“搜索”的原理
可能99%的同窗不作搜索引擎，但99%的同窗必定实现过检索功能。搜索，检索，这里面到底包含哪些技术的东西，但愿本文可以给你们一些启示。web
全网搜索引擎架构与流程如何？面试
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）：算法
（1）spider爬虫系统；sql
（2）search&index创建索引与查询索引系统，这个系统又主要分为两部分：数据库
-
一部分用于生成索引数据build_index数据结构
-
一部分用于查询索引数据search_index多线程
（3）rank打分排序系统；架构
核心数据主要分为两部分（紫色部分）：并发
（1）web网页库；负载均衡
（2）index索引数据；
全网搜索引擎的业务特色决定了，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得到用户的搜索词，完成分词；
（b）search_index查询倒排索引，得到“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；
站内搜索引擎架构与流程如何？
作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，其总体架构以下：
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，差别只有写入的地方：
（1）全网搜索须要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；
画外音：看似“很小”的差别，架构实现上难度却差不少，全网搜索如何“实时”发现“全量”的网页是很是困难的，而站内搜索容易实时获得所有数据。
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，搜索体验的差别主要在此，而业务、策略的优化是须要时间积累的，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）短期要搞一个体验超越Baidu的搜索引擎，是很难的，真心须要时间的积累
前面的内容太宏观，为了照顾大部分没有作过搜索引擎的同窗，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<item>。
简易的，正排索引能够理解为：
Map<url, list<item>>
可以由网页url快速找到内容的一个数据结构。
画外音：时间复杂度能够认为是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，倒排索引能够理解为：
Map<item, list<url>>
可以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>。
分词以后：
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<item, list<url>>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系统提早创建好的数据结构，为何要使用这两种数据结构，是由于它可以快速的实现“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”：
（1）分词，“我爱”会分词为{我，爱}，时间复杂度为O(1)；
（2）每一个分词后的item，从倒排索引查询包含这个item的网页list<url>，时间复杂度也是O(1)：
我 -> {url1, url2}
爱 -> {url1, url2}
（3）求list<url>的交集，就是符合全部查询词的结果网页，对于这个例子，{url1, url2}就是最终的查询结果；
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？其实否则，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<url>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，通常来讲每一个url会有一个数值型的url_id来标识，后文为了方便描述，list<url>统一用list<url_id>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)
每一个搜索词命中的网页是不少的，O(n*n)的复杂度是明显不能接受的。倒排索引是在建立之初能够进行排序预处理，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。
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）若是相同，放入结果集，随意移动一个指针；
（2）不然，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）多个有序集合能够同时进行，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：倒排索引是提早初始化的，能够利用“有序”这个特性。
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，若是能将list1<url_id>和list2<url_id>分红若干个桶区间，每一个区间利用多线程并行求交集，各个线程结果集的并集，做为最终的结果集，可以大大的减小执行时间。
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]
因而：
集合1就拆分红
集合a{1,3,5,7,8,9}
集合b{10,30,50,70,80,90}
集合c{}
集合2就拆分红
集合d{2,3,4,5,6,7}
集合e{20,30,40,50,60,70}
集合e{}
每一个桶内的数据量大大下降了，而且每一个桶内没有重复元素，能够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。
方案四：bitmap再次优化
数据进行了水平分桶拆分以后，每一个桶内的数据必定处于一个范围以内，若是集合符合这个特色，就可使用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}的全部元素都在桶值[1, 16]的范围以内，能够用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，只须要将两个bitmap进行“与”操做，结果集bitmap的3，5，7位是1，代表原集合的交集为{3,5,7}。
水平分桶，bitmap优化以后，能极大提升求交集的效率，但时间复杂度仍旧是O(n)。bitmap须要大量连续空间，占用内存较大。
画外音：bitmap可以表示集合，用它求集合交集速度很是快。
方案五：跳表skiplist
有序链表集合求交集，跳表是最经常使用的数据结构，它能够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，若是用拉链法，会发现1,2,3,4,20,21,22,23都要被无效遍历一次，每一个元素都要被比对，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}创建跳表时，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}因为元素较少，只创建了一级普通链表。
