如何迅猛的實(shí)現(xiàn)搜索需求

一、緣起

---

《深入淺出搜索架構(gòu)（上篇）》詳細(xì)介紹了：

（1）全網(wǎng)搜索引擎架構(gòu)與流程

（2）站內(nèi)搜索引擎架構(gòu)與流程

（3）搜索原理與核心數(shù)據(jù)結(jié)構(gòu)

本文重點(diǎn)介紹：

（4）流量數(shù)據(jù)量由小到大，常見(jiàn)搜索方案與架構(gòu)變遷

（5）數(shù)據(jù)量、并發(fā)量、擴(kuò)展性方案

二、檢索需求的滿足與架構(gòu)演進(jìn)

---

任何互聯(lián)網(wǎng)需求，或多或少有檢索需求，還是以58同城的帖子業(yè)務(wù)場(chǎng)景為例，帖子的標(biāo)題，帖子的內(nèi)容有很強(qiáng)的用戶(hù)檢索需求，在業(yè)務(wù)、流量、并發(fā)量逐步遞增的各個(gè)階段，應(yīng)該如何實(shí)現(xiàn)檢索需求呢？

原始階段-LIKE

數(shù)據(jù)在數(shù)據(jù)庫(kù)中可能是這么存儲(chǔ)的：

t_tiezi(tid, title, content)

滿足標(biāo)題、內(nèi)容的檢索需求可以通過(guò)LIKE實(shí)現(xiàn)：

select tid from t_tiezi where content like ‘%天通苑%’

能夠快速滿足業(yè)務(wù)需求，存在的問(wèn)題也顯而易見(jiàn)：

（1）效率低，每次需要全表掃描，計(jì)算量大，并發(fā)高時(shí)cpu容易100%

（2）不支持分詞

初級(jí)階段-全文索引

如何快速提高效率，支持分詞，并對(duì)原有系統(tǒng)架構(gòu)影響盡可能小呢，第一時(shí)間想到的是建立全文索引：

alter table t_tiezi add fulltext(title,content)

使用match和against實(shí)現(xiàn)索引字段上的查詢(xún)需求。

全文索引能夠快速實(shí)現(xiàn)業(yè)務(wù)上分詞的需求，并且快速提升性能（分詞后倒排，至少不要全表掃描了），但也存在一些問(wèn)題：

（1）只適用于MyISAM

（2）由于全文索引利用的是數(shù)據(jù)庫(kù)特性，搜索需求和普通CURD需求耦合在數(shù)據(jù)庫(kù)中：檢索需求并發(fā)大時(shí)，可能影響CURD的請(qǐng)求；CURD并發(fā)大時(shí)，檢索會(huì)非常的慢；

（3）數(shù)據(jù)量達(dá)到百萬(wàn)級(jí)別，性能還是會(huì)顯著降低，查詢(xún)返回時(shí)間很長(zhǎng)，業(yè)務(wù)難以接受

（4）比較難水平擴(kuò)展

中級(jí)階段-開(kāi)源外置索引

為了解決全文索的局限性，當(dāng)數(shù)據(jù)量增加到大幾百萬(wàn)，千萬(wàn)級(jí)別時(shí)，就要考慮外置索引了。外置索引的核心思路是：索引數(shù)據(jù)與原始數(shù)據(jù)分離，前者滿足搜索需求，后者滿足CURD需求，通過(guò)一定的機(jī)制（雙寫(xiě)，通知，定期重建）來(lái)保證數(shù)據(jù)的一致性。

原始數(shù)據(jù)可以繼續(xù)使用Mysql來(lái)存儲(chǔ)，外置索引如何實(shí)施？Solr，Lucene，ES都是常見(jiàn)的開(kāi)源方案。

樓主強(qiáng)烈推薦ES（ElasticSearch），原因是Lucene雖好，但始終有一些不足：

（1）Lucene只是一個(gè)庫(kù)，潛臺(tái)詞是，需要自己做服務(wù)，自己實(shí)現(xiàn)高可用/可擴(kuò)展/負(fù)載均衡等復(fù)雜特性

（2）Lucene只支持Java，如果要支持其他語(yǔ)言，還是得自己做服務(wù)

（3）Lucene不友好，這是很致命的，非常復(fù)雜，使用者往往需要深入了解搜索的知識(shí)來(lái)理解它的工作原理，為了屏蔽其復(fù)雜性，一個(gè)辦法是自己做服務(wù)

