Luận văn tốt nghiệp
Khai phá dữ liệu Web và máy tìm kiếm
Mục lục
Mục lục……………………………………………………………………………………………………..1
Chương 1. Tổng quan về khai phá dữ liệu Web và máy tìm kiếm. ………………4
1.1. Khai phá dữ liệu Web……………………………………………………………………………….4
1.1.1. Tổng quan về khai phá dữ liệu Web…………………………………………………….4
1.1.2
Các bài toán được đặt ra trong khai phá Web……………………………………..5
1.1.3 Các lĩnh vực của khai phá dữ liệu Web………………………………………………..6
1.1.3.1 Khai phá nội dung Web (Web content mining):………………………………………..6
1.1.3.2. Khai phá cấu trúc web (web structure mining): ……………………………………….6
1.1.3.3 Khai phá sử dụng web (web usage mining). …………………………………………….7
1.1.4. Khó khăn………………………………………………………………………………………….7
1.1.4.1 Web dường như quá lớn để tổ chức thành kho dữ liệu phục vụ Dataming……7
1.1.4.2. Độ phức tạp của trang Web lớn hơn rất nhiều so với những tài liệu văn bản
truyền thống khác ……………………………………………………………………………………………8
1.1.4.3. Web là một nguồn tài nguyên thông tin có độ thay đổi cao……………………….8
1.1.4.4. Web phục vụ một cộng đồng người dùng rộng lớn và đa dạng………………….8
1.1.4.5. Chỉ một phần rất nhỏ của thông tin trên Web là thực sự hữu ích………………..9
1.1.5. Thuận lợi………………………………………………………………………………………….9
1.2 Tổng quan về máy tìm kiếm……………………………………………………………………….9
1.2.1 Nhu cầu:……………………………………………………………………………………………9
1.2.2 Cơ chế hoạt động của máy tìm kiếm. ………………………………………………….10
1.2.3 Cấu trúc điển hình của một máy tìm kiếm……………………………………………11
Chương 3. Tổng quan về xử lý song song……………………………………………….34
3.1 Máy tính song song …………………………………………………………………………………34
3.1.2 Phân loại máy tính song song …………………………………………………………….35
3.1.2.1 Phân loại dựa trên cơ chế điều khiển chung……………………………………………35
3.1.2.2 Cách phân loại dựa trên sự tương tác giữa các BXL………………………………..37
3.2 Mô hình lập trình song song……………………………………………………………………..38
3.2.1 Mô hình nhiệm vụ – kênh liên lạc……………………………………………………….38
3.2.1.1 Đặc điểm mô hình nhiệm vụ-kênh liên lạc……………………………………………..38
3.2.1.2 Đặc điểm của mô hình nhiệm vụ – kênh liên lạc. …………………………………….39
3.2.2 Mô hình chia sẻ bộ nhớ chung……………………………………………………………40
3.3. Hiệu năng của xử lý song song ………………………………………………………………..40
3.3.1 Khả năng tăng tốc độ tính toán:………………………………………………………….40
3.3.3 Cân bằng tải …………………………………………………………………………………….43
3.3.4 Sự bế tắc………………………………………………………………………………………….44
3.4 Môi trường lập trình song song…………………………………………………………………45
3.4.1 Mô hình MPI (Message Passing Interface). …………………………………………46
3.4.2 PVM (Parallel Virtual Machine)…………………………………………………………….46
3.4.3 So sánh giữa MPI và PVM. ……………………………………………………………….46
3.5 Giao thức truyền thông điệp MPI………………………………………………………………47
Chương 2: Giới thiệu về module Crawler trong các máy tìm kiếm. …………..13
2.1 Tổng quan:……………………………………………………………………………………………..13
2.2 Cấu trúc cơ bản của một crawler……………………………………………………………….15
2.2.1 Frontier……………………………………………………………………………………………16
2.2.2 History và kho chứa trang web…………………………………………………………..17
2.2.3 Tải các trang web (fetching)………………………………………………………………18
2.2.4 Duyệt nội dung (parsing)…………………………………………………………………..19
2.2.4.1. Quá trình lấy ra và chuẩn hóa các URL…………………………………………………20
2.2.4.2 Loại bỏ các từ dừng và chuyển các dạng thức của từ sang dạng gốc………….21
2.2.4.3 Xây dựng cây các thẻ HTML ……………………………………………………………….21
2.3 Các crawler đa luồng (Multi-threaded crawlers). ………………………………………..22
2.4. Các thuật toán crawling…………………………………………………………………………..24
2.4.1 Thuật toán Naïve tốt nhất đầu tiên………………………………………………………24
2.4.2 Thuật toán SharkSearch…………………………………………………………………….25
2.4.3 Crawler có trọng tâm (focused crawler). ……………………………………………..26
2.3.4 Các crawler tập trung theo ngữ cảnh (context focused crawler). …………….27
2.4. Các tiêu chuẩn đánh giá các crawler…………………………………………………………29
2.4.1 Độ quan trọng của trang web. ………………………………………………………………..29
2.4.2 Các phân tích tổng hợp………………………………………………………………………….31
Chương 4. Giới thiệu về máy tìm kiếm ASPseek và đề xuất giải pháp song
song hóa. ………………………………………………………………………………………………..50
4.1 Giới thiệu chung về máy tìm kiếm ASPseek. ……………………………………………..50
4.1.1 Một số tính năng của ASPseek. ………………………………………………………….50
4.1.2 Các thành phần của ASPseek……………………………………………………………..51
a. Module đánh chỉ số (indexing)…………………………………………………………………….51
b. Module tìm kiếm (searchd)………………………………………………………………………….52
c. Module tìm kiếm s.cgi. ……………………………………………………………………………….52
4.2 Cấu trúc cơ sở dữ liệu trong máy tìm kiếm ASPseek. ………………………………….52
4.2.1 Cấu trúc một số bảng chính trong cơ sở dữ liệu của ASPseek………………..53
4.2.2 Cấu trúc một số file nhị phân trong cơ sở dữ liệu của ASPseek ……………..56
4.2.2.1 Cấu trúc các file nhị phân trong thư mục xxw: ……………………………………….56
4.3 Tìm hiểu về việc thực thi quá trình crawler trong module index của máy tìm
kiếm VietSeek. …………………………………………………………………………………………….60
4.3.1Quá trình crawler trong ASPseek. ……………………………………………………….60
4.3.2 Đề xuất giải pháp song song hóa ………………………………………………………..63
4.3.2.1 Giải pháp song song hóa………………………………………………………………………63
4.3.2.2 Cơ chế phân công công việc giữa các bộ xử lý. ………………………………………65
4.3.2.3 Tổng hợp kết quả sau quá trình song song:…………………………………………….65
4.3.2.4 Vấn đề tương tranh giữa các bộ xử lý: …………………………………………………..66
4.3.2.5 Đánh giá giải pháp song song hóa…………………………………………………………66
4.3.3.
Tài liệu tham khảo:…………………………………………………………………………………..68
Phụ lục: Một số hàm bổ sung trong Môđun indexing song song hóa
Chương 1. Tổng quan về khai phá dữ liệu Web và máy
tìm kiếm
1.1. Khai phá dữ liệu Web
1.1.1. Tổng quan về khai phá dữ liệu Web
Ngày nay, sự phát triển nhanh chóng của mạng Internet và Intranet đã sinh ra một
khối lượng khổng lồ các dữ liệu dạng siêu văn bản (dữ liệu Web). Trong những năm
gần đây Intrnet đã trở thành một trong những kênh về khoa học, thông tin kinh tế,
thương mại và quảng cáo. Một trong những lý do cho sự phát triển này là chi phí thấp
để duy trì một trang Web trên Internet. So sánh với những dịch vụ khác như đăng tin
hay quảng cáo trên một tờ báo hay tạp chí, thì một trang Web “đòi” rẻ hơn rất nhiều và
cập nhật nhanh chóng hơn tới hàng triệu người dùng khắp mọi nơi trên thế giới. Có
thể nói Internet như là cuốn từ điển Bách khoa toàn thư với nội dung và hình thức đa
dạng. Nó như một xã hội ảo, nó bao gồm các thông tin về mọi mặt của đời sống kinh
tế, xã hội được trình bày dưới dạng văn bản, hình ảnh, âm thanh …
Tuy nhiên, Internet là một môi trường đa phương tiện động bao gồm sự kết
hợp của các cơ sở dữ liệu không đồng nhất, các chương trình và các giao tiếp người
dùng. Rõ ràng, khai phá dữ liệu text chỉ là một lĩnh vực nhỏ trong môi trường này.
