Оглавление

ВВЕДЕНИЕ 2

Глава1 3

1.1 История возникновения WWW 3

1.2 Понятие гипертекста 4

Глава 2 5

2.1 Краткая история развития поисковых систем Internet 5

2.2 Состав и принципы работы поисковой системы Internet 6

2.3 Основные характеристики поисковой системы Internet 8

2.4 Обзор основных Российских поисковых Internet - систем 11

Глава 3 15

3.1.Метапоисковая система Internet 15

3.2.Принцип работы метапоисковой системы 15

ЗАКЛЮЧЕНИЕ 18

Cписок источников и литературы: 19

Глоссарий 20 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

ВВЕДЕНИЕ

     Потребность формирования единого мирового информационного  пространства привели к созданию глобальной компьютерной сети Internet. В настоящее врем на более чем 150 миллионах компьютеров, подключенных к Internet, хранится громадный объем информации (сотни миллионов файлов, документов и т.д.). Глобальная сеть Internet   привлекает пользователей своими информационными ресурсами и сервисами (услугами), которыми пользуются около миллиарда человек во всех странах мира.

     Internet - это крупнейшая мировая компьютерная сеть, которая:

• логически взаимосвязана пространством глобальных уникальных адресов, основанных на Internrt – протоколе (IP) или последующих расширениях или преемниках IP.
• способна поддерживать коммуникации с использованием семейства Протокола управления передачей/Internet-протокола (TCP/IP) или его последующих расширений/преемников и/или других IP совместимых протоколов.
• обеспечивает, использует или делает доступной на общественной или частной основе высокоуровневые сервисы, надстроенные над описанной здесь коммуникационной и иной связанной с ней структурой. 

Бурное  развитие сети Internet, которое происходило на протяжении 90-х годов, обусловлено в первую очередь появлением новой технологии WWW(World Wide Web).

World Wide Web (или всемирная паутина) – это десятки миллионов Web-серверов Internet,

содержащих Web-страницы, в которых используется технология гипертекста. Она позволяет доставлять и обрабатывать информацию, содержащуюся в специально отформатированных документах, и включает в себя три основных компонента: Hypertext Markup Lahguage (HTML), HyperText Transfer Protocol (HTTP), Universal Resource Locator (URL).

     Применяемый в сети протокол TCP/IP (Transmission Control Protocol/Internetwork Protocol - протокол управления передачей/межсетевой протокол) разработан с учетом того, чтобы компьютеры всех видов могли совместно использовать сетевые средства и непосредственно взаимодействовать друг с другом как одна эффективно интегрированная компьютерная сеть.

Глава1 

  1.1 История возникновения WWW

В последнее  время часто приходится слышать, что WWW (World Wide Web) - это очень просто. Однако за этой кажущейся простотой скрывается хорошо продуманная сложная система. При этом следует заметить, что система бурно развивается.

     В 1989 году Т. Бернерс-Ли предложил проект "World Wide Web: Proposal for HyperText Project" , он считал, что информационная система, построенная на принципах гипертекста, должна объединить все множество информационных ресурсов CERN, которое состояло из базы данных отчетов, компьютерной документации, списков почтовых адресов, информационной реферативной системы, наборов данных результатов экспериментов и т.п. Гипертекстовая технология должна была позволить легко "перепрыгивать" из одного документа в другой.

     В октябре 1990 года проект стартовал. К рождеству "задышал" line mode browser, разработке которого придавалось особое значение, т.к. он открывал доступ к системе через telnet, а в марте его можно было уже демонстрировать. Через год в Internet был установлен анонимный telnet для доступа в систему. Первое сообщение об WWW было послано в телеконференции в августе 1991 года.

     Прошло  еще целых полтора года до того момента, когда программа Mosaic, разработанная Марком Андресеном (Mark Andressen) из Национального Центра Суперкомпьютерных Приложений (NCSA), и построенная на принципах WWW, обеспечила бурный рост популярности "паутины" в Internet.

