如何快速实现高并发短文检索

1、需求缘起
某并发量很大，数据量适中的业务线须要实现一个“标题检索”的功能：
（1）并发量较大，每秒20w次
（2）数据量适中，大概200w数据
（3）是否须要分词：是
（4）数据是否实时更新：否

2、常见潜在解决方案及优劣
（1）数据库搜索法
具体方法：将标题数据存放在数据库中，使用like来检索
优势：方案简单
缺点：不能实现分词，并发量扛不住

（2）数据库全文检索法
具体方法：将标题数据存放在数据库中，创建全文索引来检索
优势：方案简单
缺点：并发量扛不住

（3）使用开源方案将索引外置
具体方法：搭建lucene，solr，ES等开源外置索引方案
优势：性能比上面两种好
缺点：并发量可能有风险，系统比较重，为一个简单的业务搭建一套这样的系统成本较高

3、58龙哥的建议
问1：龙哥，58同城第一届编程大赛的题目好像是“黄反词过滤”，你是冠军，当时是用DAT来实现的么？
龙哥：是的
画外音：什么是DAT？
普及：DAT是double array trie的缩写，是trie树的一个变体优化数据结构，它在保证trie树检索效率的前提下，能大大减小内存的使用，常常用来解决检索，信息过滤等问题。（具体大伙百度一下“DAT”）

问2：上面的业务场景可使用DAT来实现么？
龙哥：DAT更新数据比较麻烦，不能增量

问3：那直接使用trie树能够么？
龙哥：trie树比较占内存
画外音：什么是trie树？
普及：trie树，又称单词查找树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计，保存大量的字符串（但不只限于字符串），因此常常被搜索引擎系统用于文本词频统计。它的优势是：利用字符串的公共前缀来减小查询时间，最大限度地减小无谓的字符串比较，查询效率比哈希树高。（来源：百度百科）

例如：上面的trie树就可以表示｛and, as, at, cn, com｝这样5个标题的集合。

问4：若是要支持分词，多个分词遍历trie树，还须要合并对吧？
龙哥：没错，每一个分词遍历一次trie树，能够获得doc_id的list，多个分词获得的list合并，就是最终的结果。

问5：龙哥，还有什么更好，更轻量级的方案么？
龙哥：用trie树，数据会膨胀文档数*标题长度这么多，标题越长，文档数越多，内存占用越大。有个一个方案，内存量很小，和标题长度无关，很是帅气。

问6：有相关文章么，推荐一篇？
龙哥：可能网上没有，我简单说一下吧，核心思想就是“内存hash ＋ ID list”
索引初始化步骤为：对全部标题进行分词，以词的hash为key，doc_id的集合为value
查询的步骤为：对查询词进行分词，对分词进行hash，直接查询hash表格，获取doc_id的list，而后多个词进行合并
=====例子=====
例如：
doc1 : 我爱北京
doc2 : 我爱到家
doc3 : 到家美好
先标题进行分词：
doc1 : 我爱北京 -> 我，爱，北京
doc2 : 我爱到家 -> 我，爱，到家
doc3 : 到家美好 -> 到家，美好
对分词进行hash，创建hash + ID list：
hash(我) -> {doc1, doc2}
hash(爱) -> {doc1, doc2}
hash(北京) -> {doc1}
hash(到家) -> {doc2, doc3}
hash(美好) -> {doc3}
这样，全部标题的初始化就完毕了，你会发现，数据量和标题的长度没有关系。
用户输入“我爱”，分词后变为{我，爱}，对各个分词的hash进行内存检索
hash(我)->{doc1, doc2}
hash(爱)->{doc1, doc2}
而后进行合并，获得最后的查找结果是doc1+doc2。
=====例子END=====

问7：这个方法有什么优势呢？
龙哥：存内存操做，能知足很大的并发，时延也很低，占用内存也不大，实现很是简单快速

问8：有什么不足呢？和传统搜索有什么区别咧？龙哥：这是一个快速过分方案，由于索引自己没有落地，仍是须要在数据库中存储固化的标题数据，若是不作高可用，数据恢复起来会比较慢。固然作高可用也是很容易的，创建两份同样的hash索引便可。另外，没有作水平切分，但数据量很是很是很是大时，仍是要作水平切分改进的。