Arama Motoru Ajanlari (Search Engine Spiders)
Özet
Internet günden güne büyüyor, milyonlarca dosya ve resim barındırıyor.
Bununla birlikte insanlar bilgilere ulaşabilmek için çevrimiçi
servislere bel bağlıyorlar. Tabi ki bu bilgilere en sağlıklı
ulaşabilecekleri servisleri tercih ediyorlar. Bu nedenle Arama
Motorları büyük önem kazanıyor. Arama motorları dediğimizde ilk akla
gelen internet tarayıcımızda gördüğümüz sayfa olsa da, aslında işin
arka tarafında birçok servis çalışmakta. Bu servisler kullanıcıların
ulaşacağı verilerin sağlıklı, taze ve mantıklı olmasını sağlıyor. Arama
Motoru Ajanları (Search Engine Agents) da bu servislerin bel kemiğini
oluşturuyor. Temel olarak aranacak olan bilgileri tarayıp, düzgün ve
belirli bir mantık çerçevesinde kaydediyorlar. Bu yazıda Arama Motoru
Ajanlarının çıkış nedenleri ve mimarisi hakkında bilgiler bulunmaktadır.
Giriş
Bizim arama motorlarında arama yapmamızdan önce o dosya ve belgelerin
bir şekilde bulunup kaydedilmesi gerekiyor. Bunlar için Ajanlar veya
örümcekler isminde özel yazılımlar geliştiriliyor. Bu yazılımlar
internet adreslerini ve içeriklerini kaydediyorlar. Bu kayıtların
yapıldığı sayfalardaki linkleri takip ederek sayfadan sayfaya
geçiyorlar. Böylelikle milyonlarca siteye ulaşabiliyorlar. Bu
programlar otomatik olarak her bulduğu linkleri gezmektedirler.
Bu ajanların bulduğu web adreslerinin içeriğini kaydeden başka
ajanlarda mevcut. Bu ajanlarda kaydettikleri verileri belirli mantıkta
sıkıştırıp saklamaktadır.
Bu ajanların dışında siteler için öncelik sırası belirlemek amacıyla
çeşitli ajanlar çalışmaktadır. Bunlar o siteye ne kadar link verildiği,
bu linklerin karşılığının olup olmadığını karşılaştırarak o site için
bir önem puanı vermektedir. Bu sayede önemli görülen siteler aramalarda
üst sıralarda yer alabilmektedir.
Ajanlar Nasıl Çalışır?
Ajanlar arama motorlarının birer parçası olarak arkaplanda
çalışmaktadır. Performans ve güvenilirlik en önemli noktalar. Ajanların
çalışma performansı internet bağlantısının hızına ve bağlandığı sitenin
hızına göre değişmektedir. Temel olarak ajanlar aşağıdaki adımları
takip etmektedir:
Sayfayı tamamen kaydet.
Kaydedilen sayfadayı parçalara ayırarak içerisindeki tüm linkleri al.
Alınan tüm linkler için işlemi tekrar et.
Ajan herhangi bir Internet veya Intranet adresinden başlayarak
sayfaları kaydeder. Her kaydettiği sayfada yeni adresler ile
karşılaştığı için sürekli olarak kayıt işlemine devam edecektir.
Problemler
Internetin büyüme hızı ve web sayfalarının sayının artması altında
örümceklerimiz ezildi.Büyük çapta hizmet gösteren ajanlar yüksek sayıda
web adresi (URL) olması sebebiyle çeşitli problemlerle karşılaşmaya
başladılar. Hazır olan tüm sitelerini gezip, taramak ve bunları
hafızaya almak çok zor olmaya başladı. Diğer bir yandan bu toplanan
verileri diskte yazmakta performans açısından çokda verimli olmamaya
başladı. Milyarlarca web sitesini kaydedebilmek için terabytelarca iyi
yönetilen disk alanı gerekiyor.
Evre Takası
Sağladıkları avantajlar ile birlikte ajanlarımızın yol açtığı
sorunlarda meydana gelmeye başladı. Aynı anda birçok sayfası kaydedilen
bir sunucuda fazladan bir yük binmeye ve yavaşlamalara yol açmaya
başladı. Bu nedenle daha kibar ajanların hazırlanması gerekti, aynı
anda sunucudan fazla veri çekmemeleri için.
Ajanların aynı sunucu üzerinden aynı anda veri çekmesini düzenlemek
amacıyla “Evre Takası (Phase Swapping)” metodunu kullanıyoruz. Takas
etmek problemin tek çözümü olmasa da başarılı çözümlerden bir tanesi.
Aşağıdaki şekildeki gibi aynı sunuculardaki verileri parçalara
ayırıyoruz. Daha sonra aynı satırda olan adreslerden sadece bir
tanesine gidip, diğer satıra gidiyoruz. Zamanımız arttığı için sütun
sayımızı da artıyoruz. Bunun neticesinde aşağıda ki şekilde görülen
çapraz şekilde giden bir yapı oluşuyor. Bu yapıyla birlikte aynı anda
aynı sunucu üzerinden veri çekmemiş oluyoruz.
Evre Takası
Site Adresi Sıkıştırma (URL Compression)
Ajanlarımız tüm adresleri kaydetmek durumundalar. Bunun için bu
adresleri saklarken bir sıkıştırma algoritması kullanmamız gerekiyor,
bu algoritma hem hızlı saklanabilmeli, aranabilmeli aynı zaman hızlı
geri dönüşüm sağlayabilmeli.
Kullanacağımız algoritma sunucuların birbirleriyle bağlanma
ilkelerine benziyor. Algoritmamız da site adresleri kök (root) ve
kuyruk (tail) olmak üzere ikiye ayrılıyor. Bir kök dizinin altında ağaç
yapısı şeklinde kuyruklar sıralanıyorlar, bu kuyruklar sıralanırken
çeşitli köklere bağlanabiliyorlar. Aynı site için birden fazla adres
olabileceği içinde yansılar ayrıca belirtiliyor, böylece farklı adreste
yayın yapan iki farklı site 2 kez kaydedilmemişte oluyor.
Arama Motorları ;Bilgi Tekrarları
Anahtar Kelimeler
Örümcek (Spider), İndeksleyici (Indexer), Depolama (Repository), Döküman İndeksleyici (Document indexer), Robot
Kaynaklar
* High Performance Large Scale Web Spider Architecture, Kasom Koht-arsa ve Surasak Sanguanpong
* A Bandwidth Friendly Search Engine, Clare Bradford ve Ian.W.Marshall
* Exploiting a Search Engine to Develop More Flexible Web Agents, Shou-de Lin ve Craig A. Knoblock
* How search engine work and a web crawler application, Monica Peshave
* http://www-db.stanford.edu/~backrub/google.html
*** Bu makale alıntıdır. Hasan Yaşar’a çok teşekkür ederiz. Orijinal makaleyi aşağıdaki linkten edinebilirsiniz:
Arama Motoru Ajanlari (Search Engine Spiders)
http://www.hasanyasar.com/2006/06/arama-motoru-ajanlari-search-engine.html