網(wǎng)站資源信息自動采集技術(shù)

馬浩銘

(新疆質(zhì)信通工程檢測技術(shù)有限公司，新疆 烏魯木齊 830011)

1 信息采集器

1.1 Index程序的參數(shù)設(shè)置

-n number 索引指定數(shù)目的文檔后退出。注意：在運行index-n number后，運行index-D程序。如果用戶使用多線程，索引的文檔數(shù)目會比預(yù)定的值高一些。

-N number 設(shè)置運行索引線程的數(shù)量。只有對多個網(wǎng)站進(jìn)行索引時，多線程索引才有意義。兩個線程或多個線程不能同時對同一站點進(jìn)行索引。

-R number 運行解析進(jìn)程的數(shù)目。默認(rèn)是線程數(shù)/5+1。如果用戶的服務(wù)器解析慢的時候，用戶需要增加默認(rèn)值。

1.2 重新索引控制參數(shù)設(shè)置

-a 重新索引所有的文檔，并忽略文檔的失效狀態(tài)。默認(rèn)情況下，只有比Period時間早的文檔才被重新索引。

-m 存儲文檔中詞和超鏈接，忽略文檔的修改狀態(tài)。沒有這個參數(shù)時，只有修改的文檔才會被重新索引。

-o 優(yōu)先抓深度淺的文檔。這里的跳躍指的是文檔的深度值。

-M繼續(xù)索引先前索引任務(wù)的URLs。這些URLs會被存儲在臨時MySQL數(shù)據(jù)庫中，這常用于調(diào)試目的。

1.3 實時數(shù)據(jù)庫索引選項

-T URL索引URL到實時數(shù)據(jù)庫中，需要注意的是，用戶不能增加太多的文檔到實時數(shù)據(jù)庫中，否則檢索實時數(shù)據(jù)庫會非常地慢。實際上實時數(shù)據(jù)庫文檔的限制是依賴于硬件的，大約1000個urls，效果會比較好。實時數(shù)據(jù)庫的文檔歸并到主數(shù)據(jù)庫的命令是index-D。這個參數(shù)選項在重新索引經(jīng)常需要改變的網(wǎng)頁時候非常有用。用戶可以及時地看到結(jié)果，用戶可以使用-A參數(shù)一起使用。

1.4 清理數(shù)據(jù)庫

-C清理數(shù)據(jù)庫。用戶可以控制參數(shù)來限制清理數(shù)據(jù)庫的范圍。注意：清理規(guī)模較大的數(shù)據(jù)庫的速度會很慢。從文件中讀取將要被索引、插入、清除的URLs。用戶使用-做文件名，則URL列表將從標(biāo)準(zhǔn)輸入進(jìn)行讀取。另外，指定抓取的網(wǎng)頁需明確。

1.5 輸出

-r file重定位信息輸出到指定file。

-g file設(shè)置index程序的統(tǒng)計信息的日志文件。

1.6 停止index程序

-E安全地停止已經(jīng)運行的index程序。

2 守護(hù)進(jìn)程模塊

Searchd是一個搜索守護(hù)進(jìn)程，自動采集器利用這個守護(hù)進(jìn)程，搜索index程序創(chuàng)建的數(shù)據(jù)庫，緩存搜索結(jié)果等。它主要是監(jiān)聽s.cgi查詢的端口，執(zhí)行搜索指令并返回s.cgi查詢的結(jié)果。Searchd為了加速搜索的速度——從數(shù)據(jù)庫一些數(shù)據(jù)加載到內(nèi)存。如果硬盤的數(shù)據(jù)改變，Searchd程序會重新加載。

2.1 基本命令參數(shù)

-D 運行searchd程序作為守護(hù)進(jìn)程。用戶每次運行searchd，都需要使用這個參數(shù)。

-R 在searchd失敗的時候，能夠自動重新啟動searchd守護(hù)進(jìn)程。如果用戶使用這個選項，搜索引擎將不會停止。

-l logfile設(shè)置searchd將日志寫入日志文件中。

2.2 錯誤日志

如果在啟動searchd的時候，端口被其他程序占用，用戶不能從控制臺獲得錯誤信息，只能從日志文件中獲取，所以，在每次啟動searchd程序的時候，首先要檢查是否有其他程序占有該端口號，或者在searchd程序啟動后，檢查日志文件。

3 主要技術(shù)指標(biāo)及軟硬件環(huán)境

采用面向?qū)ο蟮脑O(shè)計思路，可以運行在常用的32位或64位Linux操作系統(tǒng)上，后臺數(shù)據(jù)庫采用MySQL 5.1，支持GBK、BIG5、UTF8、UNICODE等多種編碼格式，可以定制采集網(wǎng)址、欄目，支持分頁采集與網(wǎng)頁內(nèi)容動態(tài)采集。

后臺數(shù)據(jù)庫名為searchDB，庫中的表名、字段名主要都是參照相應(yīng)的英文名稱命名的，如：wordurl表示“關(guān)鍵詞所對應(yīng)的url表”。管理數(shù)據(jù)庫可以使用命令行工具管理MySQL數(shù)據(jù)庫(命令mysql和 mysqladmin)，也可以從MySQL的網(wǎng)站下載圖形管理工具M(jìn)ySQL Administrator和MySQL Query Browser，也可以采用更方便操作的phpMyAdmin通過Web界面管理后臺數(shù)據(jù)庫。軟件安裝所需的具體硬件環(huán)境和軟件支持要求如下：

3.1 硬件環(huán)境(表1)

表1 硬件環(huán)境最低要求

3.2 軟件環(huán)境(表2)

4 結(jié)語

筆者重點介紹了網(wǎng)站資源信息自動采集功能模塊的相關(guān)技術(shù)，該采集器可做到在指定url種子中的相關(guān)欄目信息更新后，執(zhí)行采集器采集信息時只采集最新的欄目，不重復(fù)采集，且采集過來的內(nèi)容比較完整，只需簡單調(diào)整一下字體格式便可快速發(fā)布，簡單實用。該功能在本公司上線投入運行以來，給網(wǎng)站發(fā)布人員工作帶來了極大的便利，取得了令人滿意的應(yīng)用效果。

表2 軟件環(huán)境要求