|
*Grid
*P2P
=== Web Crawlers ===
A construção de Web crawlers paralelos tem muitas vantagens mas trazem também alguns problemas e desafios interessantes. Entre eles, podemos citar:
**Sobreposição: com muitos processos rodando em paralelo para coletar páginas, é possível que diferentes processos coletem uma mesma página múltiplas vezes.
**Qualidade: geralmente é mais interessante coletar as páginas mais "importantes" primeiro, a fim de maximizar a "qualidade" dos dados coletados. Em crawlers paralelos, cada processo pode não ter conhecimento da imagem de toda a rede coletada, tomando decisões de acordo com a imagem local da parte que coletou.
**[[Banda]] de Comunicação: periodicamente os processos precisam se comunicar para prevenir a sobreposição de dados ou melhorar a qualidade da coleta. Entretando, essa comunicação pode crescer bastante à medida em que o número de processos aumentam.
A paralelização dos web crawlers nos trazem importantes vantagens em relação aos crawlers não paralelizados, como:
**[[Escalabilidade]]: devido ao enorme tamanho da Web, é quase que uma obrigação utilizar crawlers paralelos. Um crawler de um único processo simplesmente pode não atingir a taxa de coleta desejada em certos casos.
**```NETWORK-LOAD DISPERSION```: os múltiplos processos de um crawler paralelo podem rodar em lugares geograficamente distantes, cada um coletando dados de locais próximos geograficamente. Por exemplo, um processo no Brasil pode coletar páginas dos países da América do Sul, enquanto um outro processo na Alemanha coleta dados da Europa. Essa dispersão pode ser necessária quando um crawler serial não consegue lidar com uma carga pesada de uma coleta em larga escala.
**```NETWORD-LOAD REDUCTION```: um crawler paralelo pode também reduzir a carga na rede. Por exemplo, assuma que um crawler na América do Norte precise coletar uma página da Europa. Primeiramente, a página deve ir pela rede na Europa, passando pela rede inter-continental Europa-para-América do Norte, e finalmente passa pela rede na América do Norte. Se um processo de um crawler paralelo coleta todas as páginas européias, e outro processo coleta as páginas da América do Norte, então o tráfego total na rede será reduzido.
Note que as páginas coletadas devem ser transferidas para uma central de comando, a fim de se construir um indice geral. Essa transferência de dados pode ser bastante reduzida usando algum dos seguintes métodos:
**Compressão: as páginas coletas e armazenadas podem ser comprimidas antes de serem enviadas a uma localização central.
**Diferença: ao invés de mandar uma imagem inteira de todas as páginas coletadas por um processo, é possível mandar apenas a diferença entre a imagem corrente e a anterior. Isso pode reduzir o tráfego porque muitas páginas são estáticas e não costumam ser atualizadas com muita frequência.
**Sumarização: em muitos casos é necessário apenas um indice central, e não as páginas originais. Nesses casos, apenas as informações relevantes precisam ser enviadas ao centro de comando.
Fica claro que para a construção de Web crawlers efetivos é necessário muito mais do que apenas uma simples paralelização.
A figura [[Image: | Arquitetura geral de um crawler paralelo]] nos mostra a arquitetura geral de um crawler paralelo, que consiste de múltiplos processos, referidos por <math>C-proc</math>. Cada <math>C-proc</math> é responsável por executar uma tarefa básica de um crawler não paralelo. Ele coleta páginas da Web, armazena as páginas localmente, extrai todas as URLs que encontrar e segue os [[link]]s. Dependendo da forma com que as tarefas são divididas entre os <math>C-proc</math>, pode ser necessário a troca de dados entre os processos. A distribuição de tarefas entre os <math>C-proc</math> pode ser feita numa rede local (como uma [[LAN]]), ou em localizações geograficamente distantes (como uma [[WAN]]).
**Intra-site crawler: quando todos os processos rodam em uma mesma rede local e se comunicam em alta velocidade. Na figura anterior, isso pode ser observado no caso onde todos os <math>C-proc</math> rodam na rede local da parte de cima.
**Crawler distribuido: quando todos os processos rodam em localizações geograficamente distantes. Quando os processos nessas localizações distantes se conectam via Internet, se torna importante determinar a frequência e a quando os processos devem se comunicar.
Em um crawler que roda com múltiplos processos, é possível ocorrer o problema da sobreposição. Para evitar esse problema, os processos devem ser coordenados entre eles para saber quais páginas cada um deve coletar. Essa coordenação pode ser feita seguindo algum dos caminhos:
**Independência: os <math>C-proc</math> podem coletar páginas de uma maneira completamente independente um dos outros sem qualquer coordenação. Cada processo começa com um conjunto de URLs e vai seguindo os links sem consultar outro processo. Neste cenário, o problema da sobreposição pode ocorrer.
**Assinalamento Dinâmico: ocorre quando existe uma central de comando que divide a Web em partições pequenas, usando para isto alguma função pré-estabelecida, e dinamicamente assinala cada partição a um processo. Essas partições podem ser feitas em diferentes granularidades, o que afeta a comunicação entre os processos e a central de comando.
**Assinalamento Estático: ocorre quando a Web é particionada e assinalada a cada <math>C-proc</math> antes de começar a coleta. Neste caso, cada <math>C-proc</math> sabe qual <math>C-proc</math> é responsável por qual página, não precisando de uma central de comando para isto.
==== Conclusão ====
| 