[硕士论文] 垂直搜索引擎的设计与实现

西北工业大学硕士学位论文第二章垂直搜索引擎的结构ｄｏｃＩＤ。

建立索引的任务则交给索引器和排序器来完成。Ｉｎｄｅｘｅｒ依次从Ｒｅｐｏｓｉｔｏｒｙ

中取出文档，对文档解压缩，然后对文档进行解析。随后文档被解析为一组命中。

在Ｇｏｏｇｌｅ中，命中是一种数据结构，用来记录单词在文档中每一次出现的信息。

在命中结构中，记录了每个词、词在页面中的位置、大小写、字体相对大小写等

信息。这样，每个词都有很多不同的命中，这些命中的组合又称为该词的命中列

表。索引器把这些命中再写入一组桶中，并建立一个部分排序的前序索引。索引

器还同时把网页中所有的链接的重要信息解析出来，并记录到一个叫做Ａｎｃｈｏｒｓ的文件中。该文件包含了足够多的信息，从中可以查询出每一个链接的来源、指

向以及该链接的文本。

ＵＲＬＳｅｒｖｅｒ卜———叫Ｃｒａｗｌｅｒ卜———叫ＳｔｏｒｅＳｅｒｖｅ

ＲＬＲｅｓｏｌｖｅＡｎｃｈｏｒｓＲｅｐｏｓｉｔ

Ｌｉｎｋｓ

ＤｏｃＩｎｄｅｘｌｌＳｏｒｔｅｒ

图２—３Ｇｏｏｇｌｅ结构

ＵＲＬＲｅｓｏｌｖｅｒ服务器负责从Ａｎｃｈｏｒｓ文件中读取出这些链接，把相对路径

转换为绝对路径，再转换为相应的ｄｏｃＩＤ。通过ｄｏｃＩＤ的关联，锚文件的信息也

被加入到前序索引的ａｎｃｈｏｒｈｉｔ结构中。ＵＲＬＲｅｓｏｌｖｅｒ同时创建了一个Ｌｉｎｋｓ数据库，用来存放两两相互对应的ｄｏｃＩＤ。Ｌｉｎｋｓ数据库被用来计算所有文档的

ＰａｇｅＲａｎｋ。

接着排序器接管这些桶。排序器的主要任务是按照ＷｏｒｄＩＤ重新进行排序。

从而为这些桶生成一个倒排索引。这个操作是在每个桶中执行的，所以只需用很

少的临时空间。排序器还建立了一个ｗｏｒｄｌＤ列表。列表中同时记录了该ｗｏｒｄＩＤ在倒排索引中的偏移量大小。有一个叫做ＤｕｍｐＬｅｘｉｃｏｎ的工具，用来把ｗｏｒｄｌＤ和由索引器产生的词典相结合，并产生一个新的词典。这个新的词典被用在最终８