每秒10W次分词搜索，产品经理又提了一个需求！！！（收藏）

Posted 2022-07-09 58沈剑

不合理的需求，如何能轻松搞定？

文章较长，建议提前收藏。

可能99%的同学不做搜索引擎，但99%的同学一定实现过检索功能。搜索，检索，这里面到底包含哪些技术，希望本文能够给大家一些启示。

需求一：我想做一个全网搜索引擎，不复杂，和百度类似就行，两个月能上线吗？

 全网搜索引擎架构与流程如何？

全网搜索引擎的宏观架构如上图，核心子系统主要分为三部分（粉色部分）：

（1）spider爬虫系统；

（2）search&index建立索引与查询索引系统，这个系统又主要分为两部分：

 - 一部分用于生成索引数据build_index

- 一部分用于查询索引数据search_index

（3）rank打分排序系统；

核心数据主要分为两部分（紫色部分）：

（1）web网页库；

（2）index索引数据；

全网搜索引擎的业务特点决定了，这是一个“写入”和“检索”分离的系统。

写入是如何实施的？

系统组成：由spider与search&index两个系统完成。

输入：站长们生成的互联网网页。

输出：正排倒排索引数据。

流程：如架构图中的1，2，3，4：

（1）spider把互联网网页抓过来；

（2）spider把互联网网页存储到网页库中（这个对存储的要求很高，要存储几乎整个“万维网”的镜像）；

（3）build_index从网页库中读取数据，完成分词；

（4）build_index生成倒排索引；

检索是如何实施的？

系统组成：由search&index与rank两个系统完成。

输入：用户的搜索词。

输出：排好序的第一页检索结果。

流程：如架构图中的a，b，c，d：

（a）search_index获得用户的搜索词，完成分词；

（b）search_index查询倒排索引，获得“字符匹配”网页，这是初筛的结果；

（c）rank对初筛的结果进行打分排序；

（d）rank对排序后的第一页结果返回；

站内搜索引擎架构与流程如何？

做全网搜索的公司毕竟是少数，绝大部分公司要实现的其实只是一个站内搜索，以同城100亿帖子的搜索为例，其整体架构如下：

站内搜索引擎的宏观架构如上图，与全网搜索引擎的宏观架构相比，差异只有写入的地方：

（1）全网搜索需要spider要被动去抓取数据；

（2）站内搜索是内部系统生成的数据，例如“发布系统”会将生成的帖子主动推给build_data系统；

画外音：看似“很小”的差异，架构实现上难度却差很多，全网搜索如何“实时”发现“全量”的网页是非常困难的，而站内搜索容易实时得到全部数据。

对于spider、search&index、rank三个系统：

（1）spider和search&index是工程系统；

（2）rank是和业务、策略紧密、算法相关的系统，搜索体验的差异主要在此，而业务、策略的优化是需要时间积累的，这里的启示是：

 - Google的体验比Baidu好，根本在于前者rank牛逼

 - 国内互联网公司（例如360）短时间要搞一个体验超越Baidu的搜索引擎，是很难的，真心需要时间的积累

前面的内容太宏观，为了照顾大部分没有做过搜索引擎的同学，数据结构与算法部分从正排索引、倒排索引一点点开始。

什么是正排索引（forward index）？

简言之，由key查询实体的过程，使用正排索引。

例如，用户表：

t_user(uid, name, passwd, age, sex)

由uid查询整行的过程，就是正排索引查询。

又例如，网页库：

t_web_page(url, page_content)

由url查询整个网页的过程，也是正排索引查询。

网页内容分词后，page_content会对应一个分词后的集合list<item>。

简易的，正排索引可以理解为：

Map<url, list<item>>

能够由网页url快速找到内容的一个数据结构。

画外音：时间复杂度可以认为是O(1)。

什么是倒排索引（inverted index）？

与正排索引相反，由item查询key的过程，使用倒排索引。

对于网页搜索，倒排索引可以理解为：

Map<item, list<url>>

能够由查询词快速找到包含这个查询词的网页的数据结构。

画外音：时间复杂度也是O(1)。

举个例子，假设有3个网页：

url1 -> “我爱北京”

url2 -> “我爱到家”

url3 -> “到家美好”

