搜索引擎的原理，架構與細節

全網搜索引擎架構與流程

全網搜索的宏觀架構長啥樣？

全網搜索的宏觀流程是怎麼樣的？

全網搜索引擎的宏觀架構如上圖，核心子系統主要分為三部分（粉色部分）：

（1）spider爬蟲系統

（2）search&index建立索引與查詢索引系統，這個系統又主要分為兩部分：

一部分用於生成索引數據build_index

一部分用於查詢索引數據search_index

（3）rank打分排序系統

核心數據主要分為兩部分（紫色部分）：

（1）web網頁庫

（2）index索引數據

全網搜索引擎的業務特點決定了，這是一個“寫入”和“檢索”完全分離的系統：

【寫入】

系統組成：由spider與search&index兩個系統完成

輸入：站長們生成的互聯網網頁

輸出：正排倒排索引數據

流程：如架構圖中的1，2，3，4

（1）spider把互聯網網頁抓過來

（2）spider把互聯網網頁存儲到網頁庫中（這個對存儲的要求很高，要存儲幾乎整個“萬維網”的鏡像）

（3）build_index從網頁庫中讀取數據，完成分詞

（4）build_index生成倒排索引

【檢索】

系統組成

輸入：用戶的搜索詞

輸出：排好序的第一頁檢索結果

流程：如架構圖中的a，b，c，d

（a）search_index獲得用戶的搜索詞，完成分詞

（b）search_index查詢倒排索引，獲得“字符匹配”網頁，這是初篩的結果

（c）rank對初篩的結果進行打分排序

（d）rank對排序後的第一頁結果返回

三、站內搜索引擎架構與流程

做全網搜索的公司畢竟是少數，絕大部分公司要實現的其實只是一個站內搜索，站內搜索引擎的宏觀架構和全網搜索引擎的宏觀架構有什麼異同？

以58同城100億帖子的搜索為例，站內搜索系統架構長啥樣？站內搜索流程是怎麼樣的？

站內搜索引擎的宏觀架構如上圖，與全網搜索引擎的宏觀架構相比，差異只有寫入的地方：

（1）全網搜索需要spider要被動去抓取數據

（2）站內搜索是內部系統生成的數據，例如“發佈系統”會將生成的帖子主動推給build_data系統

看似“很小”的差異，架構實現上難度卻差很多：全網搜索如何“實時”發現“全量”的網頁是非常困難的，而站內搜索容易實時得到全部數據。

對於spider、search&index、rank三個系統：

（1）spider和search&index是相對工程的系統

（2）rank是和業務、策略緊密、算法相關的系統，搜索體驗的差異主要在此，而業務、策略的優化是需要時間積累的，這裡的啟示是：

a）Google的體驗比Baidu好，根本在於前者rank牛逼

b）國內互聯網公司（例如360）短時間要搞一個體驗超越Baidu的搜索引擎，是很難的，真心需要時間的積累

四、搜索原理與核心數據結構

什麼是正排索引？

什麼是倒排索引？

搜索的過程是什麼樣的？

會用到哪些算法與數據結構？

前面的內容太宏觀，為了照顧大部分沒有做過搜索引擎的同學，數據結構與算法部分從正排索引、倒排索引一點點開始。

提問：什麼是正排索引（forward index）？

回答：由key查詢實體的過程，是正排索引。

用戶表：t_user(uid, name, passwd, age, sex)，由uid查詢整行的過程，就是正排索引查詢。

網頁庫：t_web_page(url, page_content)，由url查詢整個網頁的過程，也是正排索引查詢。

網頁內容分詞後，page_content會對應一個分詞後的集合list。

簡易的，正排索引可以理解為Map>，能夠由網頁快速（時間複雜度O(1)）找到內容的一個數據結構。

提問：什麼是倒排索引（inverted index）？

回答：由item查詢key的過程，是倒排索引。

對於網頁搜索，倒排索引可以理解為Map>，能夠由查詢詞快速（時間複雜度O(1)）找到包含這個查詢詞的網頁的數據結構。

舉個例子，假設有3個網頁：

url1 -> “我愛北京”

url2 -> “我愛到家”

url3 -> “到家美好”

這是一個正排索引Map。

分詞之後：

url1 -> {我，愛，北京}

url2 -> {我，愛，到家}

url3 -> {到家，美好}

這是一個分詞後的正排索引Map>。

分詞後倒排索引：

我 -> {url1, url2}

愛 -> {url1, url2}

北京 -> {url1}

到家 -> {url2, url3}

美好 -> {url3}

由檢索詞item快速找到包含這個查詢詞的網頁Map>就是倒排索引。

正排索引和倒排索引是spider和build_index系統提前建立好的數據結構，為什麼要使用這兩種數據結構，是因為它能夠快速的實現“用戶網頁檢索”需求（業務需求決定架構實現）。

提問：搜索的過程是什麼樣的？

假設搜索詞是“我愛”，用戶會得到什麼網頁呢？

（1）分詞，“我愛”會分詞為{我，愛}，時間複雜度為O(1)

