Search Engines lecture2

Information about Search Engines lecture2

Published on January 12, 2008

Author: Melissa1

Source: authorstream.com

Content

INF 2914 Web Search:  INF 2914 Web Search Lecture 2: Crawlers Today’s lecture:  Today’s lecture Crawling Basic crawler operation:  Basic crawler operation Begin with known “seed” pages Fetch and parse them Extract URLs they point to Place the extracted URLs on a queue Fetch each URL on the queue and repeat Crawling picture:  Crawling picture Unseen Web Seed pages Simple picture – complications:  Simple picture – complications Web crawling isn’t feasible with one machine All of the above steps distributed Even non-malicious pages pose challenges Latency/bandwidth to remote servers vary Webmasters’ stipulations How “deep” should you crawl a site’s URL hierarchy? Site mirrors and duplicate pages Malicious pages Spam pages Spider traps – incl dynamically generated Politeness – don’t hit a server too often What any crawler must do:  What any crawler must do Be Polite: Respect implicit and explicit politeness considerations for a website Only crawl pages you’re allowed to Respect robots.txt (more on this shortly) Be Robust: Be immune to spider traps and other malicious behavior from web servers What any crawler should do:  What any crawler should do Be capable of distributed operation: designed to run on multiple distributed machines Be scalable: designed to increase the crawl rate by adding more machines Performance/efficiency: permit full use of available processing and network resources What any crawler should do:  What any crawler should do Fetch pages of “higher quality” first Continuous operation: Continue fetching fresh copies of a previously fetched page Extensible: Adapt to new data formats, protocols Updated crawling picture:  Updated crawling picture Unseen Web Seed Pages URL frontier Crawling thread URL frontier:  URL frontier Can include multiple pages from the same host Must avoid trying to fetch them all at the same time Must try to keep all crawling threads busy Explicit and implicit politeness:  Explicit and implicit politeness Explicit politeness: specifications from webmasters on what portions of site can be crawled robots.txt Implicit politeness: even with no specification, avoid hitting any site too often Robots.txt:  Robots.txt Protocol for giving spiders (“robots”) limited access to a website, originally from 1994 www.robotstxt.org/wc/norobots.html Website announces its request on what can(not) be crawled For a URL, create a file URL/robots.txt This file specifies access restrictions Robots.txt example:  Robots.txt example No robot should visit any URL starting with "/yoursite/temp/", except the robot called “searchengine": User-agent: * Disallow: /yoursite/temp/ User-agent: searchengine Disallow: Processing steps in crawling:  Processing steps in crawling Pick a URL from the frontier Fetch the document at the URL Parse the URL Extract links from it to other docs (URLs) Check if URL has content already seen If not, add to indexes For each extracted URL Ensure it passes certain URL filter tests Check if it is already in the frontier (duplicate URL elimination) E.g., only crawl .edu, obey robots.txt, etc. Which one? Basic crawl architecture:  Basic crawl architecture WWW Fetch DNS Parse Content seen? URL filter Dup URL elim Doc FP’s URL set URL Frontier robots filters DNS (Domain Name Server):  DNS (Domain Name Server) A lookup service on the internet Given a URL, retrieve its IP address Service provided by a distributed set of servers – thus, lookup latencies can be high (even seconds) Common OS implementations of DNS lookup are blocking: only one outstanding request at a time Solutions DNS caching Batch DNS resolver – collects requests and sends them out together Parsing: URL normalization:  Parsing: URL normalization When a fetched document is parsed, some of the extracted links are relative URLs E.g., at http://en.wikipedia.org/wiki/Main_Page we have a relative link to /wiki/Wikipedia:General_disclaimer which is the same as the absolute URL http://en.wikipedia.org/wiki/Wikipedia:General_disclaimer During parsing, must normalize (expand) such relative URLs Content seen?:  Content seen? Duplication is widespread on the web If the page just fetched is already in the index, do not further process it This is verified using document fingerprints or shingles Filters and robots.txt :  Filters and robots.txt Filters – regular expressions for URL’s to be crawled/not Once a robots.txt file is fetched from a site, need not fetch it repeatedly Doing so burns bandwidth, hits web server Cache robots.txt files Duplicate URL elimination:  Duplicate URL elimination For a non-continuous (one-shot) crawl, test to see if an extracted+filtered URL has already been passed to the frontier For a continuous crawl – see details of frontier implementation Distributing