如此这般，在实施“拉链”求交集的过程当中，set1的指针可以由1跳到20再跳到50，中间可以跳过不少元素，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别在于，少了一个spider子系统；
（3）spider和search&index系统是两个工程系统，rank系统的优化却须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<item>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<url_id>的过程；
（6）用户检索的过程，是先分词，再找到每一个item对应的list<url_id>，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，大大提升运算并行度，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。仍是以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，经常用这种方法来快速实现。
数据在数据库中多是这么存储的：
t_tiezi(tid, title, content)
知足标题、内容的检索需求能够经过LIKE实现：
select tid from t_tiezi where content like ‘%天通苑%’
这种方式确实可以快速知足业务需求，存在的问题也显而易见：
（1）效率低，每次须要全表扫描，计算量大，并发高时cpu容易100%；
（2）不支持分词；
初级阶段-全文索引
如何快速提升效率，支持分词，并对原有系统架构影响尽量小呢，第一时间想到的是创建全文索引：
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。
全文索引可以快速实现业务上分词的需求，而且快速提高性能（分词后倒排，至少不要全表扫描了），但也存在一些问题：
（1）只适用于MyISAM；
（2）因为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，检索会很是的慢；
（3）数据量达到百万级别，性能仍是会显著下降，查询返回时间很长，业务难以接受；
（4）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，当数据量增长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，前者知足搜索需求，后者知足CURD需求，经过必定的机制（双写，通知，按期重建）来保证数据的一致性。
原始数据能够继续使用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：
（1）Lucene只是一个库，须要本身作服务，本身实现高可用/可扩展/负载均衡等复杂特性；
（2）Lucene只支持Java，若是要支持其余语言，必须得本身作服务；
（3）Lucene不友好，这是很致命的，很是复杂，使用者每每须要深刻了解搜索的知识来理解它的工做原理，为了屏蔽其复杂性，仍是得本身作服务；
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”，因而有了ES：
（1）ES是一个以Lucene为内核来实现搜索功能，提供REStful接口的服务；
（2）ES可以支持很大数据量的信息存储，支持很高并发的搜索请求；
（3）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做为核心的搜索服务，实现业务上的各种搜索需求，其中：
（1）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；
（2）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；
因此，ES彻底能知足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
当数据量进一步增长，达到10亿、100亿数据量；并发量也进一步增长，达到每秒10万吞吐量；业务个性也逐步增长的时候，就须要自研搜索引擎了，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，架构设计须要重点考虑“扩展性”，力争作到：增长机器就能扩容（数据量+并发量）。
58同城的自研搜索引擎E-search初步架构图以下：
（1）上层proxy（粉色）是接入集群，为对外门户，接受搜索请求，其无状态性可以保证增长机器就能扩充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，其无状态性也可以保证增长机器就能扩充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，服务启动时能够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：
-
为了知足数据容量的扩展性，索引数据进行了水平切分，增长切分份数，就可以无限扩展性能，如上图searcher分为了4组
-
为了知足一份数据的性能扩展性，同一份数据进行了冗余，理论上作到增长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，真正作到作到增长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：
为了知足搜索业务的需求，随着数据量和并发量的增加，搜索架构通常会经历这么几个阶段：
（1）原始阶段-LIKE；
（2）初级阶段-全文索引；
（3）中级阶段-开源外置索引；
（4）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：
百度为什么能实时检索出15分钟以前新出的新闻？58同城为什么能实时检索出1秒钟以前发布的帖子？
实时搜索引擎系统架构的要点是什么？
大数据量、高并发量状况下的搜索引擎为了保证明时性，架构设计上的两个要点：
（1）索引分级；
（2）dump&merge；
首先，在数据量很是大的状况下，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：由于，一旦产生碎片，会大大下降检索效率。
既然索引数据不能实时修改，如何保证最新的网页可以被索引到呢？
索引分级，分为全量库、日增量库、小时增量库。
如上图所述：
（1）300亿数据在全量索引库中；
（2）1000万1天内修改过的数据在天库中；
（3）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，只会操做最低级别的索引，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，获得最新的数据：
（1）全量库是紧密存储的索引，无碎片，速度快；
（2）天库是紧密存储，速度快；
（3）小时库数据量小，速度也快；
分级索引可以保证明时性，那么，新的问题来了，小时库数据什么时候反映到天库中，天库中的数据什么时候反映到全量库中呢？
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；
若是数据量和并发量更大，还能增长星期库，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：
（1）索引分级；
（2）dump&merge；
关于“搜索”与“检索”，GET到新技能了吗？
架构师之路-分享技术思路
推荐阅读：
《离不开的微服务架构，脱不开的RPC细节（值得收藏）！！！》
面试被问过吗？