这是一个正排索引：

Map<url, page_content>。

分词之后：

url1 -> 我，爱，北京

url2 -> 我，爱，到家

url3 -> 到家，美好

这是一个分词后的正排索引：

Map<url, list<item>>。

分词后倒排索引：

我 -> url1, url2

爱 -> url1, url2

北京 -> url1

到家 -> url2, url3

美好 -> url3

由检索词item快速找到包含这个查询词的网页Map<item, list<url>>就是倒排索引。

画外音：明白了吧，词到url的过程，是倒排索引。

正排索引和倒排索引是spider和build_index系统提前建立好的数据结构，为什么要使用这两种数据结构，是因为它能够快速的实现“用户网页检索”需求。

画外音，业务需求决定架构实现，查询起来都很快。

检索的过程是什么样的？

假设搜索词是“我爱”：

（1）分词，“我爱”会分词为我，爱，时间复杂度为O(1)；

（2）每个分词后的item，从倒排索引查询包含这个item的网页list<url>，时间复杂度也是O(1)：

我 -> url1, url2

爱 -> url1, url2

（3）求list<url>的交集，就是符合所有查询词的结果网页，对于这个例子，url1, url2就是最终的查询结果；

画外音：检索的过程也很简单：分词，查倒排索引，求结果集交集。

就结束了吗？其实不然，分词和倒排查询时间复杂度都是O(1)，整个搜索的时间复杂度取决于“求list<url>的交集”，问题转化为了求两个集合交集。

字符型的url不利于存储与计算，一般来说每个url会有一个数值型的url_id来标识，后文为了方便描述，list<url>统一用list<url_id>替代。

list1和list2，求交集怎么求？

方案一：for * for，土办法，时间复杂度O(n*n)

每个搜索词命中的网页是很多的，O(n*n)的复杂度是明显不能接受的。倒排索引是在创建之初可以进行排序预处理，问题转化成两个有序的list求交集，就方便多了。

画外音：比较笨的方法。

方案二：有序list求交集，拉链法

有序集合11,3,5,7,8,9

有序集合22,3,4,5,6,7

两个指针指向首元素，比较元素的大小：

（1）如果相同，放入结果集，随意移动一个指针；

（2）否则，移动值较小的一个指针，直到队尾；

这种方法的好处是：

（1）集合中的元素最多被比较一次，时间复杂度为O(n)；

（2）多个有序集合可以同时进行，这适用于多个分词的item求url_id交集；

这个方法就像一条拉链的两边齿轮，一一比对就像拉链，故称为拉链法；

画外音：倒排索引是提前初始化的，可以利用“有序”这个特性。

方案三：分桶并行优化

数据量大时，url_id分桶水平切分+并行运算是一种常见的优化方法，如果能将list1<url_id>和list2<url_id>分成若干个桶区间，每个区间利用多线程并行求交集，各个线程结果集的并集，作为最终的结果集，能够大大的减少执行时间。

举例：

有序集合11,3,5,7,8,9, 10,30,50,70,80,90

有序集合22,3,4,5,6,7, 20,30,40,50,60,70

求交集，先进行分桶拆分：

桶1的范围为[1, 9]

桶2的范围为[10, 100]

桶3的范围为[101, max_int]

于是：

集合1就拆分成

集合a1,3,5,7,8,9

集合b10,30,50,70,80,90

集合c

集合2就拆分成

集合d2,3,4,5,6,7

集合e20,30,40,50,60,70

集合e

每个桶内的数据量大大降低了，并且每个桶内没有重复元素，可以利用多线程并行计算：

桶1内的集合a和集合d的交集是x3,5,7

桶2内的集合b和集合e的交集是y30, 50, 70

桶3内的集合c和集合d的交集是z

最终，集合1和集合2的交集，是x与y与z的并集，即集合3,5,7,30,50,70。

画外音：多线程、水平切分都是常见的优化手段。

方案四：bitmap再次优化

数据进行了水平分桶拆分之后，每个桶内的数据一定处于一个范围之内，如果集合符合这个特点，就可以使用bitmap来表示集合：

如上图，假设set11,3,5,7,8,9和set22,3,4,5,6,7的所有元素都在桶值[1, 16]的范围之内，可以用16个bit来描述这两个集合，原集合中的元素x，在这个16bitmap中的第x个bit为1，此时两个bitmap求交集，只需要将两个bitmap进行“与”操作，结果集bitmap的3，5，7位是1，表明原集合的交集为3,5,7。

水平分桶，bitmap优化之后，能极大提高求交集的效率，但时间复杂度仍旧是O(n)。bitmap需要大量连续空间，占用内存较大。

画外音：bitmap能够表示集合，用它求集合交集速度非常快。

方案五：跳表skiplist

有序链表集合求交集，跳表是最常用的数据结构，它可以将有序集合求交集的复杂度由O(n)降至接近O(log(n))。

集合11,2,3,4,20,21,22,23,50,60,70

集合250,70

要求交集，如果用拉链法，会发现1,2,3,4,20,21,22,23都要被无效遍历一次，每个元素都要被比对，时间复杂度为O(n)，能不能每次比对“跳过一些元素”呢？