     Мультипротокольный переносимый интерфейс в WWW, создание которого начала Группа Разработки Программного Обеспечения NCSA, был назван Mosaic. Пробная версия программы была закончена в первой половине 1993 года, а в августе 1993 была анонсирована альфа-версия для Internet.

     Следует отметить, что сам проект Mosaic внес огромный вклад в развитие спецификаций World Wide Web, существенно обогатив различные компоненты системы. Разработчики Mosaic ввели в стандарты WWW большое количество новшеств. С самого начала Mosaic разрабатывалась как программа с возможностями доступа к ресурсам Internet посредством различных протоколов, в число которых входили FTP, telnet, NNTP, SMTP. Mosaic на некоторое время затмила разработки CERN. Однако эта группа имела хорошо продуманную стратегию развития системы, которая включала в себя следующие основные моменты: разработка и поддержка стандартов спецификаций системы, разработка библиотеки свободно распространяемых мобильных кодов системы, полного комплекта средств, обеспечивающих разработку и реализацию компонентов системы на любом типе компьютера в сети, подготовка набора справочных и демонстрационных документов о состоянии сети и направлениях ее развития. Данная стратегия позволила распространять программное обеспечение, разработанное в рамках проекта в Internet, а наличие line mode browser'а позволила открыть возможности WWW для огромной аудитории пользователей алфавитно-цифровых устройств, подключенных в сеть. К 1995 году были разработаны программы - браузеры Netscape , Arena , Chimera .

     Следующим важным этапом развития технологии World Wide Web стало появление весной 1995 года языка программирования Java, анонсированного компанией Sun Microsystems. Если быть более точным, то прямое отношение к World Wide Web имеет не сам язык, а мобильные коды и возможность их интерпретации программами просмотра Web. Создав свой браузер (программу просмотра) HotJava, Sun смогла продемонстрировать, что идеология интерпретации языка разметки документов может быть расширена. В страницы теперь можно стало встраивать фрагменты программ, которые после передачи по сети активировались на компьютере пользователя, расширяя тем самым концепцию распределенных вычислений.

     К этому времени кроме Java появились еще и языки управления сценариями просмотра документов, самым известным из которых стал JavaScript. Тем самым, к середине 1996 года технология World Wide Web превратилась в полноценную гипертекстовую технологию, которая стала позволять решать большинство из тех задач, до которых доросли локальные гипертекстовые системы.

       1.2 Понятие гипертекста

     В это время в мире информационных технологий наблюдался повышенный интерес к новому и модному в то время направлению - гипертекстовым системам. Сама идея, но не термин, была введена В.Бушем в 1945 году в предложениях по созданию электромеханической информационной системы Memex. Несмотря на то, что Буш был советником по науке президента Рузвельта, она не была реализована. Идея гипертекстовой информационной системы состоит в том, что пользователь имеет возможность просматривать документы (страницы текста) в том порядке, в котором ему это больше нравится, а не последовательно, как это принято при чтении книг. Т.Нельсон  определил гипертекст как нелинейный текст. Достигается это путем создания специального механизма связи различных страниц текста при помощи гипертекстовых ссылок, т.е. у обычного текста есть ссылки типа "следующий-предыдущий", а у гипертекста можно построить еще сколь угодно много других ссылок.

