一、緣起

《100億數據1萬屬性數據架構設計》文章發布后，不少朋友對58同城自研搜索引擎E-search比較感興趣，故專門撰文體系化的聊聊搜索引擎，從宏觀到細節，希望把邏輯關系講清楚，內容比較多，分上下兩期。

主要內容如下，本篇(上)會重點介紹前三章：

(1)全網搜索引擎架構與流程

(2)站內搜索引擎架構與流程

(3)搜索原理、流程與核心數據結構

(4)流量數據量由小到大，搜索方案與架構變遷

(5)數據量、并發量、策略擴展性及架構方案

(6)實時搜索引擎核心技術

可能99%的同學不實施搜索引擎，但本文一定對你有幫助。

二、全網搜索引擎架構與流程

全網搜索的宏觀架構長啥樣?

全網搜索的宏觀流程是怎么樣的?

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：

• 一部分用于生成索引數據build_index
• 一部分用于查詢索引數據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)：

• web網頁庫
• 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”完全分離的系統：

【寫入】

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】

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***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對排序后的***頁結果返回

三、站內搜索引擎架構與流程

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，站內搜索引擎的宏觀架構和全網搜索引擎的宏觀架構有什么異同?

以58同城100億帖子的搜索為例，站內搜索系統架構長啥樣?站內搜索流程是怎么樣的?

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“發布系統”會將生成的帖子主動推給build_data系統

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。

對于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，這里的啟示是：

a)Google的體驗比Baidu好，根本在于前者rank牛逼

b)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

四、搜索原理與核心數據結構

• 什么是正排索引?
• 什么是倒排索引?
• 搜索的過程是什么樣的?
• 會用到哪些算法與數據結構?

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。

提問：什么是正排索引(forward index)?

回答：由key查詢實體的過程，是正排索引。

用戶表：t_user(uid, name, passwd, age, sex)，由uid查詢整行的過程，就是正排索引查詢。

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。

網頁內容分詞后，page_content會對應一個分詞后的集合list。

簡易的，正排索引可以理解為Map

提問：什么是倒排索引(inverted index)?

回答：由item查詢key的過程，是倒排索引。

對于網頁搜索，倒排索引可以理解為Map

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

分詞之后：

url1 -> {我，愛，北京}

url2 -> {我，愛，到家}

url3 -> {到家，美好}

這是一個分詞后的正排索引Map

分詞后倒排索引：

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

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，為什么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(業務需求決定架構實現)。

提問：搜索的過程是什么樣的?

假設搜索詞是“我愛”，用戶會得到什么網頁呢?

(1)分詞，“我愛”會分詞為{我，愛}，時間復雜度為O(1)

(2)每個分詞后的item，從倒排索引查詢包含這個item的網頁list，時間復雜度也是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，對于這個例子，{url1, url2}就是最終的查詢結果

看似到這里就結束了，其實不然，分詞和倒排查詢時間復雜度都是O(1)，整個搜索的時間復雜度取決于“求list的交集”，問題轉化為了求兩個集合交集。

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

提問：list1和list2，求交集怎么求?

方案一：for * for，土辦法，時間復雜度O(n*n)

每個搜索詞***的網頁是很多的，O(n*n)的復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。

方案二：有序list求交集，拉鏈法

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，時間復雜度為O(n)

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

這個方法就像一條拉鏈的兩邊齒輪，一一比對就像拉鏈，故稱為拉鏈法

方案三：分桶并行優化

數據量大時，url_id分桶水平切分+并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并行求交集，各個線程結果集的并集，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的范圍為[1, 9]
• 桶2的范圍為[10, 100]
• 桶3的范圍為[101, max_int]

于是：

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，并且每個桶內沒有重復元素，可以利用多線程并行計算：

• 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的并集，即集合{3,5,7,30,50,70}

方案四：bitmap再次優化

數據進行了水平分桶拆分之后，每個桶內的數據一定處于一個范圍之內，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]的范圍之內，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優化之后，能極大提高求交集的效率，但時間復雜度仍舊是O(n)

bitmap需要大量連續空間，占用內存較大

方案五：跳表skiplist

有序鏈表集合求交集，跳表是最常用的數據結構，它可以將有序集合求交集的復雜度由O(n)降至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，如果用拉鏈法，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，時間復雜度為O(n)，能不能每次比對“跳過一些元素”呢?

跳表就出現了：

• 集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳表時，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}由于元素較少，只建立了一級普通鏈表

如此這般，在實施“拉鏈”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，跳表求交集的時間復雜度近似O(log(n))，這是搜索引擎中常見的算法。

五、總結

文字很多，有宏觀，有細節，對于大部分不是專門研究搜索引擎的同學，記住以下幾點即可：

(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于，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快速找到分詞后網頁內容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，***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，時間復雜度O(n*n)
• 拉鏈法，時間復雜度O(n)
• 水平分桶，多線程并行
• bitmap，大大提高運算并行度，時間復雜度O(n)
• 跳表，時間復雜度為O(log(n))

六、下章預告

a)流量數據量由小到大，搜索方案與架構變遷-> 這個應該很有用，很多處于不同發展階段的互聯網公司都在做搜索系統，58同城經歷過流量從0到10億，數據量從0到100億，搜索架構也不斷演化著

b)數據量、并發量、策略擴展性及架構方案

c)實時搜索引擎核心技術 -> 站長發布1個新網頁，Google如何做到15分鐘后檢索出來

【本文為51CTO專欄作者“58沈劍”原創稿件，轉載請聯系原作者】

戳這里，看該作者更多好文