Web Spider Antonio Gullì [email protected] Compito di un sistema di spidering Raccogliere documenti dal Web a partire da un set S0 dato in input Gweb=(Nweb,E web) grafo orientato che descrive l’insieme delle pagine e dei link Tipi di visita: DFS BFS Con priorità Pre-assegnata staticamente -- PageRank (approssimato) Assegnata dinamicamente Architettura di un Search Engine INTERNET Spider Query Engine Ranker Page Repository Indicizzatore Architettura Spider INTERNET DNS Revolvers LEGENDA DNS Cache Strutture Dati Parallel Downloaders Moduli Software Already Seen Pages Parsers Parallel Crawler Managers … Indexer Priority Que … Robot.txt Cache … Parallel Link Extractors Distributed Page Repository SPIDERS INDEXERS Page Analysis Architettura Spider Principali Strutture Dati Pagine già visitate (problema: quando URL distinte puntano in realtà alla stessa pagina o a pagine simili?) Prossime pagine da visitare (coda di priorità o struttura FIFO/LIFO, con update dinamico efficiente) Robot.txt cache (I Webmaster possono raccomandare cosa visitare e cosa non visitare) DNS cache (risoluzione degli indirizzi IP) Page Repository (dove memorizzare le pagine) Architettura Spider Principali Moduli Software Crawler Managers (si coordinano per decidere i prossimi task da assegnare ai Downloaders, Bilanciamento, controllo del carico…) DNS Resolvers (risolvono gli indirizzi IP in modo async) Parallel Downloaders (effettuano il download vero e proprio delle pagine Web usando HTTP) Parsers (convertono i formati, parserizzano le informazioni, memorizzano le pagine nel repository) Link Extractors (estraggono i link dalle pagine presenti nel repository e li memorizzano, senza sosta, nella struttura dati che tiene traccia delle prossime pagine da visitare) Note sul funzionamento spider Se una pagina non è stata modificata ? Supporto direttamente fornito da HTTP http://www.w3.org/Protocols/rfc1945/rfc1945 "conditional GET" If-Modified-Since header field Se il Webmaster non vuole far visitare una pagina? Supporto dato, come raccomandaz., dal Robot Standard 1. 2. http://www.robotstxt.org/wc/norobots.html META tag all’interno di HTML Note sul funzionamento spider Presentarsi (HTTP Header) “The User-Agent request-header field contains information about the user agent originating the request. …statistical purposes, the tracing of protocol violations, and automated recognition of user agents… Although it is not required, user agents should include this field with requests.” User-Agent: CERN-LineMode/2.15 libwww/2.17b3 Filtrare (Esempio di Robot.txt) User-agent: webcrawler Disallow: User-agent: lycra Disallow: / User-agent: * Disallow: /tmp Disallow: /logs Filtrare (Esempio di META TAG) <META NAME="ROBOTS" CONTENT="NOINDEX"> <META NAME="ROBOTS" CONTENT="NOFOLLOW"> Combinazioni delle due Algoritmi usati ad alto livello dai moduli sw Link Extractor: while(<ci sono pagine da cui estrarre i link>){ <prendi una pagina p dal page repository> <estrai i link contenuti nel tag a href> <estrai i link contenuti in javascript> <estrai ….. <estrai i link contenuti nei frameset> <inserisci i link estratti nella priority que, ciascuna con una priorità dipendente dalla politica scelta e: 1) compatibilmente ai filtri applicati 2) applicando le operazioni di normalizzazione> <marca p come pagina da cui abbiamo estratto i link> } Downloaders: while(<ci sono url assegnate dai crawler manager>){ <estrai le url dalla coda di assegnamento> <scarica le pagine pi associate alla url dalla rete> <invia le pi al page repository> } Crawler Manager: <estrai un bunch di url dalla “priority que” in ordine> while(<ci sono url assegnate dai crawler manager>){ <estrai le URL ed assegnale ad S> foreach u S { if ( (u “Already Seen Page” ) || ( u “Already Seen Page” && (<sul Web server la pagina è più recente> ) && ( <u è un url accettata dal robot.txt del sito>) ) { <risolvi u rispetto al DNS> <invia u ai downloaders, in coda> } } Architettura Distribuita Spider Google (www.google.com ) 3,083,324,652 pagine raccolte Centinaia di milioni di Web server distinti Stimando 4Kb per pagina compressa → >10Tera ~1.000 server linux (10% totale) → sistema distribuito phython e c++ http://www.google.com/bot.html Fast ( www.alltheweb.com ) 2,112,188,990 pagine raccolte c++ Liste di spider noti http://joseluis.pellicer.org/ua/ http://www.robotstxt.org/wc/active/html/index.html Architettura Distribuita Spider Stima “dall’esterno” delle performance richiesta Supponendo che il 40% delle pagine Web si modifichi in una settimana (~ 1.250.000.000) → ~2000 page/sec Una singola macchina linux con “puro download” raggiunge picchi di 80-100 page/sec usando Posix thread Rallentamenti dovuti a