Khai phá dữ liệu trên Internet, hay thường được gọi là khai phá web ngoài việc cần
khai phá được nội dung các trang văn bản, còn phải khai thác được các nguồn lực này
cũng như mối quan hệ giữa chúng. Khai phá Web, sự giao thoa giữa khai phá dữ liệu
và Word-Wide-Web, đang phát triển mạnh mẽ và bao gồm rất nhiều lĩnh vực nghiên
Knowledge
WWW
Hình 1.1: Khai phá web, công việc không dễ dàng
cứu như trí tuệ nhân tạo, truy xuất thông tin (information retrival) hay các lĩnh vực
khác. Các công nghệ Agent-base, truy xuất thông tin dựa trên khái niệm (concept-
based), truy xuất thông tin sử dụng case-base reasoning và tính hạng văn bản dựa trên
các đặc trưng (features) siêu liên kết… thường được xem là các lĩnh vực nhỏ trong khai
phá web. Khai phá Web vẫn chưa được định nghĩa một cách rõ ràng và các chủ đề
trong đó vẫn tiếp tục được mở rộng. Tuy vậy, chúng ta có thể hiểu khai phá web như
việc trích ra các thành phần được quan tâm hay được đánh giá là có ích cùng các
thông tin tiềm năng từ các tài nguyên hoặc các hoạt động liên quan tới World-Wide
Web[]. Hình 1.2 thể hiện một sự phân loại các lĩnh vực nghiên cứu quen thuộc trong
khai phá Web. Người ta thường phân khai phá web thành 3 lĩnh vực chính: khai phá
nội dung web (web content mining), khai phá cấu trúc web (web structure mining) và
khai phá việc sử dụng web (web usage mining).
1.1.2 Các bài toán được đặt ra trong khai phá Web
– Tìm kiếm các thông tin cần thiết: Web quá lớn và quá đa dạng, vì vậy việc
tìm được thông tin cần thiết là không đơn giản. Công việc này được giải quyết bởi các
máy tìm kiếm.
– Tạo ra các tri thức mới từ các thông tin có sẵn trên Web: Vấn đề này có thể
được coi như một vấn đề con của bài toán trên. Ở đây ta mặc định đã có một tập các
dữ liệu Web, và ta cần lấy ra được các thông tin hữu ích từ những dữ liệu này.
WEB MINING
Web
Content
Web
Structure
Web
Usage
Web Page
Content
Search
Result
General Access
Pattent
Customized
Usage
Hình 1.2: Các nội dung trong khai phá Web.
– Cá nhân hóa các thông tin: Mỗi người dùng thường có các mối quan tâm khác
nhau cũng như thích các cách biểu diễn thông tin khác nhau khi tương tác với thế giới
Web. Các nghiên cứu về lĩnh vực này sẽ cung cấp các thông tin hữu ích cho những nhà
cung cấp thông tin trên Web để họ có thể đạt được mục đích của mình.
– Tìm hiểu về những người tiêu thụ sản phẩm cũng như về cá nhân người dùng:
Các nghiên cứu này phục vụ đắc lực để giải quyết vấn đề ở trên. Nó tìm hiểu những
điều mà người tiêu dùng muốn và làm. Điều đó sẽ giúp chuyên biệt hóa thông tin cho
từng người dùng, giúp thiết kế và quản lý web site một cách hiệu quả, cũng như các
vấn đề liên quan tới maketing.
1.1.3 Các lĩnh vực của khai phá dữ liệu Web
1.1.3.1 Khai phá nội dung Web (Web content mining):
Phần lớn các tri thức của World-Wide Web được chứa trong nội dung văn bản.
Khai phá nội dung web là các quá trình xử lý để lấy ra các tri thức từ nội dung các
trang văn bản hoặc mô tả của chúng. Có hai chiến lược khai phá nội dung web: một là
khai phá trực tiếp nội dung của trang web, và một là nâng cao khả năng tìm kiếm nội
dung của các công cụ khác như máy tìm kiếm.
– Web Page summarization: liên quan tới việc truy xuất các thông tin từ các
văn bản có cấu trúc, văn bản siêu liên kết, hay các văn bản bán cấu trúc. Lĩnh vực này
liên quan chủ yếu tới việc khai phá bản thân nội dung các văn bản.
– Search engine result summarization: Tìm kiếm trong kết quả. Trong các máy
tìm kiếm, sau khi đã tìm ra những trang Web thoả mãn yêu cầu người dùng, còn một
công việc không kém phần quan trọng, đó là phải sắp xếp, chọn lọc kết quả theo mức
độ hợp lệ với yêu cầu người dùng. Quá trình này thường sử dụng các thông tin như
tiêu đề trang, URL, content-type, các liên kết trong trang web… để tiến hành phân lớp
và đưa ra tập con các kết quả tốt nhất cho người dùng.
1.1.3.2. Khai phá cấu trúc web (web structure mining):
Nhờ vào các kết nối giữa các văn bản siêu liên kết, World-Wide Web có thể
chứa đựng nhiều thông tin hơn là chỉ các thông tin ở bên trong văn bản. Ví dụ, các liên
kết trỏ tới một trang web chỉ ra mức độ quan trọng của trang web đó, trong khi các liên
kết đi ra từ một trang web thể hiện các trang có liên quan tới chủ đề đề cập trong trang
hiện tại. Và nội dung của khai phá cấu trúc Web là các quá trình xử lý nhằm rút ra các
tri thức từ cách tổ chức và liên kết giữa các tham chiếu của các trang web.
1.1.3.3 Khai phá sử dụng web (web usage mining).
Khai phá sử dụng web (web usage mining) hay khai phá hồ sơ web (web log
mining) là việc xử lý để lấy ra các thông tin hữu ích trong các hồ sơ truy cập Web.
Thông thường các web server thường ghi lại và tích lũy các dữ liệu về các tương tác
của người dùng mỗi khi nó nhận được một yêu cầu truy cập. Việc phân tích các hồ sơ
truy cập web của các web site khác nhau sẽ dự đoán các tương tác của người dùng khi
họ tương tác với Web cũng như tìm hiểu cấu trúc của Web, từ đó cải thiện các thiết kế
của các hệ thống liên quan. Có hai xu hướng chính trong khai phá sử dụng web là
General Access Pattern Tracking và Customizied Usage tracking.
– General Access Pattern tracking: phân tích các hồ sơ web để biết được các
mẫu và các xu hướng truy cập. Các phân tích này có thể giúp cấu trúc lại các site trong
các phân nhóm hiệu quả hơn, hay xác định các vị trí quảng cáo hiệu quả nhất, cũng
như gắn các quảng cáo sản phẩm nhất định cho những người dùng nhất định để đạt
được hiệu quả cao nhất…
– Cusomized Usage tracking: phân tích các xu hướng cá nhân. Mục đích là để
chuyên biệt hóa các web site cho các lớp đối tượng người dùng. Các thông tin được
hiển thị, độ sâu của cấu trúc site và định dạng của các tài nguyên, tất cả đều có thể
chuyên biệt hóa một cách tự động cho mỗi người dùng theo thời gian dựa trên các mẫu
truy cập của họ.
