该采用比较宽松的策略，比如,不区分大小写,字串匹配，没有版本信息等.如果域的值为“，则表明该记录为所有网络机器人的默认访问策略。在一个“robot。txt”中不允许出现多个记录。如果网络机器人有对应的访问策略匹配，则使用对应的访问策略。Disallow域该域指明了一个不允许访问的URL路径.该路径可以使全局路径或者是局部路径.所以该URL开始的URL都不允许被访问。例如：Disallow：/my将不允许访问/my。html/和/my/index。html,而Disallow:/my/将不允许访问/my/index.html但是允许访问/my/html。任何空值表明所有URL都可以被访问.每个记录包含一个Disallow：域.如果文件“/robot.txt”中没有显式关联的语义信息,它将被认为不存在，也就是说所有网络机器人都认为可以访问该服务器上的信息.3.6特点和存在问题由于Robot能够快速的、周期性地测览Web,获取最新的信息，所以基于Robot的资源发现工具一般都可以建立并维持较大规模的索引数据库。其优点是信息量大、更新及时，毋需人工干预。缺点是返回信息过多，有很多无关信息,用户必须从结果中进行筛选；能自动从互联网上收集网页的数据并充实到本地数据库中，定期检查网页是否更新或链接是否失效，同时需要比较哪些是重复信息；互联网上互相转载的内容相当多，重复信息也很多,识别它们需要经过很多处理,另外变化无穷的动态网页还会对其运行产生影响等等。而传统的数据搜索只是搜索自身数据库的内容,或者用户登记到数据库的信息，信息量太少.例如，AltaVista的索引数据库包含3100万个Web页，Excite则包含约5000万个Web页，Lycos有近7000万个URL索引.这些工具因为拥有大量的网页信息，因而在实际应用中很受欢迎。Robot作为一个程序，可以运行在Unix、Solaris、Windows、NT、OSZ和MAC等平台上。然而Robot设计是否合理将直接影响它访问Web的效率，影响搜索数据库的质量。另外,在设计Robot时还必须考虑它对网络和被访问站点的影响，因为Robot一般都运行在速度快、带宽高的主机上,如果它快速访问一个速度比较慢的目标站点，就有可能会导致该站点出现阻塞甚至死机。Robot还应遵守一些协议，以便被访问站点的管理员能够确定哪些内容能被访问,哪些不能。Robot软件是WebRD获取数据的主要工作方式,虽然目前应用较广，但存在的问题也是比较多的.首先，Robot频繁地访问各个Web站点，会给网络和被访问的Web服务器带来较大的负担；其次Robot不加区分地搜寻所有可达的文档，并为之建立索引，常常使索引数据库变得十分臃肿；再次,信息搜寻算法的选取、设计问题，会直接影响到搜集引擎的工作效率。还有,基于Robot的搜索引擎必须随着Internet的发展不断扩大自己的网页数据库,由此会产生很多技术难题。例如怎样及时地获取新网页和刷新数据库,当数据库增大之后如何保证查询效率不会明显降低.目前要解决这些问题还没有什么切实可行的办法,只能依赖于设计合理的并行处理技术.如果仅仅是从远程获得数据,实现一个Robot并不很难，但由于每个Robot都是与一定的索引和检索技术相联系的,所以它必须要能与其它模块相配合工作。因而其实现时要考虑很多相关技术,如HTTP协议、HTML语言、分词技术、数据的存储、公共网关接口CGI等.其中HTTP、HTML是实现Robot的最基本的关键技术，对它们的研究和实现将大大提高信息发现和检索系统的性能，增加用户查询的命中率,提高网上信息资源的利用率.第四章 搜索引擎优化策略4。1站点角度为什么有的网站能在搜索引擎上排名很好，而有的却连找到找不到呢？这个秘密何在呢？正如免费搜索引擎上的指导方针所说，有五个因素是必须铭记于心的:1、 你网站的内容与主题。2、 每页