latenza di rete e gestione locale dati e strutture distribuite Architettura Distribuita Spider Requisiti Architettura altamente ottimizzata Tolleranza ai guasti Nuovi formati (PDF, PS, XML), Nuove politiche, Nuovi protocolli, … Correttezza server non HTTP complaint, HTML non complaint, HTTP/HTML trap… Estendibilità Il fallimento di un server non deve bloccare il sistema, punti di recovery…. Robustezza Elevato page download rate, ridurre i colli di bottiglia Non essere invasivo, Presentarsi correttamente, No hammering, … Configurabilità on the fly Larry Page, 97: “It turns out that running a crawler which connects to more than half a million servers, and generates tens of millions of log entries generates a fair amount of email and phone calls” Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: partizionamento delle pagine Web da visitare Soluzione: Hash per sito Hash per URL Gerarchica (per domini), Geografica (per nazioni) Problema: con che frequenza aggiornare le pagine Web Soluzioni Adattative Per esempio, settando la freq. di aggiornamento in base alle modifiche nelle precedenti visite Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: tenere sincronizzata la struttura “Already Seen Pages” tra i vari nodi di elaborazione Soluzioni Euristiche: Caching/Replicazione delle URL più frequentemente accedute Bloom Filter, descrizione approssimata delle URL possedute localmente Batch Update, con limitata probabilità di visite ripetute Hash per sito o altri assegnamenti statici con zero-overlap Problema: minimizzare l’impatto delle comunicazioni inter nodo Soluzioni comuni: Comunicazioni bufferizzate Caching / Replicazione Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: come individuare se due pagine sono simili Soluzione Euristica: Signature Esempio pagine con counter, javascript che modifica il testo Estrazioni di parte “significativa” del testo MD5 (spesso usato in luogo della stessa URL), SHA, Fingerprint Problema: come evitare di sovraccaricare i server remoti Soluzione: Politiche di throttling Intervallare il download di URL provenienti da siti Web distinti Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: aumentare l’efficienza del singolo nodo spidering Soluzioni comuni: Multithreading: cpu bound, i/o bound (Es, altavista) I/O Async (Es, Google) Pipeline software D P D R P D D P R Page Downloading Parsing Sending to Repository R P R Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: bilanciare il carico e garantire fault-tollerance Soluzione: Hash (soluzione comune, ma non tutte le pagine ed i siti pesano allo stesso modo. Cosa succede in caso di fallimento ?) Consistent Hashing (usato inizialmente in Web Caching e P2P sia le URL che i server sono mappati in un unit circle. In caso di caduta non è necessario un remapping completo) Database con transizioni Architettura Distribuita Spider Sistema distribuito (100 … >1000 spider server ) Problema: minimizzare la distanza di rete tra le pagine Web ed il sistema di spider Soluzione: Tipicamente si distribuisce il lavoro tra diversi data-center località geografiche distinte (Google 4 distinti) minimizzare il numero di border gateways attraversati Problema: Individuare un dataset S0 ”buono”. La scelta della frontiera da cui partire ha un impatto diretto sulla “rapidità” con cui si converge verso le pagine “interessanti” Soluzione: ODP, … Politiche di visita delle pagine BFS, DFS Priorità: BackLink count, Frequenza di modifica Priorità: PageRank, Google R(i) = (1-d) / N + d * ∑j (R(j) / N(j)), j B(i) 0<d<1, N numero delle pagine nella collezione B(i) insieme delle pagine che puntano la pagina i N(j) numero dei link uscenti dalla pagina j Spesso si calcolano delle approssimazioni Confronto: Google: Junghoo Cho and Hector Garcia-Molina and Lawrence Page, "Efficient crawling through URL ordering", "Computer Networks and ISDN Systems, vol 30 num. 1—7 pages 161--172", "1998"; Altavista: Marc Najork and Janet L. Wiener, "Breadth-First Crawling Yields HighQuality Pages Proceedings of the 10th International World Wide Web Conference Elsevier Science Hong Kong 114—118 May 2001", Politiche di visita delle pagine “…breadth-first search order discovers the highest quality pages during the early stages of the crawl BFS” 328 milioni di URL nel testbed Politiche di visita: brevi cenni su Focused Crawling Idea: massimizziamo il numero di pagine “rilevanti” raccolte e minimizziamo quelle raggiunte Analisi della struttura dei link Pagerank Modelli di retrieval http://dev.funnelback.com/focused-crawler-review.html Vector space “query driven” (agenti) Machine Learning Costruzione dei “grafi contestuali” (chi linka cosa ?) Approccio Bayesano, un set di