1.1.4. Khó khăn
World Wide Web là một hệ thống rất lớn phân bố rộng khắp, cung cấp thông
tin trên mọi lĩnh vực khoa học, xã hội, thương mại, văn hóa,… Web là một nguồn tài
nguyên giàu có cho Khai phá dữ liệu. Những quan sát sau đây cho thấy Web đã đưa ra
những thách thức lớn cho công nghệ Khai phá dữ liệu [1].
1.1.4.1 Web dường như quá lớn để tổ chức thành kho dữ liệu phục vụ
Dataming
Các CSDL truyền thống thì có kích thước không lớn lắm và thường được lưu
trữ ở một nơi, trong khi đó kích thước Web rất lớn, tới hàng terabytes và thay đổi liên
tục, không những thế còn phân tán trên rất nhiều máy tính khắp nơi trên thế giới. Một
vài nghiên cứu về kích thước của Web đã đưa ra các số liệu như sau: Hiện nay trên
Internet có khoảng hơn một tỷ các trang Web được cung cấp cho người sử dụng., giả
sử kích thước trung bình của mỗi trang là 5-10Kb thì tổng kích thước của nó ít nhất là
khoảng 10 terabyte. Còn tỷ lệ tăng của các trang Web thì thật sự gây ấn tượng. Hai
năm gần đây số các trang Web tăng gấp đôi và còng tiếp tục tăng trong hai năm tới.
Nhiều tổ chức và xã hội đặt hầu hết những thông tin công cộng của họ lên Web. Như
vậy việc xây dựng một kho dữ liệu (datawarehouse) để lưu trữ, sao chép hay tích hợp
các dữ liệu trên Web là gần như không thể.
1.1.4.2. Độ phức tạp của trang Web lớn hơn rất nhiều so với những tài
liệu văn bản truyền thống khác
Các dữ liệu trong các CSDL truyền thống thì thường là loại dữ liệu đồng nhất
(về ngôn ngữ, định dạng,…), còn dữ liệu Web thì hoàn toàn không đồng nhất. Ví dụ về
ngôn ngữ dữ liệu Web bao gồm rất nhiều loại ngôn ngữ khác nhau (Cả ngôn ngữ diễn
tả nội dung lẫn ngôn ngữ lập trình), nhiều loại định dạng khác nhau (Text, HTML,
PDF, hình ảnh âm thanh,…), nhiều loại từ vựng khác nhau (Địa chỉ Email, các liên kết
(links), các mã nén (zipcode), số điện thoại).
Nói cách khác, trang Web thiếu một cấu trúc thống nhất. Chúng được coi như
một thư viện kỹ thuật số rộng lớn, tuy nhiên con số khổng lồ các tài liệu trong thư viện
thì không được sắp xếp tuân theo một tiêu chuẩn đặc biệt nào, không theo phạm trù,
tiêu đề, tác giả, số trang hay nội dung,… Điều này là một thử thách rất lớn cho việc tìm
kiếm thông tin cần thiết trong một thư viện như thế.
1.1.4.3. Web là một nguồn tài nguyên thông tin có độ thay đổi cao
Web không chỉ có thay đổi về độ lớn mà thông tin trong chính các trang Web
cũng được cập nhật liên tục. Theo kết quả nghiên cứu [], hơn 500.000 trang Web trong
hơn 4 tháng thì 23% các trang thay đổi hàng ngày, và khoảng hơn 10 ngày thì 50% các
trang trong tên miền đó biến mất, nghĩa là địa chỉ URL của nó không còn tồn tại nữa.
Tin tức, thị trường chứng khoán, các công ty quản cáo và trung tâm phục vụ Web
thường xuyên cập nhật trang Web của họ. Thêm vào đó sự kết nối thông tin và sự truy
cập bản ghi cũng được cập nhật.
1.1.4.4. Web phục vụ một cộng đồng người dùng rộng lớn và đa dạng
Internet hiện nay nối với khoảng 50 triệu trạm làm việc [1], và cộng đồng
người dùng vẫn đang nhanh chóng lan rộng. Mỗi người dùng có một kiến thức, mối
quan tâm, sở thích khác nhau. Nhưng hầu hết người dùng không có kiến thức tốt về
cấu trúc mạng thông tin, hoặc không có ý thức cho những tìm kiếm, rất dễ bị “lạc” khi
đang “mò mẫm” trong “bóng tối” của mạng hoặc sẽ chán khi tìm kiếm mà chỉ nhận
những mảng thông tin không mấy hữu ích.
1.1.4.5. Chỉ một phần rất nhỏ của thông tin trên Web là thực sự hữu ích.
Theo thống kê, 99% của thông tin Web là vô ích với 99% người dùng Web.
Trong khi những phần Web không được quan tâm lại bị búi vào kết quả nhận được
trong khi tìm kiếm. Vậy thì ta cần phải khai phá Web như thế nào để nhận được trang
web chất lượng cao nhất theo tiêu chuẩn của người dùng?
Như vậy chúng ta có thể thấy các điểm khác nhau giữa việc tìm kiếm trong
một CSDL truyền thống với vviệc tìm kiếm trên Internet. Những thách thức trên đã
đẩy mạnh việc nghiên cứu khai phá và sử dụng tài nguyên trên Internet
1.1.5. Thuận lợi
Bên cạnh những thử thách trên, công việc khai phá Web cũng có những thuận lợi:
1. Web bao gồm không chỉ có các trang mà còn có cả các hyperlink trỏ từ trang
này tới trang khác. Khi một tác giả tạo một hyperlink từ trang của ông ta tới một trang
A có nghĩa là A là trang có hữu ích với vấn đề đang bàn luận. Nếu trang A càng nhiều
Hyperlink từ trang khác trỏ đến chứng tỏ trang A quan trọng. Vì vậy số lượng lớn các
thông tin liên kết trang sẽ cung cấp một lượng thông tin giàu có về mối liên quan, chất
lượng, và cấu trúc của nội dung trang Web, và vì thế là một nguồn tài nguyên lớn cho
khai phá Web.
2. Một máy chủ Web thường đăng ký một bản ghi đầu vào (Weblog entry) cho
mọi lần truy cập trang Web. Nó bao gồm địa chỉ URL, địa chỉ IP, timestamp. Dữ liệu
Weblog cung cấp lượng thông tin giàu có về những trang Web động. Với những thông
tin về địa chỉ URL, địa chỉ IP,… một cách hiển thị đa chiều có thể được cấu trúc nên
dựa trên CSDL Weblog. Thực hiện phân tích OLAP đa chiều có thể đưa ra N người
dùng cao nhất, N trang Web truy cập nhiều nhất, và khoảng thời gian nhiều người truy
cập nhất, xu hướng truy cập Web.
1.2 Tổng quan về máy tìm kiếm
1.2.1 Nhu cầu
Như đã đề cập ở phần trên, Internet là một kho thông tin khổng lồ và phức tạp.
Thông tin trên các trang Web đa dạng về mặt nội dung cũng như hình thức. Tuy nhiên
cùng với sự đa dạng và số lượng lớn thông tin như vậy đã nảy sinh vấn đề quá tải
thông tin. Cùng với sự thay đổi và phát triển hàng ngày hàng giờ về nội dung cũng như
số lượng của các trang Web trên Internet thì vấn đề tìm kiếm thông tin đối với người
sử dụng lại ngày càng khó khăn. Đối với mỗi người dùng chỉ một phần rất nhỏ thông
tin là có ích, chẳng hạn có người chỉ quan tâm đến trang Thể thao, Văn hóa mà không
mấy khi quan tâm đến Kinh tế. Người ta không thể tìm tự kiếm địa chỉ trang Web chứa
thông tin mà mình cần, do vậy đòi hỏi cần phải có một trình tiện ích quản lý nội dung
của các trang Web và cho phép tìm thấy các địa chỉ trang Web có nội dung giống với
yêu cầu của người tìm kiếm.
