“搜索”的原理，架構，實現，實踐，面試不用再怕了

全網搜索引擎架構與流程如何？

全網搜索引擎的宏觀架構如上圖，核心子系統主要分為三部分（粉色部分）：

（1）spider爬蟲系統；

（2）search&index建立索引與查詢索引系統，這個系統又主要分為兩部分：

• 一部分用於生成索引數據build_index
• 一部分用於查詢索引數據search_index

（3）rank打分排序系統；

核心數據主要分為兩部分（紫色部分）：

（1）web網頁庫；

（2）index索引數據；

全網搜索引擎的業務特點決定了，這是一個“寫入”和“檢索”分離的系統。

寫入是如何實施的？

系統組成：由spider與search&index兩個系統完成。

輸入：站長們生成的互聯網網頁。

輸出：正排倒排索引數據。

流程：如架構圖中的1，2，3，4：

（1）spider把互聯網網頁抓過來；

（2）spider把互聯網網頁存儲到網頁庫中（這個對存儲的要求很高，要存儲幾乎整個“萬維網”的鏡像）；

（3）build_index從網頁庫中讀取數據，完成分詞；

（4）build_index生成倒排索引；

檢索是如何實施的？

系統組成：由search&index與rank兩個系統完成。

輸入：用戶的搜索詞。

輸出：排好序的第一頁檢索結果。

流程：如架構圖中的a，b，c，d：

（a）search_index獲得用戶的搜索詞，完成分詞；

（b）search_index查詢倒排索引，獲得“字符匹配”網頁，這是初篩的結果；

（c）rank對初篩的結果進行打分排序；

（d）rank對排序後的第一頁結果返回；

站內搜索引擎架構與流程如何？

做全網搜索的公司畢竟是少數，絕大部分公司要實現的其實只是一個站內搜索，以58同城100億帖子的搜索為例，其整體架構如下：

站內搜索引擎的宏觀架構如上圖，與全網搜索引擎的宏觀架構相比，差異只有寫入的地方：

（1）全網搜索需要spider要被動去抓取數據；

（2）站內搜索是內部系統生成的數據，例如“發佈系統”會將生成的帖子主動推給build_data系統；

畫外音：看似“很小”的差異，架構實現上難度卻差很多，全網搜索如何“實時”發現“全量”的網頁是非常困難的，而站內搜索容易實時得到全部數據。

對於spider、search&index、rank三個系統：

（1）spider和search&index是相對工程的系統；

（2）rank是和業務、策略緊密、算法相關的系統，搜索體驗的差異主要在此，而業務、策略的優化是需要時間積累的，這裡的啟示是：

• Google的體驗比Baidu好，根本在於前者rank牛逼
• 國內互聯網公司（例如360）短時間要搞一個體驗超越Baidu的搜索引擎，是很難的，真心需要時間的積累

前面的內容太宏觀，為了照顧大部分沒有做過搜索引擎的同學，數據結構與算法部分從正排索引、倒排索引一點點開始。

什麼是正排索引（forward index）？

簡言之，由key查詢實體的過程，使用正排索引。

例如，用戶表：

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

由uid查詢整行的過程，就時正排索引查詢。

又例如，網頁庫：

t_web_page(url, page_content)

由url查詢整個網頁的過程，也是正排索引查詢。

網頁內容分詞後，page_content會對應一個分詞後的集合list。

簡易的，正排索引可以理解為：

Map

能夠由網頁url快速找到內容的一個數據結構。

畫外音：時間複雜度可以認為是O(1)。

什麼是倒排索引（inverted index）？

與正排索引相反，由item查詢key的過程，使用倒排索引。

對於網頁搜索，倒排索引可以理解為：

Map<item>

能夠由查詢詞快速找到包含這個查詢詞的網頁的數據結構。

畫外音：時間複雜度也是O(1)。

舉個例子，假設有3個網頁：

url1 -> “我愛北京”

url2 -> “我愛到家”

url3 -> “到家美好”