Глава 2

2.1 Краткая история  развития поисковых  систем Internet

     Сеть  Internet растет очень быстрыми темпами, и найти нужную информацию среди миллиардов Web-страниц и файлов становится все сложнее. Для поиска информации используются специальные поисковые серверы, которые содержат более или менее полную и постоянно обновляемую информацию о Web-страницах, файлах и других документах, хранящихся на десятках миллионов серверов Internet. Вообще, поисковая система - это программно-аппаратный комплекс, предназначенный для осуществления поиска в сети Интернет и реагирующий на запрос пользователя, задаваемый в виде текстовой фразы (поискового запроса), выдачей списка ссылок на источники информации, в порядке релевантности (в соответствии запросу).Одним из первых способов организации доступа к информационным ресурсам сети стало создание каталогов сайтов, в которых ссылки на ресурсы группировались согласно тематике. Первым таким проектом стал сайт Yahoo, открывшийся в апреле 1994 года. После того, как число сайтов в каталоге Yahoo значительно увеличилось, была добавлена возможность поиска информации по каталогу. Это, конечно же, не было поисковой системой в полном смысле, так как область поиска была ограничена только ресурсами, присутствующими в каталоге, а не всеми ресурсами сети Интернет.  
Каталоги ссылок широко использовались ранее, но практически утратили свою популярность в настоящее время. Причина этого очень проста – даже современные каталоги, содержащие огромное количество ресурсов, представляют информацию лишь об очень малой части сети Интернет. Самый большой каталог сети DMOZ (или Open Directory Project) содержит информацию о 5 миллионах ресурсов, в то время как база поисковой системы Google состоит из более чем 8 миллиардов документов.

     Первой  полноценной поисковой системой стал проект WebCrawler появившийся в 1994 году.

     В 1995 году появились поисковые системы  Lycos и AltaVista. Последняя долгие годы была лидером в области поиска информации в Интернет.

     В 1997 году Сергей Брин и Лари Пейдж создали Google самую популярную на сегодняшний момент поисковую систему в мире.

     23 сентября 1997 года была официально  анонсирована поисковая система  Yandex, самая популярная в русскоязычной части Интернет.

     В настоящее время существует 3 основных международных поисковых системы – Google, Yahoo и MSN Search, имеющих собственные базы и алгоритмы поиска. Большинство остальных поисковых систем (коих можно насчитать очень много) использует в том или ином виде результаты 3 перечисленных. Например, поиск AOL (search.aol.com) и Mail.ru используют базу Google, а AltaVista, Lycos и AllTheWeb – базу Yahoo.

 
2.2 Состав и принципы работы поисковой системы Internet

В России основной поисковой системой является «Яндекс», далее - Rambler.ru, Google.ru, Aport.ru, Mail.ru. Причем, на данный момент, Mail.ru использует механизм и базу поиска «Яндекса». Практически все крупные поисковые системы имеют свою собственную структуру, отличную от других. Однако можно выделить общие для всех поисковых машин основные компоненты. Различия в структуре могут быть лишь в виде реализации механизмов взаимодействия этих компонентов.

1.  Модуль индексирования

Модуль  индексирования состоит из трех вспомогательных  программ (роботов):

Spider (паук) – программа, предназначенная для скачивания веб-страниц. «Паук» обеспечивает скачивание страницы и извлекает все внутренние ссылки с этой страницы. Скачивается html-код каждой страницы. Для скачивания страниц роботы используют протоколы HTTP. Работает «паук» следующим образом. Робот на сервер передает запрос “get/path/document” и некоторые другие команды HTTP-запроса. В ответ робот получает текстовый поток, содержащий служебную информацию и непосредственно сам документ.

Ссылки  извлекаются из тэгов (Тег- признак. Часть элемента данных, обычно один или несколько разрядов, определяющих его тип). Наряду со ссылками, многими роботами обрабатываются редиректы (перенаправления). Каждая скачанная страница сохраняется в следующем формате:

1. URL страницы
2. дата, когда страница была скачана
3. http-заголовок ответа сервера
4. тело страницы (html-код)

Crawler («путешествующий» паук) – программа, которая автоматически проходит по всем ссылкам, найденным на странице. Выделяет все ссылки, присутствующие на странице. Его задача - определить, куда дальше должен идти паук, основываясь на ссылках или исходя из заранее заданного списка адресов. Crawler, следуя по найденным ссылкам, осуществляет поиск новых документов, еще неизвестных поисковой системе.

Indexer (робот- индексатор) - программа, которая анализирует веб-страницы, скаченные пауками. Индексатор разбирает страницу на составные части и анализирует их, применяя собственные лексические и морфологические алгоритмы. Анализу подвергаются различные элементы страницы, такие как текст, заголовки, ссылки структурные и стилевые особенности и т.д.