Định nghĩa []:Máy tìm kiếm (search engine) là một hệ thống được xây dựng
nhằm tiếp nhận các yêu cầu tìm kiếm của người dùng (thường là một tập các từ khóa),
sau đó phân tích yêu cầu này và tìm kiếm thông tin trong cơ sở dữ liệu được tải xuống
từ Web và đưa ra kết quả là các trang web có liên quan cho người dùng.
Cụ thể, người dùng gửi một truy vấn, dạng đơn giản nhất là một danh sách các từ
khóa, và máy tìm kiếm sẽ làm việc để trả lại một danh sách các trang Web có liên quan
hoặc có chứa các từ khóa đó. Phức tạp hơn, thì truy vấn là cả một văn bản hoặc một
đoạn văn bản hoặc nội dung tóm tắt của văn bản. Một số máy tìm kiếm điển hình hiện
nay: Yahoo, Google, Alvista,…
1.2.2 Cơ chế hoạt động của máy tìm kiếm.
Một máy tìm kiếm có thể được xem như là một ví dụ của hệ thống truy xuất
thông tin Information Retrival (IR). Một hệ thống truy xuất thông tin IR thường tập
trung vào việc cải thiện hiệu quả thông tin được lấy ra bằng cách sử dụng việc đánh
chỉ số dựa trên các từ khóa (term-base indexing)[8,11] và kỹ thuật tổ chức lại các câu
truy vấn (query refomulation technique)[32]. Quá trình xử lý các văn bản dựa trên từ
khóa ban đầu trích ra các từ khóa trong văn bản sử dụng một từ điển được xây dựng
trước, một tập các từ dừng, và các qui tắc (stemming rule)[10] để chuyển các hình thái
của từ về dạng từ gốc. Sau khi các từ khóa đã được lấy ra, và thường sử dụng phương
pháp TF-IDF (hoặc biến thể của nó) [31,33] để xác định mức độ quan trọng của các từ
khóa. Do đó, một văn bản có thể được biểu diễn bởi một tập các từ khóa và độ quan
trọng của chúng. Mức độ tương tự đo được giữa một câu truy vấn và một văn bản
chính bằng tích trực tiếp tích direct product giữa hai vector các từ khóa tương ứng. Để
thể hiện mức độ hợp lệ của các văn bản và câu truy vấn, các văn bản được lấy ra được
biểu diễn dưới dạng một danh sách được xếp hạng dựa trên độ đo mức độ tương tự
giữa chúng và câu truy vấn. Intelligent Internet Doc Organization
Các máy tìm kiếm hiện nay sử dụng các công nghệ IR rất đa dạng. Sự khác nhau
giữa chúng liên quan tới vấn đề đánh chỉ số, cách biểu diễn văn bản, cách thức truy
vấn và thực thi.
Quá trình đánh chỉ số: Các máy tìm kiếm thu thập các trang văn bản HTML
trên Internet theo yêu cầu của người dùng hoặc một cách tự động sử dụng các Internet
robot (hay còn gọi là spider hoặc crawler). Giống như một hệ thống IR điển hình, các
máy tìm kiếm sẽ đánh chỉ số các văn bản này theo từ hoặc cụm từ theo cách ta có thể
dễ dàng truy xuất thông tin. Dựa vào định dạng bán cấu trúc của trang HTML, các máy
tìm kiếm có thể xác định trọng số cho các từ khóa này dựa vào ý nghĩa của các thẻ.
Cách thức biểu diễn (representation): Phần lớn các máy tìm kiếm sử dụng cách
đánh chỉ số full text để nhanh chóng đo mức độ tương tự giữa câu truy vấn và trang
web, trong đó các văn bản được biểu diễn bởi một tập các cặp từ khóa – trọng số giống
như trong các hệ thống IR điển hình.
Cách truy vấn (querying): Các công cụ tìm kiếm sử dụng một số hàm số để tinh
lọc trong số rất lớn các kết quả tìm kiếm. Ví dụ phần lớn các máy tìm kiếm cung cấp
các toán tử Boolean để đưa ra các kết quả chính xác hơn. Các hàm số khác chẳng hạn
tìm kiếm chính xác theo cụm từ, sắp xếp các trang web theo các site, hay hạn chế tìm
kiếm theo các site nhất định cũng rất hiệu quả trong việc tinh lọc các kết quả tìm kiếm.
Thực thi (implementation): Các máy tìm kiếm cũng như các hệ thống thư mục
chủ đề (topic directory) đều phải đương đầu với bản chất động của môi trường Internet
ngược hẳn với bản chất tĩnh của các hệ thống truy xuất thông tin IR. Các trang web
được tạo ra, sửa đổi và xóa bỏ một cách thường xuyên, điều này đòi hỏi các hệ thống
phải được trang bị một cấu trúc lưu trữ động và một cơ chế đánh chỉ số hiệu quả. Việc
thực thi các Internet robot thông minh cũng là một thử thách khác trong việc thu thập
các trang web từ Internet.
1.2.3 Cấu trúc điển hình của một máy tìm kiếm.
Một máy tìm kiếm điển hình thường gồm các thành phần:
– Module crawler: đi theo các liên kết trên các trên Web để thu thập nội dung
các trang Web một cách tự động và lưu vào các kho chứa cục bộ.
– Module index (đánh chỉ mục): module này có nhiệm vụ duyệt nội dung các
trang web đã được tải về, phân lớp, tính hạng cho các trang này lưu trữ trong các cấu
trúc thuận tiện cho quá trình tìm kiếm.
– Module tìm kiếm: truy xuất cơ sở dữ liệu để trả về danh sách các tài liệu
thỏa mãn một yêu cầu của người dùng, đồng thời sắp xếp các tài liệu này theo mức độ
hợp lệ so với câu truy vấn.
– Module giao diện người máy: liên quan tới việc giao tiếp với người dùng.
Nhiệm vụ module này là nhận câu truy vấn của người dùng, gủi cho module tìm kiếm,
đồng thời nhận kết quả trả về của quá trình tìm kiếm và hiển thị cho người sử dụng.
Chương 2. Module Crawler trong các máy tìm kiếm
2.1 Tổng quan
Kích thước quá lớn và bản chất thay đổi không ngừng của Web đã đặt ra nhu
cầu to lớn trong việc hỗ trợ và cập nhật một cách không ngừng các hệ thống trích
chọn các thông tin dựa trên nền Web. Crawler đáp ứng được nhu cầu này bằng cách đi
theo các siêu liên kết trên các trang Web để download một cách tự động nội dung các
trang Web.
Định nghĩa[]: Web crawler là các chương trình khai thác sơ đồ cấu trúc của
Web bằng cách chuyển từ trang web này sang trang web khác.
Ban đầu, động cơ chủ yếu thúc đẩy việc thiết kế các web crawler là việc lấy ra
nội dung các trang web và thêm chúng hoặc thể hiện của chúng vào các kho chứa cục
bộ. Các kho chứa này, sau đó sẽ đáp ứng các ứng dụng cụ thể chẳng hạn một hệ thống
tìm kiếm trên Web. Ở dạng đơn giản nhất, một chương trình crawler sẽ bắt đầu từ một
địa chỉ nguồn khởi đầu nào đó và sử dụng các liê n kết ngoài trong trang web đó để mở
rộng ra các trang tiếp theo. Quá trình này tiếp tục với các trang web mới, các trang này
lại cung cấp các liên kết ngoài khác để đi theo. Cứ như vậy cho tới khi đạt tới một số
lượng trang web xác định hoặc một mục tiêu nào đó đạt được. Phía sau sự mô tả một
cách đơn giản này là một mảng các vấn đề phức tạp có liên quan như việc kết nối
mạng, các tiêu chuẩn về một URL, việc duyệt các trang HTML và cách thức để giao
tiếp với các Server ở xa. Trên thực tế, các thế hệ web crawler gần đây, có thể coi là
một trong những phần phức tạp nhất của hệ thống mà nó đi kèm.