the crawler:  Distributing the crawler Run multiple crawl threads, under different processes – potentially at different nodes Geographically distributed nodes Partition hosts being crawled into nodes Hash used for partition How do these nodes communicate? Communication between nodes:  Communication between nodes The output of the URL filter at each node is sent to the Duplicate URL Eliminator at all nodes WWW Fetch DNS Parse Content seen? URL filter Dup URL elim Doc FP’s URL set URL Frontier robots filters Host splitter To other hosts From other hosts URL frontier: two main considerations:  URL frontier: two main considerations Politeness: do not hit a web server too frequently Freshness: crawl some pages more often than others E.g., pages (such as News sites) whose content changes often These goals may conflict each other. Politeness – challenges:  Politeness – challenges Even if we restrict only one thread to fetch from a host, can hit it repeatedly Common heuristic: insert time gap between successive requests to a host that is >> time for most recent fetch from that host URL frontier: Mercator scheme:  URL frontier: Mercator scheme Prioritizer Biased front queue selector Back queue router Back queue selector K front queues B back queues Single host on each URLs Crawl thread requesting URL Mercator URL frontier:  Mercator URL frontier Front queues manage prioritization Back queues enforce politeness Each queue is FIFO Front queues:  Front queues Prioritizer 1 K Biased front queue selector Back queue router Front queues:  Front queues Prioritizer assigns to URL an integer priority between 1 and K Appends URL to corresponding queue Heuristics for assigning priority Refresh rate sampled from previous crawls Application-specific (e.g., “crawl news sites more often”) Biased front queue selector:  Biased front queue selector When a back queue requests a URL (in a sequence to be described): picks a front queue from which to pull a URL This choice can be round robin biased to queues of higher priority, or some more sophisticated variant Can be randomized Back queues:  Back queues Biased front queue selector Back queue router Back queue selector 1 B Heap Back queue invariants:  Back queue invariants Each back queue is kept non-empty while the crawl is in progress Each back queue only contains URLs from a single host Maintain a table from hosts to back queues Back queue heap:  Back queue heap One entry for each back queue The entry is the earliest time te at which the host corresponding to the back queue can be hit again This earliest time is determined from Last access to that host Any time buffer heuristic we choose Back queue processing:  Back queue processing A crawler thread seeking a URL to crawl: Extracts the root of the heap Fetches URL at head of corresponding back queue q (look up from table) Checks if queue q is now empty – if so, pulls a URL v from front queues If there’s already a back queue for v’s host, append v to q and pull another URL from front queues, repeat Else add v to q When q is non-empty, create heap entry for it Number of back queues B:  Number of back queues B Keep all threads busy while respecting politeness Mercator recommendation: three times as many back queues as crawler threads Determinando a frequência de atualização de páginas:  Determinando a frequência de atualização de páginas Estudar políticas de atualização de uma base de dados local com N páginas As páginas na base de dados são cópias das páginas encontradas na Web Dificuldade Quando uma página da Web é atualizada o crawler não é informado Framework:  Framework Medindo o quanto o banco de dados esta atualizado Freshness F(ei,t)=1 se a página ei esta atualizada no instante 1 e 0 caso contrário F(S,t): Freshness médio da base de dados S no instante t Age A(ei,t) = 0 se ei esta atualizada no instante t e t-tm(ei) onde tm é o instante da última modificação de ei A(S,t) : Age médio da base de dados S no instante t Framework:  Framework Utiliza-se o freshness (age) médio ao longo do tempo para comparar diferentes políticas de atualização de páginas Framework:  Framework Processo de Poisson (N(t)) Processo estocástico que determina o número de eventos ocorridos no intervalo [0,t] Propriedades Processo sem memória: O número de eventos que ocorrem em um intervalo limitado de tempo após o instante t independe do número de eventos que ocorreram antes de t Framework:  Framework Hipótese: Um processo de Poisson é uma boa aproximação para o modelo de modificação de páginas Probabilidade de uma página ser modificada pelo menos uma vez no intervalo (0,t] Quanto maior a taxa , maior a probabilidade de haver mudança Framework:  Framework Probabilidade de uma página ser modificada pelo menos uma vez no intervalo (0,t] Quanto maior a taxa , maior a probabilidade de haver mudança Framework:  Framework Evolução da base de dados Taxa uniforme de