搜索系统—搜索引擎的原理，架构与细节

1、全网搜索引擎架构与流程

全网搜索引擎的宏观架构如上图，核心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

1. search_index获得用户的搜索词，完成分词；
2. search_index查询倒排索引，获得“字符匹配”网页，这是初筛的结果；
3. rank对初筛的结果进行打分排序；
4. rank对排序后的第一页结果返回。

2、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是相对独立的系统；

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：

   • 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。

3、搜索原理与核心数据结构

3.1、什么是正排索引（forward index）?

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。

3.2、什么是倒排索引（inverted index）？

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）。

3.3、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。

4、list1和list2，求交集怎么求？

4.1、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。

4.2、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：

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。

4.3、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：

1. 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{}

2. 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}

---

4.4、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。

4.5、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。

5、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))。