每秒10W次分词搜索，产品经理又提了一个需求！！！

,​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。,,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：,(3) rank打分排序系统；,核心数据主要分为两部分（紫色部分）：,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。,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：,,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：,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：,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：,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。,简言之，由key查询实体的过程，使用正排索引。,例如，用户表：,由uid查询整行的过程，就是正排索引查询。,又例如，网页库：,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：,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)。,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：,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：,这是一个正排索引：,分词之后：,这是一个分词后的正排索引：,分词后倒排索引：,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。,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)：,(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。,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,,两个指针指向首元素，比较元素的大小：,这种方法的好处是：,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：,求交集，先进行分桶拆分：,于是，,集合1就拆分成：,集合2就拆分成：,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：,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set1{1,3,5,7,8,9}和set2{2,3,4,5,6,7}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))。,,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1{1,2,3,4,20,21,22,23,50,60,70}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2{50,70}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：,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？,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：,满足标题、内容的检索需求可以通过LIKE实现：,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：,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：,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：,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：,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：,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：,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。 ,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：,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。,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：,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？ ,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：,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。,索引分级，分为全量库、日增量库、小时增量库。,,如上图所述：,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：, dump&merge，索引的导出与合并，由这两个异步的工具完成：,,超大数据量，超高并发量，实时搜索引擎的两个架构要点：,关于“搜索”与“检索”的需求，能满足了吗？​