Nếu môi trường Web là một tập các trang web tĩnh cố định, thì chúng ta sẽ ít
khi phải sử dụng các chương trình Crawler. Một khi các trang web đã được lưu vào
kho chứa (ví dụ như một cơ sở dữ liệu của hệ thống tìm kiếm), ta sẽ chẳng còn lý do
nào để sử dụng modul crawler. Tuy nhiên, môi trường Web là một thực thể động, với
các không gian con thay đổi theo các xu hướng khác nhau và thường là với tốc độ rất
nhanh. Do đó chúng ta luôn cần sử dụng các crawler để giúp các ứng dụng được cập
nhật bằng cách cập nhật nội dung mới của các trang web, xóa bỏ hoặc sửa đổi nội
dung cũ. Các hệ thống tìm kiếm thường cố gắng thu thập được càng nhiều trang web
càng tốt. Các hệ thống này thường sử dụng Web crawler để bảo trì cơ sở dữ liệu được
đánh chỉ mục của chúng, cân bằng cái giá của quá trình crawling và đánh chỉ mục với
hàng triệu truy vấn mà hệ thống nhận được. Module crawler của các hệ thống này
thường có xu hướng và mục tiêu chính là download hết các trang web mà nó gặp.
Ngược lại, các crawler khác lại chỉ chọn một số trang web để tải và duyệt trong số rất
nhiều các trang web nó gặp, các crawler này được gọi là các crawler có lựa chọn
preferential crawler hoặc crawler dựa trên kinh nghiệm. Chúng được sử dụng để xây
dựng các kho dữ liệu có chủ điểm, tự động hóa các nguồn lực khai phá và đáp ứng cho
các đại lý phần mềm. Các crawler có lựa chọn được xây dựng để lấy ra các trang web
theo một chủ đề xác định được gọi là các crawler theo chủ đề topic crawler hoặc
crawler tập trung focused crawler.
Có một số khía cạnh của các topic crawler, đang được tập trung nghiên cứu.
Một câu hỏi then chốt đã đang thu hút sự quan tâm của các nhà nghiên cứu là: Làm thế
nào để đạt được tính chất lựa chọn của crawler. Các vấn đề phụ thuộc nhiều vào ngữ
cảnh như mục tiêu của ứng dụng cha (mà crawler là một thành phần) hoặc các tín hiệu
ngữ nghĩa trong trang web cũng như những đặc trưng (features) của các lược đồ được
xây dựng từ các trang web cũng đã được xem xét. Thêm vào đó, các crawler cũng sử
dụng các cơ chế khác nhau trong việc xử lý các yếu tố này.
Một khía cạnh quan trọng thứ hai cần xem xét khi nghiên cứu các crawler, đặc
biệt là các topical crawler, đó là bản chất của nhiệm vụ crawl (duyệt web). Các tính
chất của việc crawl như là các truy vấn hay là các từ khóa được cung cấp như là các
đầu vào cho các crawler, các hồ sơ người dùng user-profile, hay các thuộc tính của
trang web cần tải (các trang tương tự, các trang web phổ biến ….) có thể dẫn tới các
thay đổi đáng kể trong việc thiết kế và thực thi các crawler. Các tác vụ có thể bị ràng
buộc bởi các tham số như số lượng cực đại các trang web cần nạp hay dung lượng bộ
nhớ có thể… Do đó, một nhiệm vụ crawling có thể được xem như một bài toán tìm
kiếm bị ràng buộc bởi nhiều mục tiêu (multi-objective). Tuy nhiên, do sự đa dạng của
các hàm mục tiêu cộng với sự thiếu các hiểu biết chính xác về không gian tìm kiếm
làm cho vấn đề càng trở nên phức tạp. Hơn nữa, một chương trình crawler có thể sẽ
phải giải quyết các vấn đề về tối ưu hóa như tối ưu toàn cục và tối ưu cục bộ.
Phần đầu của chương này giới thiệu cấu trúc cơ bản của một chương trình
crawler và từ đó giới thiệu những khái niệm cơ bản về Web crawling. Tiếp đó, chúng
tôi giới thiệu một số thuật toán crawling phổ biến. Phần tiếp theo nữa đề cập tới các
phương pháp hiện tại được sử dụng để đánh giá và so sánh việc thực thi của các
crawler khác nhau.
2.2 Cấu trúc cơ bản của một crawler
Hình 2.1 biểu diễn đồ thị của một crawler tuần tự cơ bản. Một chương trình
crawler bao gồm một danh sách các URL chưa được thăm gọi là frontier. Danh sách
này được khởi tạo bởi các URL hạt nhân đã được cung cấp bởi người dùng hoặc các
chương trình khác. Mỗi vòng lặp crawling bao gồm: lấy ra URL cần được index tiếp
theo từ frontier, nạp trang web tương ứng với URL đó bằng giao thức HTTP, duyệt
trang web vừa tải về để lấy ra các từ URL và các thông tin mà ứng dụng cần, và cuối
cùng là thêm các trang URL chưa được thăm vào frontier. Trước khi các URL được
thêm vào frontier chúng sẽ được gán cho một độ đo thể hiện đánh giá hiệu quả khi
thăm trang web tương ứng với URL đó. Quá trình crawling có thể kết thúc khi một số
lượng nhất định các trang web đã được tải. Nếu chương trình crawler đã sẵn sàng để
duyệt một trang web khác và trạng thái của frontier là rỗng, một tín hiệu trạng thái kết
thúc (dead-end) sẽ được gửi cho crawler. Chương trình crawler sẽ không có trang web
mới để tải và dừng lại.
Công việc crawling có thể được xem như một bài toán duyệt đồ thị. Toàn bộ
thế giới Web được xem như một đồ thị lớn với các nút là các trang web và các liên kết
là các đường đi (cạnh). Một crawler bắt đầu tại một vài nút hạt nhân và sau đó đi theo
các cạnh để tới các nút khác. Quá trình tải một trang web và trích ra các liên kết trong
nó tương tự như việc mở rộng một nút trong bài toán tìm kiếm trên đồ thị. Một crawler
Hình 2.1: sơ đồ của một
crawler tuần tự cơ bản.
có chủ điểm cố gắng đi theo các cạnh mà được kỳ vọng là dẫn tới các vị trí trong đồ
thị là hợp lệ với chủ điểm đó.
2.2.1 Frontier
Phần frontier là danh sách các công việc cần làm của một crawler, nó chứa các
URL của các trang web chưa được thăm. Trong thuật ngữ tìm kiếm đồ thị, frontier là
một danh sách mở các nút chưa được mở rộng (chưa được thăm). Mặc dù có thể có
nhu cầu phải lưu các frontier lên đĩa đối với các crawler rất lớn, ở đây để đơn giản hóa
chúng tôi chỉ giới thiệu frontier như là các cấu trúc dữ liệu trong bộ nhớ trong. Dựa
trên dung lượng bộ nhớ có thể, ta có thể quyết định kích thước cực đại của frontier.