…

…

為了改善Lucene的各項(xiàng)不足，解決方案都是“封裝一個(gè)接口友好的服務(wù)，屏蔽底層復(fù)雜性”，于是有了ES：

（1）ES是一個(gè)以Lucene為內(nèi)核來(lái)實(shí)現(xiàn)搜索功能，提供REStful接口的服務(wù)

（2）ES能夠支持很大數(shù)據(jù)量的信息存儲(chǔ)，支持很高并發(fā)的搜索請(qǐng)求

（3）ES支持集群，向使用者屏蔽高可用/可擴(kuò)展/負(fù)載均衡等復(fù)雜特性

目前58到家使用ES作為核心，實(shí)現(xiàn)了自己的搜索服務(wù)平臺(tái)，能夠通過(guò)在平臺(tái)上簡(jiǎn)單的配置，實(shí)現(xiàn)業(yè)務(wù)方的搜索需求。

搜索服務(wù)數(shù)據(jù)量最大的“接口耗時(shí)數(shù)據(jù)收集”需求，數(shù)據(jù)量大概在7億左右；并發(fā)量最大的“經(jīng)緯度，地理位置搜索”需求，線上平均并發(fā)量大概在600左右，壓測(cè)數(shù)據(jù)并發(fā)量在6000左右。

高級(jí)階段-自研搜索引擎

當(dāng)數(shù)據(jù)量進(jìn)一步增加，達(dá)到10億、100億數(shù)據(jù)量；并發(fā)量也進(jìn)一步增加，達(dá)到每秒10萬(wàn)吞吐；業(yè)務(wù)個(gè)性也逐步增加的時(shí)候，就需要自研搜索引擎了，定制化實(shí)現(xiàn)搜索內(nèi)核了。

三、數(shù)據(jù)量、并發(fā)量、擴(kuò)展性方案

---

到了定制化自研搜索引擎的階段，超大數(shù)據(jù)量、超高并發(fā)量為設(shè)計(jì)重點(diǎn)，為了達(dá)到“無(wú)限容量、無(wú)限并發(fā)”的需求，架構(gòu)設(shè)計(jì)需要重點(diǎn)考慮“擴(kuò)展性”，力爭(zhēng)做到：增加機(jī)器就能擴(kuò)容（數(shù)據(jù)量+并發(fā)量）。

（1）上層proxy（粉色）是接入集群，為對(duì)外門(mén)戶(hù)，接受搜索請(qǐng)求，其無(wú)狀態(tài)性能夠保證增加機(jī)器就能擴(kuò)充proxy集群性能

（2）中層merger（淺藍(lán)色）是邏輯集群，主要用于實(shí)現(xiàn)搜索合并，以及打分排序，業(yè)務(wù)相關(guān)的rank就在這一層實(shí)現(xiàn)，其無(wú)狀態(tài)性也能夠保證增加機(jī)器就能擴(kuò)充merger集群性能

（3）底層searcher（暗紅色大框）是檢索集群，服務(wù)和索引數(shù)據(jù)部署在同一臺(tái)機(jī)器上，服務(wù)啟動(dòng)時(shí)可以加載索引數(shù)據(jù)到內(nèi)存，請(qǐng)求訪問(wèn)時(shí)從內(nèi)存中l(wèi)oad數(shù)據(jù)，訪問(wèn)速度很快

（3.1）為了滿足數(shù)據(jù)容量的擴(kuò)展性，索引數(shù)據(jù)進(jìn)行了水平切分，增加切分份數(shù)，就能夠無(wú)限擴(kuò)展性能，如上圖searcher分為了4組

（3.2）為了滿足一份數(shù)據(jù)的性能擴(kuò)展性，同一份數(shù)據(jù)進(jìn)行了冗余，理論上做到增加機(jī)器就無(wú)限擴(kuò)展性能，如上圖每組searcher又冗余了2份

四、總結(jié)

---

為了滿足搜索業(yè)務(wù)的需求，隨著數(shù)據(jù)量和并發(fā)量的增長(zhǎng)，搜索架構(gòu)一般會(huì)經(jīng)歷這么幾個(gè)階段：

（1）原始階段-LIKE

（2）初級(jí)階段-全文索引

（3）中級(jí)階段-開(kāi)源外置索引

（4）高級(jí)階段-自研搜索引擎

五、下章預(yù)告

---

實(shí)時(shí)搜索引擎核心技術(shù)，站長(zhǎng)發(fā)布1個(gè)新網(wǎng)頁(yè)，Google如何做到15分鐘后檢索出來(lái)。