跳表就出现了：

集合11,2,3,4,20,21,22,23,50,60,70建立跳表时，一级只有1,20,50三个元素，二级与普通链表相同。

集合250,70由于元素较少，只建立了一级普通链表。

如此这般，在实施“拉链”求交集的过程中，set1的指针能够由1跳到20再跳到50，中间能够跳过很多元素，无需进行一一比对，跳表求交集的时间复杂度近似O(log(n))，这是搜索引擎中常见的算法。

简单小结一下：

（1）全网搜索引擎系统由spider, search&index, rank三个子系统构成；

（2）站内搜索引擎与全网搜索引擎的差异在于，少了一个spider子系统；

（3）spider和search&index系统是两个工程系统，rank系统的优化却需要长时间的调优和积累；

（4）正排索引（forward index）是由网页url_id快速找到分词后网页内容list<item>的过程；

（5）倒排索引（inverted index）是由分词item快速寻找包含这个分词的网页list<url_id>的过程；

（6）用户检索的过程，是先分词，再找到每个item对应的list<url_id>，最后进行集合求交集的过程；

（7）有序集合求交集的方法有：

 - 二重for循环法，时间复杂度O(n*n)

 - 拉链法，时间复杂度O(n)

 - 水平分桶，多线程并行

 - bitmap，大大提高运算并行度，时间复杂度O(n)

 - 跳表，时间复杂度为O(log(n))

需求二：我想做一个内容检索功能，不复杂，100亿数据，每秒10万查询而已，两个星期能上线吗？

大部分工程师未必接触过“搜索内核”，但互联网业务，基本会涉及“检索”功能。以同城的帖子业务场景为例，帖子的标题，帖子的内容有很强的用户检索需求，在业务、流量、并发量逐步递增的各个阶段，应该如何实现检索需求呢？

原始阶段-LIKE

创业阶段，常常用这种方法来快速实现。

数据在数据库中可能是这么存储的：

t_tiezi(tid, title, content)

满足标题、内容的检索需求可以通过LIKE实现：

select tid from t_tiezi where content like ‘%天通苑%’

这种方式确实能够快速满足业务需求，存在的问题也显而易见：

（1）效率低，每次需要全表扫描，计算量大，并发高时cpu容易100%；

（2）不支持分词；

初级阶段-全文索引

如何快速提高效率，支持分词，并对原有系统架构影响尽可能小呢，第一时间想到的是建立全文索引：

alter table t_tiezi add fulltext(title,content)

使用match和against实现索引字段上的查询需求。

全文索引能够快速实现业务上分词的需求，并且快速提升性能（分词后倒排，至少不要全表扫描了），但也存在一些问题：

（1）只适用于MyISAM；

（2）由于全文索引利用的是数据库特性，搜索需求和普通CURD需求耦合在数据库中：检索需求并发大时，可能影响CURD的请求；CURD并发大时，检索会非常的慢；

（3）数据量达到百万级别，性能还是会显著降低，查询返回时间很长，业务难以接受；

（4）比较难水平扩展；

中级阶段-开源外置索引

为了解决全文索的局限性，当数据量增加到大几百万，千万级别时，就要考虑外置索引了。外置索引的核心思路是：索引数据与原始数据分离，前者满足搜索需求，后者满足CURD需求，通过一定的机制（双写，通知，定期重建）来保证数据的一致性。

原始数据可以继续使用mysql来存储，外置索引如何实施？Solr，Lucene，ES都是常见的开源方案。其中，ES（ElasticSearch）是目前最为流行的。