Dựa vào dung lượng lớn của bộ nhớ máy tính ngày nay, kích thước một frontier vào
khoảng 100,000 URL không phải là hiếm. Do các frontier chỉ có kích thước giới hạn ta
cần có một cơ chế để quyết định URL nào cần bị bỏ qua khi số lượng url trên frontier
đạt tới giới hạn đó. Cần phải lưu ý rằng frontier có thể bị đầy nhanh hơn nhiều so với
số lượng trang web được duyệt. Ta có thể có tới khoảng 60,000 URL trong frontier
khi mới duyệt được khoảng 10,000 trang web do trung bình có khoảng 7 liên kết trong
một trang web[29].
Frontier có thể được thực thi như một hàng đợi FIFO nếu ta muốn xây dựng
một crawler theo duyệt chiều rộng (breadth-first) để duyệt Web theo chiến lược mù
(blindly). URL cần được duyệt tiếp theo được lấy từ đỉnh của hàng đợi và các URL
mới được thêm vào cuối hàng đợi. Do kích thước hạn chế của frontier, chúng ta cần
phải đảm bảo là không thêm các url lặp lại vào hàng đợi. Do vậy một cơ chế tìm kiếm
tuyến tính để tìm ra một URL mới được trích ra từ nội dung của URL đang được duyệt
có nằm trên frontier chưa là rất cần thiết. Một giải pháp được đưa ra là định vị một
lượng bộ nhớ cần thiết để duy trì một bảng băm riêng (với khóa là URL) để lưu giữ
mỗi một URL của frontier để thuận lợi cho việc tìm kiếm. Bảng băm này phải được
giữ đồng bộ với frontier thực sự. Một giải pháp khác tốn nhiều thời gian hơn là duy trì
bản thân hàng đợi đó như một bảng băm (cũng với khóa là URL). Điều này cung cấp
một cách tìm kiếm nhanh chóng để tránh việc lưu lặp lại các URLs. Tuy nhiên, mỗi
lần crawler cần một URL để duyệt, nó cần phải tìm kiếm và lấy ra URL mới được đưa
vào frontier gần đây nhất. Nếu bộ nhớ không phải là vấn đề nổi cộm bằng tốc độ, giải
pháp thứ nhất có thể sẽ tốt hơn. Một khi frontier đạt tới kích thước tối đa, thì crawler
theo chiều rộng chỉ có thể thêm duy nhất một URL chưa được thăm từ mỗi trang web
đã được duyệt.
Nếu phần frontier được thực thi như một hàng đợi ưu tiên chúng ta có một
crawler ưu tiên hay còn gọi là crawler tốt nhất đầu tiên (best-first crawler). Hàng đợi
ưu tiên có thể là một mảng động luôn được sắp xếp theo độ đo được đánh giá của các
URL chưa được thăm. Tại mỗi bước, URL tốt nhất được lấy ra ở đầu hàng đợi. Một
khi trang web tương ứng được nạp, các URL outgoing từ nó được lấy ra và được đánh
giá dựa trên một số kinh nghiệm. Sau đó chúng lại được thêm vào frontier tại các vị trí
phụ thuộc vào độ đo đó. Chúng ta có thể tránh việc thêm một cách lặp lại các URL
trong frontier bằng cách giữ một bảng băm riêng biệt để tìm kiếm. Khi frontier đạt tới
kích thước tối đa là MAX, chỉ có MAX URL tốt nhất được giữ lại trong frontier.
Nếu chương trình crawler nhận thấy frontier là rỗng trong khi nó cần URL tiếp
theo để duyệt, quá trình crawling sẽ ngừng lại. Với một giá trị MAX lớn và một vài
URL hạt nhân thường frontier rất hiếm khi đạt tới trạng thái rỗng.
Tại một số thời điểm, một crawler có thể gặp một bẫy nhện (spider trap) mà
dẫn nó tới một số lượng lớn các URL khác nhau cùng trỏ tới một trang web. Ta có thể
hạn chế điều này bằng cách hạn chế số lượng các trang web mà crawler truy cập tới từ
một domain xác định. Đoạn mã lệnh liên quan tới frontier có thể đảm bảo rằng mọi
chuỗi k URL liên tiếp (thường k=100), được lấy ra bởi crawler, chỉ chứa duy nhất một
địa chỉ URL chuẩn hóa. Điều này sẽ tránh được việc crawler phải truy cập cùng một
web site quá nhiều lần, và nội dung các trang web tải được sẽ có xu hướng khác biệt
nhiều hơn.
2.2.2 History và kho chứa trang web
Phần history của crawler là một danh sách động các URL đã được nạp bởi
crawler. Nó chứa các đường dẫn mà crawler đã đi qua bắt đầu từ trang hạt nhân. Một
URL đầu vào chỉ được tạo trong phần history sau khi trang web tương ứng đã được
nạp. Phần này được sử dụng cho việc phân tích và đánh giá các trang web sau này. Ví
dụ, chúng ta có thể gắn cho mỗi trang web một giá trị trên đường dẫn và xác định các
sự kiện có ý nghĩa (ví dụ như việc khám phá ra một nguồn lực quan trọng). Trong một
số trường hợp phần history được lưu trữ ở bộ nhớ ngoài, nhưng nó cũng có thể được
duy trì như một cấu trúc dữ liệu trong bộ nhớ trong. Điều này cho phép tìm kiếm
nhanh chóng để kiểm tra xem liệu một trang web đã được duyệt hay chưa. Việc kiểm
tra này là rất quan trọng để tránh đi thăm lại các trang web, và do đó tránh việc thêm
các URL đã được duyệt vào trong frontier có kích thước giới hạn. Cũng với lý do
tương tự, việc chuẩn hóa các URL (2.2.4.1) trước khi thêm chúng vào history cũng rất
quan trọng.
Khi trang web đã được tải, nó có thể được lưu trữ, đánh chỉ số để phục vụ cho
ứng dụng chính (ví dụ một máy tìm kiếm). Ở dạng đơn giản nhất, một kho chứa các
trang web có thể có thể lưu các trang web đã được crawl như các file riêng biệt. Trong
trường hợp đó, mỗi trang phải được ánh xạ tới một tên file duy nhất. Một cách để thực
hiện điều này là ánh xạ URL của mỗi trang tới một chuỗi nén bằng cách sử dụng một
dạng hàm băm với xác xuất xung đột thấp (để đảm bảo tính duy nhất của tên file). Các
giá trị băm được sử dụng làm các tên file. Chúng tôi sử dụng hàm băm một chiều MD5
để cung cấp mã băm 128 bit cho mỗi URL. Giá trị băm 128 bit sau đó được chuyển
thành 32 ký tự ở dạng cơ số 16 tương ứng. Theo cách này ta sẽ có các tên file có chiều
dài cố định cho các URL có độ dài bất kỳ. Các kho chứa nội dung trang web có thể
được sử dụng để kiểm tra liệu một URL đã được crawl trước đó hay chưa bằng cách
chuyển URL đó sang 32 ký tự thập lục phân và kiểm tra sự tồn tại của nó trong kho
chứa. Trong một số trường hợp, điều này có thể dẫn tới sự không cần thiết của cấu trúc
dữ liệu history trong bộ nhớ trong.
2.2.3 Tải các trang web (fetching)
Để nạp một trang web, ta cần một HTTP client để gửi một yêu cầu HTTP tới
một trang web và đọc các đáp ứng. Phía client cần có một thời gian timeout để đảm
bảo rằng nó không lãng phí quá nhiều thời gian để giao tiếp với một server quá chậm
hoặc đọc một trang web quá lớn. Trên thực tế, chúng tôi thường giới hạn client chỉ
download các trang web có kích thước nhỏ hơn 10-20KB. Phía client cần duyệt các
đáp ứng header để lấy các mã trạng thái và các sự định hướng lại (redirection). Chúng
cũng duyệt header và lưu thời gian sửa đổi (last-modify) để xác định độ cập nhật của
trang web. Việc kiểm tra các lỗi và ngoại lệ là rất quan trọng trong quá trình tải trang
web do chúng ta sẽ phải liên hệ tới hàng triệu server ở xa bằng cùng một đoạn mã
lệnh. Thêm vào đó, việc thu thập các thống kê về thời gian timeout và các mã trạng
thái cũng rất hữu ích trong việc xác định các vấn đề nảy sinh hoặc để thay đổi tự động
giá trị timeout. Các ngôn ngữ lập trình hiện đại như Java hoặc Perl cung cấp các cơ
chế đơn giản cùng nhiều giao diện lập trình để tải các trang web. Tuy nhiên, ta cũng
cần phải cẩn thận trong việc sử dụng các giao diện bậc cao do có thể sẽ khó tìm ra các
lỗi ở bậc thấp.
