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?
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?
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：
- 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：
- 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<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：
- 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：
- url1 -> “我爱北京”
- url2 -> “我爱到家”
- url3 -> “到家美好”
这是一个正排索引：
- Map<url, page_content>
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<url, list<item>>
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。
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;
- 我 -> {url1, url2}
- 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
- 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：
- 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：
- 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}。
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：
- t_tiezi(tid, title, content)
满足标题、内容的检索需求可以通过LIKE实现：
- 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：
- 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】