modificação (único ) É razoável quando não se conhece o parâmetro Taxa não uniforme de modificação (um  diferente para cada página) Políticas de Atualização:  Políticas de Atualização Frequência de Atualização Deve-se decidir quantas atualizações podem ser feitas por unidade de tempo Assumimos que os N elementos são atulizados em I unidades de tempo Diminuindo I aumentamos a taxa de atualização A relação N/I depende do número de cralwlers, banda disponível, banda nos servidores, etc. Políticas de Atualização:  Políticas de Atualização Alocação de Recursos Após decidir quantos elementos atualizar devemos decidir a frequência de atualização de cada elemento Podemos atualizar todos elementos na mesma taxa ou atualizar mais frequentemente elementos que se modificam com maior frequência Políticas de Atualização:  Políticas de Atualização Exemplo Um banco de dados contem 3 elementos {e1,e2,e3} As taxas de modificação 4/dia , 3/dia e 2/dia, respectivamente. São permitidas 9 atualizações por dia Com que taxas as atualizações devem ser feita ? Políticas de Atualização:  Políticas de Atualização Política Uniforme 3 atualizações / dia para todas as páginas Política Proporcional: e1: 4 atualizações / dia e2: 3 atualizaões /dia e3: 2 atualizações /dia Qual da políticas é melhor ? Política ótima:  Política ótima Calculando a frequência de atualização ótima. Dada uma frequência média f=N/I e a taxa média  i para cada página, deve-se calcular a frequência fi com que cada página i deve ser atualizada Política Ótima:  Política Ótima Considere um banco de dados com 5 elementos e com as seguintes taxas de modificação 1,2,3,4 e 5. Assumindo que 5 atualizações por dias são possíveis. Política Ótima:  Política Ótima Frequência de atualização ótima. Para maximizar o freshness temos a seguinte curva Política Ótima:  Política Ótima Maximizando o Freshenss Páginas que se modificam pouco devem ser pouco atualizadas Páginas que se modificam demais devem ser pouco atualizadas Uma atualização consome recurso e garante o freshness da página atualizada por muito pouco tempo Experimentos:  Experimentos Foram escohidos 270 sites. Para cada um destes 3000 páginas são atualizadas todos os dias. Experimentos realizados de 9PM as 6AM durante 4 meses 10 segundos de intervalo entre requisições ao mesmo site Estimando frequências de modificação:  Estimando frequências de modificação O intervalo médio de modificação de uma página é estimado dividindo o período em que o experimento foi realizado pelo total de modificações no período Experimentos:  Experimentos Verificação do processo de Poisson Seleciona-se as páginas que se modificam a uma taxa média (e.g. a cada 10 dias) e plota-se a distribuição do intervalo de mudanças Verificando o Processo de Poisson :  Verificando o Processo de Poisson Eixo horizontal: tempo entre duas modificações Eixo vertical: fração das modificações que ocorreram no dado intervalo As retas são as predições Para a páginas que se modificam muito e páginas que se modificam muito pouco não foi possível obter conclusões. Alocação de Recursos:  Alocação de Recursos Baseado nas frequências estimadas, calcula-se o freshness esperado para cada uma das três políticas consideradas. Consideramos que é possível visitar 1Gb páginas/mês Resources:  Resources IIR 20 See also Effective Page Refresh Policies For Web Crawlers Cho& Molina Trabalho 2 - Proposta:  Trabalho 2 - Proposta Estudar políticas de atualização de páginas Web Effective Page Refresh Policies For Web Crawlers Optimal Crawling Strategies for Web Search Engines User-centric Web crawling http://www.cs.cmu.edu/~olston/publications/wic.pdf Trabalho 3- Proposta:  Trabalho 3- Proposta Estudar políticas para distribuição de Crawlers Parallel Crawlers Realizar pesquisa bibliográfica em artigos que citam este Parallel crawling:  Parallel crawling Why? Aggregate resources of many machines Network load dispersion Issues Quality of pages crawled (as before) Communication overhead Coverage; Overlap Parallel crawling approach [Cho+ 2002]:  Parallel crawling approach [Cho+ 2002] Partition URL’s; each crawler node responsible for one partition many choices for partition function e.g., hash(host IP) What kind of coordination among crawler nodes? 3 options: firewall mode cross-over mode exchange mode Coordination of parallel crawlers:  Coordination of parallel crawlers i h g f e d a c b crawler node 1 crawler node 2 modes:  firewall  cross-over  exchange Empirical findings by Cho+:  Empirical findings by Cho+ Firewall has acceptable coverage if number of crawler nodes small (<= 4) Exchange incurs small overhead (< 1% of network bandwidth) Can reduce exchanges by replicating the most popular URL’s Trabalho 4 - Proposta:  Trabalho 4 - Proposta Google File System Map Reduce http://labs.google.com/papers.html Trabalho 5 - Proposta:  Trabalho 5 - Proposta XML Parsing, Tokenization, and Indexing