Chúng ta không thể kết thúc việc nói về quá trình crawling mà không đề cập
tới giao thức loại trừ robot Robot Exclusion Protocol. Giao thức này cung cấp một cơ
chế cho các nhà quản trị Web server để thông báo về các quyền truy nhập file trên
server, đặc biệt là để chỉ định các file không được truy cập bởi một crawler. Điều này
được thực hiện bằng cách lưu một file có tên robots.txt dưới thư mục chủ của Web
server (chẳng hạn http://www.biz.uiowa.edu/robots.txt). File này cung cấp các chính
sách truy cập các cho User-agents khác nhau (robots hoặc crawler). Một giá trị User-
agent ‘*’ biểu diễn một chính sách mặc định cho bất kỳ crawler nào không khớp
(match) các giá trị User-agent khác trong file. Một số các đầu vào bị cấm Disallow
được đề ra cho một User-agent. Bất kỳ URL nào bắt đầu với giá trị trường disallow
được đặt sẽ không được truy xuất bởi các crawler ứng với các giá trị User-agent đã chỉ
định. Khi một crawler muốn lấy ra một trang web từ web server, đầu tiên nó phải nạp
file robots.txt và đảm bảo rằng URL cần nạp là không bị cấm. Các thông tin chi tiết về
giao thức loại trừ này có thể tìm thấy ở http://www.robotstxt.org/wc/norobots.html.
Việc lưu cache các chính sách truy nhập của một số server được truy nhập gần đây là
khá hiệu quả. Điều này cho phép tránh phải truy nhập một file robots.txt mỗi khi cần
nạp một URL. Tuy nhiên, ta cần phải đảm bảo rằng các thông tin trong cache là đủ cập
nhật.
Ví dụ
Ý nghĩa
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Tất cả các máy tìm kiếm có thể thăm tất cả các thư mục
ngoại trừ hai thư mục đề cập ở đây
User-agent: BadBot
Disallow: /
Máy tìm kiếm BadBot không được phép thăm bất cứ thư
mục nào.
User-agent: BadBot
Disallow: /
User-agent:*
Disallow : /private/
Riêng máy tìm kiếm BadBot không được phép thăm bất cứ
thư mục nào còn tất cả các máy tìm kiếm còn lại đều có
quyền thăm tất cả các thư mục ngoại trừ thư mục “private”
2.2.4 Duyệt và phân tích nội dung (parsing)
Sau khi trang web đã được tải về, chúng ta cần duyệt nội dung của nó để lấy ra
các thông tin sẽ được nạp trở lại và giúp định hướng việc đi theo các đường dẫn tiếp
theo của crawler. Việc duyệt nội dung có thể đơn giản chỉ bao hàm việc trích ra các
URL/liên kết mà trang web link tới hay nó có thể bao hàm các xử lý phức tạp như làm
sạch các nội dung HTML để phân tích cấu trúc cây của các thẻ. Việc duyệt có thể bao
gồm các bước để chuẩn hóa các URL được lấy ra, loại bỏ các từ dừng khỏi nội dung
trang web … Các thành phần của bộ duyệt được mô tả ở phần sau.
2.2.4.1. Quá trình lấy ra và chuẩn hóa các URL.
Bộ duyệt HTML đã được xây dựng sẵn trong rất nhiều ngôn ngữ. Chúng cung
cấp các tính năng để dễ dàng xác định các thẻ HTML và liên kết giá trị các cặp thuộc
tính trong một văn bản HTML cho trước. Để lấy ra được các URL hyperlink từ một
trang web, ta có thể sử dụng các bộ duyệt ở trên để tìm các thẻ anchor và lấy ra các giá
trị của thuộc tính href tương ứng. Tuy nhiên, chúng ta cần chuyển các URL tương đối
sang các địa chỉ URL tuyệt đối sử dụng URL cơ sở của trang web nơi chúng được
trích ra.
Các URL khác nhau tương ứng với cùng một trang web có thể được ánh xạ
vào một dạng chuẩn đơn nhất. Điều này rất quan trọng nhằm tránh được việc nạp cùng
một trang web nhiều lần. Sau đây là các bước được sử dụng trong các hàm chuẩn hóa
thông dụng:
– Chuyển giao thức và tên máy chủ sang dạng chữ thường.
Ví dụ: HTTP://www.UIOWA.edu được chuyển thành http://www.uiowa.edu.
–
Loại
bỏ
phần
anchor
hoặc
reference
của
URL.
Do
đó:
http://spiders.uiowa.edu/faq.htm# được thu gọn thành http://spiders.uiowa.edu/faq.htm
– Thực hiện việc mã hóa URL bằng các ký tự thông dụng như ‘~’. Điều này
sẽ ngăn chặn các crawler khỏi bị đánh lừa http://dollar.biz.uiowa.edu/~pant/ là một
URL khác với http://dollar.biz.uiowa.edu/%7Epant/.
– Đối với một số URL, thêm vào dấu ‘/’. http://dollar.biz.uiowa.edu và
http://dollar.biz.uiowa.edu/ phải cùng ánh xạ vào cùng một dạng chuẩn. Việc thêm vào
dấu ‘/’ hay không trong nhiều trường hợp đòi hỏi kinh nghiệm.
– Sử dụng các kinh nghiệm để nhận ra các trang web mặc định. Các tên file
như index.html hay index.htm có thể bị loại khỏi URL bởi chúng vẫn được coi là các
file mặc định. Nếu điều này là đúng, chúng có thể được lấy ra bằng cách chỉ sử dụng
URL cơ sở.
– Loại bỏ ký tự ‘..’ và thư mục cha khỏi đường dẫn URL. Do đó, địa chỉ
URL
/%7epant/Bizlntel/Seeds/../ODPSeeds.dat
được
đơn
giản
hóa
thành
/%7Epant/Bizlnel/ODPSeeds.dat.
– Để lại các số hiệu cổng trong các URL ngoại trừ đó là cổng 80. Một cách
khác là để lại các số hiệu cổng trong URL và thêm cổng 80 nếu số hiệu cổng không
được chỉ định.
2.2.4.2 Loại bỏ các từ dừng và chuyển các dạng thức của từ sang dạng
gốc.
Khi duyệt một trang web để trích ra các thông tin nội dung hoặc để tính điểm
các URL mà trang đó trỏ tới, thông thường ta nên loại bỏ các từ được dùng thường
xuyên hay từ dừng (stopwords) như ‘it’ hay ‘can’ trong Tiếng Anh… Tiến trình xử lý
việc loại bỏ các từ dừng khỏi văn bản được gọi là stoplisting. Ngoài việc xử lý các từ
dừng, ta cũng cần lấy ra từ gốc của các từ có trong văn bản. Quá trình stemming chuẩn
hóa các từ bằng cách đúc kết các hình thái của các từ thành một từ ở dạng gốc hay
stem. Ví dụ: từ connect, connected hay connection đều được đưa về dạng connect.