Таким образом, модуль индексирования позволяет  обходить по ссылкам заданное множество  ресурсов, скачивать встречающиеся  страницы, извлекать ссылки на новые  страницы из получаемых документов и  производить полный анализ этих документов.

2. База данных

База  данных, или индекс поисковой системы - это система хранения данных, информационный массив, в котором хранятся специальным  образом преобразованные параметры  всех скачанных и обработанных модулем  индексирования документов.

3.  Поисковый сервер

Поисковый сервер является важнейшим элементом  всей системы, так как от алгоритмов, которые лежат в основе ее функционирования, напрямую зависит качество и скорость поиска.

Поисковый сервер работает следующим образом:

Полученный  от пользователя запрос подвергается анализу. Генерируется информационное окружение каждого документа, содержащегося  в базе (которое и будет впоследствии отображено в виде сниппета, то есть соответствующей запросу текстовой информации на странице выдачи результатов поиска).

Полученные  данные передаются в качестве входных  параметров специальному модулю ранжирования. Происходит обработка данных по всем документам, в результате чего, для  каждого документа рассчитывается собственный рейтинг, характеризующий  релевантность запроса, введенного пользователем, и различных составляющих этого документа, хранящихся в индексе  поисковой системы.

В зависимости  от выбора пользователя этот рейтинг  может быть скорректирован дополнительными  условиями (например, так называемый «расширенный поиск»).

Далее генерируется сниппет, то есть, для каждого найденного документа из таблицы документов извлекаются заголовок, краткая аннотация, наиболее соответствующая запросу и ссылка на сам документ, причем найденные слова подсвечиваются.

Полученные  результаты поиска передаются пользователю в виде SERP (Search Engine Result Page) – страницы выдачи поисковых результатов.

Как видно, все эти компоненты тесно связаны  друг с другом и работают во взаимодействии, образовывая четкий, достаточно сложный  механизм работы поисковой системы, требующий огромных затрат ресурсов.

 
2.3 Основные характеристики поисковой системы Internet

Существуют  различные поисковые серверы, которые  могут использовать различные механизмы  поиска, хранения и предоставления пользователю информации. Поисковые  серверы интернета можно разделить  на две группы:

• Поисковые системы общего назначения;
• Специализированные поисковые системы.

Рассмотрим  подробнее каждую из них. Поисковые системы общего назначения являются базами данных, содержащими тематически сгруппированную информацию об информационных ресурсах Всемирной паутины. Такие поисковые системы позволяют находить Web-сайты или Web-страницы по ключевым словам в базе данных или путем поиска в иерархической системе каталогов.

Интерфейс таких поисковых систем общего назначения содержит список разделов каталога  и поле поиска в поле поиска пользователь может ввести  ключевые слова  для поиска документа, а в каталоге выбрать раздел, что сужает поле поиска и таким образом ускоряет его.

Примером  поисковой системы общего назначения может служить поисковая система  Яндекс.

.

Рис1.

Теперь  перейдем к специализированным поисковым системам. Они позволяют искать информацию в других информационных «слоях» Internet: серверах файловых архивов, почтовых серверах, и др. Например, для поиска файлов на серверах файловых архивов существуют специализированные поисковые системы двух типов:

1. поисковые системы на основе использования баз данных
2. каталоги файлов

Для поиска файлов в системе с использованием базы данных достаточно ввести имя  файла в поле поиска и поисковая  система выдаст URL-адреса мест хранения данного файла. Примером специализированной системы может служить российская файловая поисковая система FileSearch (www.filesearch.ru)  

Первоочередная  задача любой поисковой системы, как общего назначения, так и специализированной – доставлять людям именно ту информацию, которую они ищут. А научить пользователей делать «правильные» запросы к системе, т.е. запросы, соответствующие принципам работы поисковых систем, невозможно. Поэтому разработчики создают такие алгоритмы и принципы работы поисковых систем, которые бы позволяли находить пользователям искомую ими информацию.

