“搜索”的原理,架构,实现,实践,面试不用再怕了(值得收藏)

开发 开发工具 前端
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的东西,希望本文能够给大家一些启示。

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的东西,希望本文能够给大家一些启示。

全网搜索引擎架构与流程如何?

搜索引擎架构

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):

  • web网页库;
  • 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?

搜索引擎架构

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;

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58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:

  • 全网搜索需要spider要被动去抓取数据;
  • 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:
  • spider和search&index是相对工程的系统;

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:

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

由uid查询整行的过程,就时正排索引查询。

又例如,网页库:

  1. 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。

简易的,正排索引可以理解为:

  1. 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:

  1. 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:

  1. url1 -> “我爱北京” 
  2. url2 -> “我爱到家” 
  3. url3 -> “到家美好” 

这是一个正排索引:

  1. Map<url, page_content>

分词之后:

  1. url1 -> {我,爱,北京} 
  2. url2 -> {我,爱,到家} 
  3. url3 -> {到家,美好} 

这是一个分词后的正排索引:

  1. Map<url, list<item>>

分词后倒排索引:

  1. 我 -> {url1, url2} 
  2. 爱 -> {url1, url2} 
  3. 北京 -> {url1} 
  4. 到家 -> {url2, url3} 
  5. 美好 -> {url3} 

由检索词item快速找到包含这个查询词的网页Map>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”:

  • 分词,“我爱”会分词为{我,爱},时间复杂度为O(1);
  • 每个分词后的item,从倒排索引查询包含这个item的网页list,时间复杂度也是O(1):
  • 求list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;
    1. 我 -> {url1, url2} 
    2. 爱 -> {url1, url2} 

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统一用list替代。

list1和list2,求交集怎么求?

(1) 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。

(2) 方案二:有序list求交集,拉链法

  1. 有序集合1{1,3,5,7,8,9} 
  2. 有序集合2{2,3,4,5,6,7} 

两个指针指向首元素,比较元素的大小:

  • 如果相同,放入结果集,随意移动一个指针;
  • 否则,移动值较小的一个指针,直到队尾;

这种方法的好处是:

  • 集合中的元素最多被比较一次,时间复杂度为O(n);
  • 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。

(3) 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和list2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:

  1. 有序集合1{1,3,5,7,8,9, 10,30,50,70,80,90} 
  2. 有序集合2{2,3,4,5,6,7, 20,30,40,50,60,70} 

求交集,先进行分桶拆分:

  1. 桶1的范围为[1, 9] 
  2. 桶2的范围为[10, 100] 
  3. 桶3的范围为[101, max_int] 

于是:

集合1就拆分成

  1. 集合a{1,3,5,7,8,9} 
  2. 集合b{10,30,50,70,80,90} 
  3. 集合c{} 

集合2就拆分成

  1. 集合d{2,3,4,5,6,7} 
  2. 集合e{20,30,40,50,60,70} 
  3. 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:

  1. 桶1内的集合a和集合d的交集是x{3,5,7} 
  2. 桶2内的集合b和集合e的交集是y{30, 50, 70} 
  3. 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。

(4)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。

(5)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1{1,2,3,4,20,21,22,23,50,60,70}

集合2{50,70}

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,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))

画外音:面试应该够用了。

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。还是以58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:

  1. t_tiezi(tid, title, content) 

满足标题、内容的检索需求可以通过LIKE实现:

  1. 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:

  • 效率低,每次需要全表扫描,计算量大,并发高时cpu容易100%;
  • 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:

  1. 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:

  • 只适用于MyISAM;
  • 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;
  • 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;
  • 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:

  • 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;
  • Lucene只支持Java,如果要支持其他语言,必须得自己做服务;
  • 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:

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

  • 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;
  • 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)。

58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:

  • 原始阶段-LIKE;
  • 初级阶段-全文索引;
  • 中级阶段-开源外置索引;
  • 高级阶段-自研搜索引擎;

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15分钟之前新出的新闻?58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:

  • 索引分级;
  • 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:

  • 300亿数据在全量索引库中;
  • 1000万1天内修改过的数据在天库中;
  • 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:

  • 全量库是紧密存储的索引,无碎片,速度快;
  • 天库是紧密存储,速度快;
  • 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:

  • 索引分级;
  • dump&merge;

关于“搜索”与“检索”,GET到新技能了吗?

【本文为51CTO专栏作者“58沈剑”原创稿件,转载请联系原作者】

戳这里,看该作者更多好文

责任编辑:赵宁宁 来源: 51CTO专栏
相关推荐

2019-06-17 05:03:37

memcache内核架构

2017-01-03 17:51:21

AndroidViewHolder工具类

2019-09-02 14:53:53

JVM内存布局GC

2015-05-06 10:06:48

AndroidViewHolder

2019-08-16 09:49:04

以太网数据传输

2013-07-22 10:01:03

JavascriptWeb

2019-04-22 15:00:05

CSS前端开发

2019-10-12 00:03:07

MyCat数据库分库分表

2019-08-15 14:33:26

2015-12-02 11:05:48

2023-12-31 09:30:21

LinuxRust模块

2023-11-15 16:35:31

SQL数据库

2012-06-21 09:23:56

JavaScript

2015-06-09 14:23:43

CSS收藏CSS框架

2022-06-28 10:20:58

微服务架构RPC

2018-06-11 20:37:39

华为双鸭山市人民医院医疗信息系统平台

2022-03-02 15:10:31

DateJavaScript前端

2018-04-26 10:48:36

机器学习神经网络TensorFlow

2023-11-16 09:10:18

多态封装继承

2022-11-30 08:17:41

JVM调优技巧
点赞
收藏

51CTO技术栈公众号