2.2.4.3 Xây dựng cây các thẻ HTML
Các chương trình crawler có thể đánh giá giá trị của một URL hoặc một từ
trong nội dung trang web bằng cách xem xét ngữ cảnh của các thẻ HTML mà nó thuộc
vào. Để làm được điều này, một crawler cần sử dụng cây các thẻ hoặc cấu trúc DOM
của trang HTML [8,23, 25]. Hình 2 chỉ ra cấu trúc cây của các thẻ tương ứng với văn
bản HTML nguồn. Thẻ được lấy làm gốc của cây các thẻ khác và text tạo
thành các nút của cây. Đáng tiếc là, rất nhiều trang web có cấu trúc HTML không
chuẩn. Ví dụ, một thẻ bắt đầu có thể không có thẻ đóng, hoặc các thẻ không được lồng
nhau một cách hợp lý. Trong nhiều trường hợp, thẻ hoặc
trong trang HTML. Do đó các tiêu chuẩn dựa trên cấu trúc (structure-based criteria)
thường cần có một bước tiền xử lý để chuẩn hóa một văn bản HTML có cấu trúc
không chuẩn, quá trình xử lý này gọi là làm sạch (tidying) các trang HTML. Nó bao
gồm cả việc chèn thêm các thẻ bị thiếu và sắp xếp lại thứ tự các thẻ trong trang. Việc
làm sạch một trang HTML là cần thiết để ánh xạ nội dung của trang vào trong một cấu
trúc cây để đảm bảo tính toàn vẹn, mỗi nút có một cha duy nhất, từ đó phân tích nên
cấu trúc cây của các thẻ. Chú ý rằng việc phân tích cấu trúc DOM chỉ cần thiết nếu
crawler theo chủ điểm có ý định sử dụng cấu trúc của trang HTML cho những phân
tích phức tạp. Còn nếu crawler chỉ cần các liên kết trong một trang, các từ khóa và vị
trí xuất hiện của chúng trong trang web thì chỉ cần sử dụng các bộ duyệt HTML thông
thường. Các bộ duyệt này rất sẵn trong nhiều ngôn ngữ lập trình.
Projects
- LAMP Linkage analysis with multiple processors.
- NICE The network infrastructure for combinatorial exploration.
- AMASS A DNA sequence assembly algorithm.
- DALI A distributed, adaptive, first-order logic theorem prover.
2.3 Crawler đa luồng (Multi-threaded crawler)
Trong một vòng lặp crawling tuần tự có một lượng lớn thời gian trong đó hoặc
CPU là rỗi (quá trình truy cập mạng và đĩa) hoặc giao thức mạng là rỗi (trong khi CPU
đang xử lý). Việc sử dụng đa luồng trong đó mỗi luồng xử lý một vòng lặp crawling có
thể cải thiện được đáng kể tốc độ và hiệu quả sử dụng băng thông mạng. Hình 2.3 thể
hiện một phiên bản đa luồng của một crawler cơ bản trong hình 2.1. Chú ý rằng mỗi
luồng bắt đầu bằng việc khóa frontier để lấy ra URL tiếp theo để crawl. Sau khi lấy
được URL nó mở khóa frontier để cho phép các luồng khác truy cập vào. Khi các URL
được thêm vào, frontier lại bị khóa một lần nữa. Các bước khóa này là cần thiết để
Hình 2.2: Một trang HTML và cấu trúc cây của thẻ tương ứng.
đồng bộ hóa việc sử dụng frontier giờ đây được chia sẻ giữa rất nhiều vòng lặp
crawling (các luồng). Mô hình crawler đa luồng trong hình 2.3 tuân theo tiêu chuẩn
của mô hình máy tính song song. Cần chú ý rằng một crawler điển hình cũng cần duy
trì một cấu trúc history chung để tìm kiếm nhanh các URL đã được crawl. Do đó,
ngoài frontier, các crawler cũng cần đồng bộ các truy cập vào history.
Mô hình crawler đa luồng cũng cần phải giải quyết trường hợp frontier bị rỗng
giống như mô hình crawler tuần tự. Tuy nhiên, vấn đề ở đây không đơn giản như vậy.
Nếu một luồng phát hiện ra frontier là rỗng, nó không tự cho rằng toàn bộ crawler đã
đạt tới trạng thái dead-end. Hoàn toàn có khả năng rằng các luồng khác đang nạp các
trang và có thể thêm các URL mới ngay sau đó. Một cách để giải quyết tình huống này
là gửi cho một luồng một trạng thái nghỉ (sleep state) khi nó gặp một frontier rỗng. Khi
luồng thức dậy, nó cố gắng lấy các URL một lần nữa. Một bộ phận quản lý toàn cục sẽ
đếm số lần các luồng phải nghỉ trong thời gian gần đây. Chỉ khi tất cả các luồng đều đã
ở trạng thái nghỉ thì quá trình crawler mới dừng lại.
Phần này đã mô tả các bộ phận tổng quát cấu thành một crawler. Có những
crawler sẽ hỗ trợ thuật toán mở rộng theo chiều rộng đơn giản, cũng có những thuật
Hình 2.3: Một mô hình crawler đa luồng.
toán crawler liên quan tới cơ chế lựa chọn các URL rất phức tạp. Các vấn đề như kích
thước của frontier, chiến lược duyệt trang, crawler history và kho chứa được xác định
như là các thông số quan trọng và hấp dẫn trong khái niệm về crawler.
2.4. Các thuật toán crawling
Chúng ta cùng xem xét một số thuật toán crawling điển hình. Rất nhiều thuật
toán trong số đó là các biến thể của mô hình tốt nhất đầu tiên (best-first scheme). Sự
khác biệt giữa chúng chính là các kinh nghiệm mà chúng sử dụng để tính điểm cho các
URL chưa được thăm, một số thuật toán còn có thể chỉnh lại giá trị các tham số trước
hoặc trong quá trình crawl.
2.4.1 Thuật toán Naïve tốt nhất đầu tiên
Các crawler áp dụng thuật toán này biểu diễn một trang web đã được tải như là
một vector các từ được đánh trọng số dựa trên số lần xuất hiện của từ đó. Chương trình
crawler sau đó tính toán mức độ tương tự của trang web với câu truy vấn hoặc câu mô
tả của người dùng, và tính điểm các URL chưa được viếng thăm trong trang web đó
bằng giá trị tương tự đó. Sau đó các URL được thêm vào frontier được quản lý dưới
dạng một hàng đợi ưu tiên dựa trên các điểm được tính đó. Trong các vòng lặp tiếp
theo, mỗi luồng của crawler lấy ra URL tốt nhất trong frontier để crawl, và trả về các
URL chưa được thăm mới, và chúng lại tiếp tục được thêm vào hàng đợi ưu tiên sau
khi đã được tính điểm dựa trên mức độ tương tự của trang web cha. Mức độ tương tự
giữa trang p và câu truy vấn q được tính bởi.
||
||
.
||
||
.
)
,
(
p
q
p
q
v
v
v
v
p
q
sim
=
(1)
Trong đó vq và vp tương ứng là các vector biểu diễn số lần xuất hiện hay mức
độ thường xuyên (term frequency) TF của các từ trong câu truy vấn và trong trang
web. vq.vp là tích vô hướng của hai vector và ||v|| là chuẩn Euclidean của vector v. Các
biểu diễn vector phức tạp hơn của trang web như mô hình TF-IDF thường được sử
dụng trong lĩnh vực information retrieve, là rất khó áp dụng trong các crawler do nó
đòi hỏi hiểu biết trước về việc phân phối các từ khóa (term) trong toàn trang web được
tải về. Trong việc thực thi đa luồng, các crawler thường hoạt động như các crawler N
tốt nhất đầu tiên (best-N-first) trong đó N là một hàm số của số lượng các luồng chạy
đồng thời. Do đó N tốt nhất đầu tiên là phiên bản tổng quát hóa của crawler tốt nhất