這是一個正排索引：

Map。

分詞之後：

url1 -> {我，愛，北京}

url2 -> {我，愛，到家}

url3 -> {到家，美好}

這是一個分詞後的正排索引：

Map>。

分詞後倒排索引：

我 -> {url1, url2}

愛 -> {url1, url2}

北京 -> {url1}

到家 -> {url2, url3}

美好 -> {url3}

由檢索詞item快速找到包含這個查詢詞的網頁Map>就是倒排索引。

畫外音：明白了吧，詞到url的過程，是倒排索引。

正排索引和倒排索引是spider和build_index系統提前建立好的數據結構，為什麼要使用這兩種數據結構，是因為它能夠快速的實現“用戶網頁檢索”需求。

畫外音，業務需求決定架構實現，查詢起來都很快。

檢索的過程是什麼樣的？

假設搜索詞是“我愛”：

（1）分詞，“我愛”會分詞為{我，愛}，時間複雜度為O(1)；

（2）每個分詞後的item，從倒排索引查詢包含這個item的網頁list，時間複雜度也是O(1)：

我 -> {url1, url2}

愛 -> {url1, url2}

（3）求list的交集，就是符合所有查詢詞的結果網頁，對於這個例子，{url1, url2}就是最終的查詢結果；

畫外音：檢索的過程也很簡單：分詞，查倒排索引，求結果集交集。

就結束了嗎？其實不然，分詞和倒排查詢時間複雜度都是O(1)，整個搜索的時間複雜度取決於“求list的交集”，問題轉化為了求兩個集合交集。

字符型的url不利於存儲與計算，一般來說每個url會有一個數值型的url_id來標識，後文為了方便描述，list統一用list替代。

list1和list2，求交集怎麼求？

方案一：for for，土辦法，時間複雜度O(nn)

每個搜索詞命中的網頁是很多的，O(nn)的複雜度是明顯不能接受的。倒排索引是在創建之初可以進行排序預處理，問題轉化成兩個有序的list求交集，就方便多了。

畫外音：比較笨的方法。

方案二：有序list求交集，拉鍊法

有序集合1{1,3,5,7,8,9}

有序集合2{2,3,4,5,6,7}

兩個指針指向首元素，比較元素的大小：

（1）如果相同，放入結果集，隨意移動一個指針；

（2）否則，移動值較小的一個指針，直到隊尾；

這種方法的好處是：

（1）集合中的元素最多被比較一次，時間複雜度為O(n)；

（2）多個有序集合可以同時進行，這適用於多個分詞的item求url_id交集；

這個方法就像一條拉鍊的兩邊齒輪，一一比對就像拉鍊，故稱為拉鍊法；

畫外音：倒排索引是提前初始化的，可以利用“有序”這個特性。

方案三：分桶並行優化

數據量大時，url_id分桶水平切分+並行運算是一種常見的優化方法，如果能將list1和list2分成若干個桶區間，每個區間利用多線程並行求交集，各個線程結果集的並集，作為最終的結果集，能夠大大的減少執行時間。

舉例：

有序集合1{1,3,5,7,8,9, 10,30,50,70,80,90}

有序集合2{2,3,4,5,6,7, 20,30,40,50,60,70}

求交集，先進行分桶拆分：

桶1的範圍為[1, 9]

桶2的範圍為[10, 100]

桶3的範圍為[101, max_int]

於是：

集合1就拆分成

集合a{1,3,5,7,8,9}

集合b{10,30,50,70,80,90}

集合c{}

集合2就拆分成

集合d{2,3,4,5,6,7}

集合e{20,30,40,50,60,70}

集合e{}

每個桶內的數據量大大降低了，並且每個桶內沒有重複元素，可以利用多線程並行計算：

桶1內的集合a和集合d的交集是x{3,5,7}

桶2內的集合b和集合e的交集是y{30, 50, 70}

桶3內的集合c和集合d的交集是z{}

最終，集合1和集合2的交集，是x與y與z的並集，即集合{3,5,7,30,50,70}。

畫外音：多線程、水平切分都是常見的優化手段。

方案四：bitmap再次優化

數據進行了水平分桶拆分之後，每個桶內的數據一定處於一個範圍之內，如果集合符合這個特點，就可以使用bitmap來表示集合：

如上圖，假設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]的範圍之內，可以用16個bit來描述這兩個集合，原集合中的元素x，在這個16bitmap中的第x個bit為1，此時兩個bitmap求交集，只需要將兩個bitmap進行“與”操作，結果集bitmap的3，5，7位是1，表明原集合的交集為{3,5,7}。

水平分桶，bitmap優化之後，能極大提高求交集的效率，但時間複雜度仍舊是O(n)。bitmap需要大量連續空間，佔用內存較大。

畫外音：bitmap能夠表示集合，用它求集合交集速度非常快。

方案五：跳錶skiplist

有序鏈表集合求交集，跳錶是最常用的數據結構，它可以將有序集合求交集的複雜度由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，如果用拉鍊法，會發現1,2,3,4,20,21,22,23都要被無效遍歷一次，每個元素都要被比對，時間複雜度為O(n)，能不能每次比對“跳過一些元素”呢？