classificatori vengono trainati per assegnare documenti a differenti categorie basandosi sulla loro distanza attesa dalle pagine obbiettivo Politiche di visita: brevi cenni su Focused Crawling il teorema di Bayes stima la probabilità condizionale che si verifichi l’evento Hi in presenza dell’evento E: Pr( H i | E ) Pr( E | H i ) Pr( H i ) i 1,...., n P( E ) Pr( E | H j ) Pr( Hj ) j Pr[documento rilevante | che il termine t è presente] Pr[documento irrilevante | che il termine t è presente] Pr[termine t sia presente | il documento sia rilevante] Pr[termine t sia presente | il documento sia irrilevante] Indicizzare ciò che non si è raccolto 25-30% dell’indice di google è costruito in tal modo Esempio “madonna” This is G o o g l e's cache of http://www.madonna.com/. These terms only appear in links pointing to this page: madonna Desumere il “contenuto” di una pagina Web dal “contesto” in cui la stessa è sistemata Nessun contenuto testuale pagina non raggiunta Indicizzare ciò che non si è raccolto Supponiamo di non avere raggiunto la pagina P “whitehouse.org”, ma di avere già raggiunto ed indicizzato un insieme di pagine {P1….Pr} che puntano P Supponiamo di estrarre dal link che da ciascun Pi, 1<i<r, punta P una finestra di testo. …George Bush, President of U.S. lives at <a href=http://www.whitehouse.org> WhiteHouse</a> … George Washington was at <a href=http://whitehouse.org> WhiteHouse</a> Pagina Web e Documento Virtuale bush White House Washington Tecniche alternative di URL Discovery “Hidden Web”: non linkata o HTML non statico Riferito dal browser: Presente sul DNS HTTP 1.0: “The Referer request-header field allows the client to specify, for the server's benefit, the address (URI) of the resource from which the Request-URI was obtained.” Testata con demoni di discovery Presente su Usenet o altre fonti Generata “on the fly” ~ 60-80% dei contenuti Web Un esempio concreto: high-performance distributed Web crawler – Univ. Brooklyn 2002 5.000 linee C++, phython, STL, Red-Black tree, PCRE, BDB Comunicazioni bufferizzate intranodo, inter-nodo Strategia BFS (altre integrabili) Partizionamento delle URL via hash K-way shuffling Coda di Priorità per gli host ready e quelli waiting (recentemente acceduti); Inoltre una coda di priorità per ciascun host Page Repository realizzato via NFS su 4 Sun servers DNS Resolver asincrono Complessive 300 pagine al secondo (limite sui router), 18 giorni in totale, checkpoint ogni 4 ore 138 milioni di pagine scaricate, 120 milioni di pagine “uniche” Un esempio concreto: high-performance distributed Web crawler – Univ. Brooklyn 2002 HTTP requests: network errors: read timeout exceeded errors: robots.txt requests: successful non-robots requests average size of page total data size total successfull non-robot requests 200 (OK) 404 (not found) 302 (moved temporarily) 301 (moved permanently) 161,549,811 5,873,685 2,288,084 16,933,942 138,742,184 13,354 bytes 1.85 TB 138,742,184 121,292,132 7,379,633 6,065,464 2,885,665 100.00% 87.42% 5.32% 4.37% 2.08% Alcune soluzioni descritte in letteratura Google Sergey Brin and Lawrence Page, "The anatomy of a large-scale hypertextual Web search engine", "Computer Networks and ISDN Systems vol. 30 num 1--7, pages 107--117", "1998"; Junghoo Cho and Hector Garcia-Molina and Lawrence Page, "Efficient crawling through URL ordering", "Computer Networks and ISDN Systems, vol 30 num. 1—7 pages 161--172", "1998"; Junghoo Cho and Hector Garcia-Molina, “Parallel crawlers. In Proc. of the 11th International World--Wide Web Conference", "2002"; Altavista Allan Heydon and Marc Najork, "Mercator: A Scalable, Extensible Web Crawler journal World Wide Web vol.2 num.4 pages 219-229 1999", M. Najork and A. Heydon, "On High-Performance Web Crawling Research Report, Compaq Systems Research Center, 2001", Alcune soluzioni descritte in letteratura Arianna, Università di Pisa Università di Pisa D. Dato, A. Gullì, G. Attardi, Web Host Enumeration Through DNS, Web Net '97, Toronto, 1997. Paolo Boldi and Bruno Codenotti and Massimo Santini and Sebastiano Vigna, “UbiCrawler: A Scalable Fully Distributed Web Crawler", Polytechnic University, Brooklyn V. Shkapenyuk and T. Suel. “Design and implementation of a highperformance distributed Web crawler”, “In Proceedings of the 18th International Conference on Data Engineering (ICDE'02), San Jose, CA Feb. 26--March 1, pages 357—368”, “2002” ‘Coffee’ time on google Cookie di Sessione Spider non espande HTML non significativo ODP, ODP Descr. Ma lo spider dove ha trovato il caffè nella prima risposta? PageRank da le risposte in un ordine intuitivo ‘Coffee’ time on google Estratto dal documento virtuale Documento dato dal Web Server