Это означает, поисковая система должна «думать» так же, как думает пользователь при поиске информации. Когда пользователь обращается с запросом к поисковой  машине, он хочет найти то, что  ему нужно, максимально быстро и  просто.

Опишем  основные характеристики поисковых  систем, которые частично или полностью были перенесены на поисковые системы Internet:

1. Полнота – способность системы выдавать все релевантные документы. Это одна из основных характеристик поисковой системы.

Полнота = (РВ/РВ+РН)*100%

РВ  –релевантные выданные

РН-релевантные  не выданные

 Говоря о поисковой системе сети Интернет, полнота представляет собой отношение количества найденных по запросу документов к общему числу документов, удовлетворяющих данному запросу, то есть свойство было полностью перенесено с обычной поисковой системы на поисковую систему Internet. К примеру, если в Интернете имеется 100(РВ+РН) страниц, содержащих словосочетание «как выбрать автомобиль», а по соответствующему запросу было найдено всего 60(РВ ) из них, то полнота поиска будет 60.

Очевидно, что чем полнее поиск, тем меньше вероятность того, что пользователь не найдет нужный ему документ, при  условии, что он вообще существует в  Интернете.

2. Точность – способность  системы отфильтровывать все нерелевантные документы. Это еще одна основная характеристика поисковой машины, которая определяется степенью соответствия найденных документов запросу пользователя.

Точность = (РВ/РВ+НВ)*100%

НВ-не выданные релевантные

Это свойство, так же как и «полнота», было полностью  перенесено на поисковые системы  Internet. Например, если по запросу «как выбрать автомобиль» находится 100 (РВ+НВ) документов, в 50(РВ) из них содержится словосочетание «как выбрать автомобиль», а в остальных просто наличествуют эти слова, то точность поиска считается равной 50/100 (=0,5). Чем точнее поиск, тем быстрее пользователь найдет нужные ему документы, тем меньше различного рода «мусора» среди них будет встречаться, тем реже найденные документы не будут соответствовать запросу.

3.Актуальность - составляющая поиска, которая характеризуется временем, проходящим с момента публикации документов в сети Интернет, до занесения их в индексную базу поисковой системы. Например, на следующий день после появления интересной новости, большое количество пользователей обратились к поисковым системам с соответствующими запросами. Объективно с момента публикации новостной информации на эту тему прошло меньше суток, однако основные документы уже были проиндексированы и доступны для поиска, благодаря существованию у крупных поисковых систем так называемой «быстрой базы», которая обновляется несколько раз в день. Актуальность – свойство, характеризующее любую поисковую систему.

4.Скорость поиска тесно связана с его устойчивостью к нагрузкам. Например, по данным ООО «Рамблер Интернет Холдинг», на сегодняшний день в рабочие часы к поисковой машине Рамблер приходит около 60 запросов в секунду. Такая загруженность требует сокращения времени обработки отдельного запроса. Здесь интересы пользователя и поисковой системы совпадают: посетитель желает получить результаты как можно быстрее, а поисковая машина должна отрабатывать запрос максимально оперативно, чтобы не тормозить вычисление следующих запросов. Свойство относится преимущественно к поисковым системам сети Internet.

5. Наглядность (свойство поисковых систем сети Internet) представления результатов является важным компонентом удобного поиска. По большинству запросов поисковая машина находит сотни, а то и тысячи документов. Вследствие нечеткости составления запросов или неточности поиска, даже первые страницы выдачи не всегда содержат только нужную информацию. Это означает, что пользователю зачастую приходится производить свой собственный поиск внутри найденного списка. Различные элементы страницы выдачи поисковой системы помогают ориентироваться в результатах поиска.