（2）每個分詞後的item，從倒排索引查詢包含這個item的網頁list，時間複雜度也是O(1)：

我 -> {url1, url2}

愛 -> {url1, url2}

（3）求list的交集，就是符合所有查詢詞的結果網頁，對於這個例子，{url1, url2}就是最終的查詢結果

看似到這裡就結束了，其實不然，分詞和倒排查詢時間複雜度都是O(1)，整個搜索的時間複雜度取決於“求list的交集”，問題轉化為了求兩個集合交集。

字符型的url不利於存儲與計算，一般來說每個url會有一個數值型的url_id來標識，後文為了方便描述，list統一用list替代。

list1和list2，求交集怎麼求？

方案一：for * for，土辦法，時間複雜度O(n*n)

每個搜索詞命中的網頁是很多的，O(n*n)的複雜度是明顯不能接受的。倒排索引是在創建之初可以進行排序預處理，問題轉化

方案二：有序list求交集，拉鍊法

有序集合1{1,3,5,7,8,9}

有序集合2{2,3,4,5,6,7}

兩個指針指向首元素，比較元素的大小：

（1）如果相同，放入結果集，隨意移動一個指針

（2）否則，移動值較小的一個指針，直到隊尾

這種方法的好處是：

（1）集合中的元素最多被比較一次，時間複雜度為O(n)

（2）多個有序集合可以同時進行，這適用於多個分詞的item求url_id交集

這個方法就像一條拉鍊的兩邊齒輪，一一比對就像拉鍊，故稱為拉鍊法

方案三：分桶並行優化

數據量大時，url_id分桶水平切分+並行運算是一種常見的優化方法，如果能將list1和list2分成若干個桶區間，每個區間利用多線程並行求交集，各個線程結果集的並集，作為最終的結果集，能夠大大的減少執行時間。

舉例：

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，先進行分桶拆分：

桶1的範圍為[1, 9]

桶2的範圍為[10, 100]

桶3的範圍為[101, max_int]

於是：

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{}

每個桶內的數據量大大降低了，並且每個桶內沒有重複元素，可以利用多線程並行計算：

桶1內的集合a和集合d的交集是x{3,5,7}

桶2內的集合b和集合e的交集是y{30, 50, 70}

桶3內的集合c和集合d的交集是z{}

最終，集合1和集合2的交集，是x與y與z的並集，即集合{3,5,7,30,50,70}

方案四：bitmap再次優化

數據進行了水平分桶拆分之後，每個桶內的數據一定處於一個範圍之內，如果集合符合這個特點，就可以使用bitmap來表示集合：

如上圖，假設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]的範圍之內，可以用16個bit來描述這兩個集合，原集合中的元素x，在這個16bitmap中的第x個bit為1，此時兩個bitmap求交集，只需要將兩個bitmap進行“與”操作，結果集bitmap的3，5，7位是1，表明原集合的交集為{3,5,7}

水平分桶，bitmap優化之後，能極大提高求交集的效率，但時間複雜度仍舊是O(n)

bitmap需要大量連續空間，佔用內存較大

方案五：跳錶skiplist

有序鏈表集合求交集，跳錶是最常用的數據結構，它可以將有序集合求交集的複雜度由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，如果用拉鍊法，會發現1,2,3,4,20,21,22,23都要被無效遍歷一次，每個元素都要被比對，時間複雜度為O(n)，能不能每次比對“跳過一些元素”呢？

跳錶就出現了：

集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳錶時，一級只有{1,20,50}三個元素，二級與普通鏈表相同

集合2{50,70}由於元素較少，只建立了一級普通鏈表

如此這般，在實施“拉鍊”求交集的過程中，set1的指針能夠由1跳到20再跳到50，中間能夠跳過很多元素，無需進行一一比對，跳錶求交集的時間複雜度近似O(log(n))，這是搜索引擎中常見的算法。

五、總結

文字很多，有宏觀，有細節，對於大部分不是專門研究搜索引擎的同學，記住以下幾點即可：

（1）全網搜索引擎系統由spider， search&index， rank三個子系統構成

（2）站內搜索引擎與全網搜索引擎的差異在於，少了一個spider子系統

（3）spider和search&index系統是兩個工程系統，rank系統的優化卻需要長時間的調優和積累

（4）正排索引（forward index）是由網頁url_id快速找到分詞後網頁內容list的過程

（5）倒排索引（inverted index）是由分詞item快速尋找包含這個分詞的網頁list的過程

（6）用戶檢索的過程，是先分詞，再找到每個item對應的list，最後進行集合求交集的過程

（7）有序集合求交集的方法有

a）二重for循環法，時間複雜度O(n*n)

b）拉鍊法，時間複雜度O(n)

c）水平分桶，多線程並行

d）bitmap，大大提高運算並行度，時間複雜度O(n)

e）跳錶，時間複雜度為O(log(n))

------------------------------------------------------------------------------

閱讀更多 程序員界的彭于晏 的文章

關鍵字: 數據結構 百度 網絡爬蟲