跳錶就出現了：

集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳錶時，一級只有{1,20,50}三個元素，二級與普通鏈表相同。

集合2{50,70}由於元素較少，只建立了一級普通鏈表。

如此這般，在實施“拉鍊”求交集的過程中，set1的指針能夠由1跳到20再跳到50，中間能夠跳過很多元素，無需進行一一比對，跳錶求交集的時間複雜度近似O(log(n))，這是搜索引擎中常見的算法。

簡單小結一下：

（1）全網搜索引擎系統由spider, search&index, rank三個子系統構成；

（2）站內搜索引擎與全網搜索引擎的差異在於，少了一個spider子系統；

（3）spider和search&index系統是兩個工程系統，rank系統的優化卻需要長時間的調優和積累；

（4）正排索引（forward index）是由網頁url_id快速找到分詞後網頁內容list的過程；

（5）倒排索引（inverted index）是由分詞item快速尋找包含這個分詞的網頁list的過程；

（6）用戶檢索的過程，是先分詞，再找到每個item對應的list，最後進行集合求交集的過程；

（7）有序集合求交集的方法有：

• 二重for循環法，時間複雜度O(nn)
• 拉鍊法，時間複雜度O(n)
• 水平分桶，多線程並行
• bitmap，大大提高運算並行度，時間複雜度O(n)
• 跳錶，時間複雜度為O(log(n))

畫外音：面試應該夠用了。

大部分工程師未必接觸過“搜索內核”，但互聯網業務，基本會涉及“檢索”功能。還是以58同城的帖子業務場景為例，帖子的標題，帖子的內容有很強的用戶檢索需求，在業務、流量、併發量逐步遞增的各個階段，應該如何實現檢索需求呢？

原始階段-LIKE

創業階段，常常用這種方法來快速實現。

數據在數據庫中可能是這麼存儲的：

t_tiezi(tid, title, content)

滿足標題、內容的檢索需求可以通過LIKE實現：

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

這種方式確實能夠快速滿足業務需求，存在的問題也顯而易見：

（1）效率低，每次需要全表掃描，計算量大，併發高時cpu容易100%；

（2）不支持分詞；

初級階段-全文索引

如何快速提高效率，支持分詞，並對原有系統架構影響儘可能小呢，第一時間想到的是建立全文索引：

alter table t_tiezi add fulltext(title,content)

使用match和against實現索引字段上的查詢需求。

全文索引能夠快速實現業務上分詞的需求，並且快速提升性能（分詞後倒排，至少不要全表掃描了），但也存在一些問題：

（1）只適用於MyISAM；

（2）由於全文索引利用的是數據庫特性，搜索需求和普通CURD需求耦合在數據庫中：檢索需求併發大時，可能影響CURD的請求；CURD併發大時，檢索會非常的慢；

（3）數據量達到百萬級別，性能還是會顯著降低，查詢返回時間很長，業務難以接受；

（4）比較難水平擴展；

中級階段-開源外置索引

為了解決全文索的侷限性，當數據量增加到大幾百萬，千萬級別時，就要考慮外置索引了。外置索引的核心思路是：索引數據與原始數據分離，前者滿足搜索需求，後者滿足CURD需求，通過一定的機制（雙寫，通知，定期重建）來保證數據的一致性。

原始數據可以繼續使用Mysql來存儲，外置索引如何實施？Solr，Lucene，ES都是常見的開源方案。其中，ES（ElasticSearch）是目前最為流行的。