 
2.4 Обзор основных Российских поисковых Internet - систем

     В русскоязычной части сети Интернет работают около двух десятков поисковых  систем, но подавляющие большинство  пользователей работает лишь с несколькими, подробно остановимся на самых крупных:

     Яндекс - На сегодня наиболее популярная поисковая система, ежемесячно к ней обращаются более 35 миллионов пользователей Русскоязычной части Интернета. Начала свою работу во второй половине 1997 года, учитывая морфологию русского языка. История компании "Яндекс" началась в 1990 году с разработки поискового программного обеспечения в компании "Аркадия". За два года работ были созданы две информационно-поисковые системы - Международная Классификация Изобретений, 4 и 5 редакция, а также Классификатор Товаров и Услуг. Обе системы работали локально под DOS и позволяли проводить поиск, выбирая слова из заданного словаря, с использованием стандартных логических операторов. В1993 году "Аркадия" стала подразделением компании CompTek. В 1993-1994 годы программные технологии были существенно усовершенствованы благодаря сотрудничеству с лабораторией Ю. Д. Апресяна (Институт Проблем Передачи Информации РАН). В частности, словарь, обеспечивающий поиск с учетом морфологии русского языка, занимал всего 300Кб, то есть целиком грузился в оперативную память и работал очень быстро. С этого момента пользователь мог задавать в запросе любые формы слов.

     Слово Яндекс придумал за несколько лет  до этого один из основных и старейших  разработчиков поискового механизма. "Яndex" означает "Языковой index", или, если по-английски, "Yandex" - "Yet Another indexer". За 4 года публичного существования Яndex возникли и другие толкования. Например, если в слове "Index" перевести с английского первую букву ("I" - "Я"), получится "Яndex".

     В начале 1996 года был разработан алгоритм построения гипотез. Отныне морфологический  разбор перестал быть привязан к словарю - если какого-либо слова в словаре  нет, то находятся наиболее похожие  на него словарные слова и по ним  строится модель словоизменения. В  это время Интернет в России только начинался. Еще через полгода  стало очевидно, что ничто не отделяет CompTek от создания собственной глобальной поисковой машины. Объем Рунета составлял тогда всего несколько гигабайт. Осенью 1997 года был открыт Yandex.Ru.

     Помимо  поисковой системы, сегодня Яндекс - огромный портал с целым набором  широко используемых сервисов. Официально поисковая машина Yandex.Ru была анонсирована 23 сентября 1997 года на выставке Softool. Основными отличительными чертами Yandex.Ru на тот момент были проверка уникальности документов (исключение копий в разных кодировках), тщательно разработанный алгоритм оценки релевантности (соответствия ответа запросу), учитывающий не только количество слов запроса, найденных в тексте, но и "контрастность" слова (его относительную частоту для данного документа), расстояние между словами, и положение слова в документе. Сегодня Яндекс имеет внутри мощный поисковый робот, позволяющий производить поиск по самым различным критериям.

     Rambler –одна из старейших поисковых систем российского Интернет, запущена в 1996 году, на сегодня - вторая по популярности с обращением более 25 миллионов посетителей в месяц. Помимо поисковой системы, сегодня Рамблер - один из крупнейших порталов Русскоязычной части Интернета с большим набором широко известных сервисов, таких как каталог Рамблер, Рамблер-почта, Рамблер-ICQ или Рамблер-ТВ. Сегодня Рамблер - больше, чем просто поисковая система и набор сервисов, это крупная медиагруппа. Поисковая машина "Рамблер" начала работу в октябре 1996 года, на стартовом этапе содержала всего 100 тысяч документов. "Рамблер" не был первой отечественной поисковой системой, однако в первый год своего существования (когда весь русский веб с приемлемой степенью правдоподобия индексировался "Рамблером", "Апортом", "Русской поисковой машиной", а также шведской и калифорнийской AltaVista) вынес основной груз поисковых запросов. Вторая версия "Рамблера" начала разрабатываться летом 2000 года. В нее были введены функции, давно уже имевшиеся в конкурирующих системах. Она учитывает координаты слов, была обучена строгой и нечеткой морфологии, связывает поиск с каталогом, в качестве которого используется Top100 (http://top100.rambler.ru/), группирует результаты поиска по сайтам, ищет по числам. Достаточно удачная архитектура продукта позволяет "Рамблер" иметь для поисковика количество серверов в 2 раза меньшее, чем у "Яндекса", и в 3 раза меньшее, чем у "Апорта".