Lucene虽好，潜在的不足是：

（1）Lucene只是一个库，需要自己做服务，自己实现高可用/可扩展/负载均衡等复杂特性；

（2）Lucene只支持Java，如果要支持其他语言，必须得自己做服务；

（3）Lucene不友好，这是很致命的，非常复杂，使用者往往需要深入了解搜索的知识来理解它的工作原理，为了屏蔽其复杂性，还是得自己做服务；

为了改善Lucene的各项不足，解决方案都是“封装一个接口友好的服务，屏蔽底层复杂性”，于是有了ES：

（1）ES是一个以Lucene为内核来实现搜索功能，提供REStful接口的服务；

（2）ES能够支持很大数据量的信息存储，支持很高并发的搜索请求；

（3）ES支持集群，向使用者屏蔽高可用/可扩展/负载均衡等复杂特性；

目前，快狗打车使用ES作为核心的搜索服务，实现业务上的各类搜索需求，其中：

（1）数据量最大的“接口耗时数据收集”需求，数据量大概在10亿左右；

（2）并发量最大的“经纬度，地理位置搜索”需求，线上平均并发量大概在2000左右，压测数据并发量在8000左右；

所以，ES完全能满足10亿数据量，5k吞吐量的常见搜索业务需求。

高级阶段-自研搜索引擎

当数据量进一步增加，达到10亿、100亿数据量；并发量也进一步增加，达到每秒10万吞吐量；业务个性也逐步增加的时候，就需要自研搜索引擎了，定制化实现搜索内核了。

到了定制化自研搜索引擎的阶段，超大数据量、超高并发量为设计重点，为了达到“无限容量、无限并发”的需求，架构设计需要重点考虑“扩展性”，力争做到：增加机器就能扩容（数据量+并发量）。

同城的自研搜索引擎E-search初步架构图如下：

（1）上层proxy（粉色）是接入集群，为对外门户，接受搜索请求，其无状态性能够保证增加机器就能扩充proxy集群性能；

（2）中层merger（浅蓝色）是逻辑集群，主要用于实现搜索合并，以及打分排序，业务相关的rank就在这一层实现，其无状态性也能够保证增加机器就能扩充merger集群性能；

（3）底层searcher（暗红色大框）是检索集群，服务和索引数据部署在同一台机器上，服务启动时可以加载索引数据到内存，请求访问时从内存中load数据，访问速度很快：

 - 为了满足数据容量的扩展性，索引数据进行了水平切分，增加切分份数，就能够无限扩展性能，如上图searcher分为了4组

 - 为了满足一份数据的性能扩展性，同一份数据进行了冗余，理论上做到增加机器就无限扩展性能，如上图每组searcher又冗余了2份

如此设计，真正做到做到增加机器就能承载更多的数据量，响应更高的并发量。

简单小结一下：

为了满足搜索业务的需求，随着数据量和并发量的增长，搜索架构一般会经历这么几个阶段：

（1）原始阶段-LIKE；

（2）初级阶段-全文索引；

（3）中级阶段-开源外置索引；

（4）高级阶段-自研搜索引擎；

需求三：检索的时效性，对用户体验来说很重要，必须检索出5分钟之前的新闻，1秒钟之前发布的贴子，不复杂吧？

最后一个高级话题，关于搜索的实时性：

百度为何能实时检索出5分钟之前新出的新闻？同城为何能实时检索出1秒钟之前发布的帖子？

实时搜索引擎系统架构的要点是什么？

大数据量、高并发量情况下的搜索引擎为了保证实时性，架构设计上的两个要点：

（1）索引分级；

（2）dump&merge；

首先，在数据量非常大的情况下，为了保证倒排索引的高效检索效率，任何对数据的更新，并不会实时修改索引。

画外音：因为，一旦产生碎片，会大大降低检索效率。

既然索引数据不能实时修改，如何保证最新的网页能够被索引到呢？

索引分级，分为全量库、日增量库、小时增量库。

如上图所述：

（1）300亿数据在全量索引库中；

（2）1000万1天内修改过的数据在天库中；

（3）50万1小时内修改过的数据在小时库中；

当有修改请求发生时，只会操作最低级别的索引，例如小时库。

当有查询请求发生时，会同时查询各个级别的索引，将结果合并，得到最新的数据：

（1）全量库是紧密存储的索引，无碎片，速度快；

（2）天库是紧密存储，速度快；

（3）小时库数据量小，速度也快；

分级索引能够保证实时性，那么，新的问题来了，小时库数据何时反映到天库中，天库中的数据何时反映到全量库中呢？

dump&merge，索引的导出与合并，由这两个异步的工具完成：

dumper：将在线的数据导出。

merger：将离线的数据合并到高一级别的索引中去。

小时库，一小时一次，合并到天库中去；

天库，一天一次，合并到全量库中去；

这样就保证了小时库和天库的数据量都不会特别大；

如果数据量和并发量更大，还能增加星期库，月库来缓冲。

简单小结一下：

超大数据量，超高并发量，实时搜索引擎的两个架构要点：

（1）索引分级；

（2）dump&merge；

关于“搜索”与“检索”的需求，能满足了吗？

架构师之路-分享技术思路

相关推荐：

《必须知道的RPC内核细节（收藏）》

《谁家的加密密钥，写死在代码里？》

调研：

你收到过什么变态的需求吗？