Related presentations


Other presentations created by Melissa1

Music Of India Powerpoint
15. 01. 2008
0 views

Music Of India Powerpoint

Serway CP poll ch24
09. 01. 2008
0 views

Serway CP poll ch24

Topic 4 07
10. 01. 2008
0 views

Topic 4 07

bv minho
11. 01. 2008
0 views

bv minho

lesson 10
13. 01. 2008
0 views

lesson 10

pp20
18. 01. 2008
0 views

pp20

LatinWords
19. 01. 2008
0 views

LatinWords

biswasllect3
22. 01. 2008
0 views

biswasllect3

SC tudor buildings
23. 01. 2008
0 views

SC tudor buildings

Successful Soul Winning
05. 02. 2008
0 views

Successful Soul Winning

Agricultural Ecology
07. 02. 2008
0 views

Agricultural Ecology

Middle Ages Intro
12. 02. 2008
0 views

Middle Ages Intro

5 systems
06. 02. 2008
0 views

5 systems

Cinco de Mayo Team A
13. 02. 2008
0 views

Cinco de Mayo Team A

56177
17. 01. 2008
0 views

56177

ergonomics homeoffice
05. 03. 2008
0 views

ergonomics homeoffice

Dr Nicole Gurran
11. 03. 2008
0 views

Dr Nicole Gurran

zadeh 2005
15. 03. 2008
0 views

zadeh 2005

lecture02
19. 03. 2008
0 views

lecture02

bestprac
21. 03. 2008
0 views

bestprac

RobertHuggins
07. 02. 2008
0 views

RobertHuggins

a4 choi sld
08. 04. 2008
0 views

a4 choi sld

20064209207280
30. 01. 2008
0 views

20064209207280

2461
16. 04. 2008
0 views

2461

Greening events13jan06
24. 04. 2008
0 views

Greening events13jan06

08Psychopathology
18. 02. 2008
0 views

08Psychopathology

IL IOF Compressed Air
11. 02. 2008
0 views

IL IOF Compressed Air

Transport lecture7 China
08. 05. 2008
0 views

Transport lecture7 China

egr403f04team05pres
05. 02. 2008
0 views

egr403f04team05pres

gec hongwei mao
02. 05. 2008
0 views

gec hongwei mao

Psychology of customers
04. 02. 2008
0 views

Psychology of customers

MercGemApollo
21. 01. 2008
0 views

MercGemApollo

ETS07 AdvTFH FINAL PPT
10. 01. 2008
0 views

ETS07 AdvTFH FINAL PPT

bethers
17. 01. 2008
0 views

bethers

CBMA Kohler
24. 01. 2008
0 views

CBMA Kohler

Retiree Dental Presentation1
08. 01. 2008
0 views

Retiree Dental Presentation1

pres esa 05
20. 02. 2008
0 views

pres esa 05

Mo0PC09 03 Monika Doshi
04. 02. 2008
0 views

Mo0PC09 03 Monika Doshi