深入浅出搜索架构引擎、方案与细节(上)



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

一、缘起

100 亿数据 1 万属性数据架构设计》文章发布后,不少朋友对 58 同城自研搜索引擎 E-search 比较感兴趣,故专门撰文体系化的聊聊搜索引擎,从宏观到细节,希望把逻辑关系讲清楚,内容比较多,分上下两期。

主要内容如下,本篇(上)会重点介绍前三章:

(1)全网搜索引擎架构与流程

(2)站内搜索引擎架构与流程

(3)搜索原理、流程与核心数据结构

(4)流量数据量由小到大,搜索方案与架构变迁

(5)数据量、并发量、策略扩展性及架构方案

(6)实时搜索引擎核心技术

可能 99% 的同学不实施搜索引擎,但本文一定对你有帮助。

二、全网搜索引擎架构与流程

全网搜索的宏观架构长啥样?

全网搜索的宏观流程是怎么样的?

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”完全分离的系统:

【写入】

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】

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

三、站内搜索引擎架构与流程

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,站内搜索引擎的宏观架构和全网搜索引擎的宏观架构有什么异同?

以 58 同城 100 亿帖子的搜索为例,站内搜索系统架构长啥样?站内搜索流程是怎么样的?

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

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 是相对工程的系统

(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:

a)Google 的体验比 Baidu 好,根本在于前者 rank 牛逼

b)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

四、搜索原理与核心数据结构

什么是正排索引?

什么是倒排索引?

搜索的过程是什么样的?

会用到哪些算法与数据结构?

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。

提问:什么是正排索引(forward index)?

回答:由 key 查询实体的过程,是正排索引。

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。

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

简易的,正排索引可以理解为 Map>,能够由网页快速(时间复杂度 O(1))找到内容的一个数据结构。

提问:什么是倒排索引(inverted index)?

回答:由 item 查询 key 的过程,是倒排索引。

对于网页搜索,倒排索引可以理解为 Map>,能够由查询词快速(时间复杂度 O(1))找到包含这个查询词的网页的数据结构。

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。

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>。

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> 就是倒排索引。

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(业务需求决定架构实现)

提问:搜索的过程是什么样的?

假设搜索词是“我爱”,用户会得到什么网页呢?

(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,时间复杂度也是 O(1):

我 -> {url1, url2}

爱 -> {url1, url2}

(3)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

看似到这里就结束了,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?

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(nn) 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。

方案二:有序 list 求交集,拉链法

有序集合 1{1,3,5,7,8,9}

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:

(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

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:

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 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 x{3,5,7}

桶 2 内的集合 b 和集合 e 的交集是 y{30, 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}

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

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 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。

五、总结

文字很多,有宏观,有细节,对于大部分不是专门研究搜索引擎的同学,记住以下几点即可:

(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

     a)二重for循环法,时间复杂度O(n*n)

     b)拉链法,时间复杂度O(n)

     c)水平分桶,多线程并行

     d)bitmap,大大提高运算并行度,时间复杂度O(n)

     e)跳表,时间复杂度为O(log(n))

六、下章预告

a)流量数据量由小到大,搜索方案与架构变迁 -> 这个应该很有用,很多处于不同发展阶段的互联网公司都在做搜索系统,58 同城经历过流量从 0 到 10 亿,数据量从 0 到 100 亿,搜索架构也不断演化着

b)数据量、并发量、策略扩展性及架构方案

c)实时搜索引擎核心技术 -> 站长发布 1 个新网页,Google 如何做到 15 分钟后检索出来

==【(上)完】==


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com