Freshbot, který do hledání dodává nově vzniklé zpravodajské články, stahuje od listopadu téměř o 30% rychleji. Rychlost jsme zlepšili díky novému procesu stahování webových stránek, jehož nejdůležitější částí je nová komponenta Dolores. Novinky z internetu se tak dostanou dříve do hledání a k uživatelům.
V průběhu roku 2016 jsme přidávali počty zdrojů, kde Freshbot hledá nový obsah, a kvůli tomu původní způsob stahování přestával technologicky i výkonností vyhovovat. Proto jsme jej nahradili novou komponentou Dolores, jejíž název je akronymem z „Downloader Services“.
Po nasazení jsme změřili, že počet webových stránek, které Freshbot posílá k indexaci takřka okamžitě potom, co je objeví, se díky Dolores zvýšil na dvacetinásobek. Aktuálně Dolores stahuje v průměru tisíc dokumentů za minutu.
V průběhu dne nastávají výkyvy v počtu nově vzniklých webových stránek, například noční publikace článků na zpravodajských serverech. Díky lepší stabilitě a propustnosti Dolores, a tím i celého Freshbota, tyto výkyvy už indexaci nově vzniklých webových stránek nezpomalují.
Zatím jsme na začátku toho, co od Dolores očekáváme.
Výběr stránek, které SeznamBot crawluje a indexuje, má podobu skórování všech stránek, které SeznamBot zná a jejich následného řazení podle hodnot skóre. V uplynulých týdnech jsme provedli úpravy tohoto skórování, které se projeví následujícími změnami při výběru dokumentů ke crawlování a indexaci. Lepší predikce kvality stránky podle URL – URL stránky je pro robota jeden ze …
V posledních letech se množí technologie pro zpracování velkých dat, které přináší zajímavé možnosti využití. Ke zpracování velké dávky dat (batch) se přidaly i možnosti zpracování v reálném čase, kdy data vznikají (stream). Robot vyhledávače zpracovává miliardy uložených webových stránek a zároveň denně stahuje obsah stovek milionů URL z internetu. Vždy hledáme ty nejvhodnější technologie …
Po vylepšeních v rychlosti Freshbota jsme se podívali i na rychlost v tzv. „velkém robotovi“. Ten na rozdíl od Freshbota prochází násobně větší objemy stránek. Robot nyní reaguje dříve na obsah stránky a nová stránka se dostane do indexu dvakrát rychleji. Doposud stránka procházela složitějším zpracováním. Kvůli závislostem trvalo i několik dní od stažení URL než z …
