搜索系统—搜索引擎的原理，架构与细节
一、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）：web
- spider爬虫系统；
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：算法
- 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。
- rank打分排序系统。
核心数据主要分为两部分（紫色部分）：数据结构
- web网页库；
- 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”彻底分离的系统：多线程
【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：正排倒排索引数据架构
流程：如架构图中的1，2，3，4ide
- spider把互联网网页抓过来；
- 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）；
- build_index从网页库中读取数据，完成分词；
- 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svg
流程：如架构图中的a，b，c，d优化
- search_index得到用户的搜索词，完成分词；
- search_index查询倒排索引，得到“字符匹配”网页，这是初筛的结果；
- rank对初筛的结果进行打分排序；
- rank对排序后的第一页结果返回。
二、站内搜索引擎架构与流程
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，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？ui
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？搜索引擎
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：
- 全网搜索须要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。
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：
- spider和search&index是相对独立的系统；
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。
三、搜索原理与核心数据结构
3.一、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<item>。
简易的，正排索引能够理解为Map<url, list<item>>，可以由网页快速（时间复杂度O(1)）找到内容的一个数据结构。
3.二、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，倒排索引能够理解为Map<item, list<url>>，可以由查询词快速（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<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。
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（业务需求决定架构实现）。
3.三、搜索的过程是什么样的？
假设搜索词是“我爱”，用户会获得什么网页呢？
- 分词，“我爱”会分词为{我，爱}，时间复杂度为O(1)；
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}
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.
看似到这里就结束了，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。
四、list1和list2，求交集怎么求？
4.一、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。
4.二、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：
- 若是相同，放入结果集，随意移动一个指针；
- 不然，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。
4.三、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}
4.四、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。
4.五、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。
五、总结
文字不少，有宏观，有细节，对于大部分不是专门研究搜索引擎的同窗，记住如下几点便可：
全网搜索引擎系统由spider， search&index， rank三个子系统构成；
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；
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；
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；
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；
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；
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))。