Lucene雖好，潛在的不足是：

（1）Lucene只是一個庫，需要自己做服務，自己實現高可用/可擴展/負載均衡等複雜特性；

（2）Lucene只支持Java，如果要支持其他語言，必須得自己做服務；

（3）Lucene不友好，這是很致命的，非常複雜，使用者往往需要深入瞭解搜索的知識來理解它的工作原理，為了屏蔽其複雜性，還是得自己做服務；

為了改善Lucene的各項不足，解決方案都是“封裝一個接口友好的服務，屏蔽底層複雜性”，於是有了ES：

（1）ES是一個以Lucene為內核來實現搜索功能，提供REStful接口的服務；

（2）ES能夠支持很大數據量的信息存儲，支持很高併發的搜索請求；

（3）ES支持集群，向使用者屏蔽高可用/可擴展/負載均衡等複雜特性；

目前，快狗打車使用ES作為核心的搜索服務，實現業務上的各類搜索需求，其中：

（1）數據量最大的“接口耗時數據收集”需求，數據量大概在10億左右；

（2）併發量最大的“經緯度，地理位置搜索”需求，線上平均併發量大概在2000左右，壓測數據併發量在8000左右；

所以，ES完全能滿足10億數據量，5k吞吐量的常見搜索業務需求。

高級階段-自研搜索引擎

當數據量進一步增加，達到10億、100億數據量；併發量也進一步增加，達到每秒10萬吞吐量；業務個性也逐步增加的時候，就需要自研搜索引擎了，定製化實現搜索內核了。

到了定製化自研搜索引擎的階段，超大數據量、超高併發量為設計重點，為了達到“無限容量、無限併發”的需求，架構設計需要重點考慮“擴展性”，力爭做到：增加機器就能擴容（數據量+併發量）。

58同城的自研搜索引擎E-search初步架構圖如下：

（1）上層proxy（粉色）是接入集群，為對外門戶，接受搜索請求，其無狀態性能夠保證增加機器就能擴充proxy集群性能；

（2）中層merger（淺藍色）是邏輯集群，主要用於實現搜索合併，以及打分排序，業務相關的rank就在這一層實現，其無狀態性也能夠保證增加機器就能擴充merger集群性能；

（3）底層searcher（暗紅色大框）是檢索集群，服務和索引數據部署在同一臺機器上，服務啟動時可以加載索引數據到內存，請求訪問時從內存中load數據，訪問速度很快：

• 為了滿足數據容量的擴展性，索引數據進行了水平切分，增加切分份數，就能夠無限擴展性能，如上圖searcher分為了4組
• 為了滿足一份數據的性能擴展性，同一份數據進行了冗餘，理論上做到增加機器就無限擴展性能，如上圖每組searcher又冗餘了2份

如此設計，真正做到做到增加機器就能承載更多的數據量，響應更高的併發量。

簡單小結一下：

為了滿足搜索業務的需求，隨著數據量和併發量的增長，搜索架構一般會經歷這麼幾個階段：

（1）原始階段-LIKE；

（2）初級階段-全文索引；

（3）中級階段-開源外置索引；

（4）高級階段-自研搜索引擎；

最後一個高級話題，關於搜索的實時性：

百度為何能實時檢索出15分鐘之前新出的新聞？58同城為何能實時檢索出1秒鐘之前發佈的帖子？

實時搜索引擎系統架構的要點是什麼？

大數據量、高併發量情況下的搜索引擎為了保證實時性，架構設計上的兩個要點：

（1）索引分級；

（2）dump&merge；

首先，在數據量非常大的情況下，為了保證倒排索引的高效檢索效率，任何對數據的更新，並不會實時修改索引。

畫外音：因為，一旦產生碎片，會大大降低檢索效率。

既然索引數據不能實時修改，如何保證最新的網頁能夠被索引到呢？

索引分級，分為全量庫、日增量庫、小時增量庫。

如上圖所述：

（1）300億數據在全量索引庫中；

（2）1000萬1天內修改過的數據在天庫中；

（3）50萬1小時內修改過的數據在小時庫中；

當有修改請求發生時，只會操作最低級別的索引，例如小時庫。

當有查詢請求發生時，會同時查詢各個級別的索引，將結果合併，得到最新的數據：

（1）全量庫是緊密存儲的索引，無碎片，速度快；

（2）天庫是緊密存儲，速度快；

（3）小時庫數據量小，速度也快；

分級索引能夠保證實時性，那麼，新的問題來了，小時庫數據何時反映到天庫中，天庫中的數據何時反映到全量庫中呢？

dump&merge，索引的導出與合併，由這兩個異步的工具完成：

dumper：將在線的數據導出。
merger：將離線的數據合併到高一級別的索引中去。

小時庫，一小時一次，合併到天庫中去；

天庫，一天一次，合併到全量庫中去；

這樣就保證了小時庫和天庫的數據量都不會特別大；

如果數據量和併發量更大，還能增加星期庫，月庫來緩衝。

簡單小結一下：

超大數據量，超高併發量，實時搜索引擎的兩個架構要點：

（1）索引分級；

（2）dump&merge；

關於“搜索”與“檢索”，GET到新技能了嗎？

本文轉自“架構師之路”公眾號，58沈劍提供。

閱讀更多 AI前哨站 的文章

關鍵字: 美好，一直在身邊 數據結構 58