深入研究之搜索引擎的架構(gòu)與細(xì)節(jié)

上一節(jié)課，我們了解到：什么是SEO？什么是搜索引擎原理（見本人拙文《不了解搜索引擎原理？你怎么做SEO優(yōu)化》）？本文，我們將深入了解搜索引擎的架構(gòu)與細(xì)節(jié)。做SEO優(yōu)化的多懂些搜索引擎方面的知識，對于優(yōu)化是很有幫助的。

一、全網(wǎng)搜索引擎架構(gòu)與流程

全網(wǎng)搜索引擎的宏觀架構(gòu)如上圖，核心系統(tǒng)主要分為三部分（粉色部分）：

1、spider爬蟲系統(tǒng)；

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

• 一部分用于生成索引數(shù)據(jù)build_index；

• 一部分用于查詢索引數(shù)據(jù)search_index。

3、rank打分排序系統(tǒng)。

核心數(shù)據(jù)主要分為兩部分（紫色部分）：

• web網(wǎng)頁庫；

• index索引數(shù)據(jù)。

全網(wǎng)搜索引擎的業(yè)務(wù)特點(diǎn)決定了，這是一個(gè)“寫入”和“檢索”完全分離的系統(tǒng)：

【寫入】

系統(tǒng)組成：由spider與search&index兩個(gè)系統(tǒng)完成

輸入：站長們生成的互聯(lián)網(wǎng)網(wǎng)頁

輸出：正排倒排索引數(shù)據(jù)

流程：如架構(gòu)圖中的1、2、3、4

• spider把互聯(lián)網(wǎng)網(wǎng)頁抓過來；

• spider把互聯(lián)網(wǎng)網(wǎng)頁存儲到網(wǎng)頁庫中（這個(gè)對存儲的要求很高，要存儲幾乎整個(gè)“萬維網(wǎng)”的鏡像）；

• build_index從網(wǎng)頁庫中讀取數(shù)據(jù)，完成分詞；

• build_index生成倒排索引。

【檢索】

系統(tǒng)組成：由search&index與rank兩個(gè)系統(tǒng)完成

輸入：用戶的搜索詞

輸出：排好序的第一頁檢索結(jié)果

流程：如架構(gòu)圖中的a，b，c，d

• search_index獲得用戶的搜索詞，完成分詞；

• search_index查詢倒排索引，獲得“字符匹配”網(wǎng)頁，這是初篩的結(jié)果；

• rank對初篩的結(jié)果進(jìn)行打分排序；

• rank對排序后的第一頁結(jié)果返回。

二、站內(nèi)搜索引擎架構(gòu)與流程

做全網(wǎng)搜索的公司畢竟是少數(shù)，絕大部分公司要實(shí)現(xiàn)的其實(shí)只是一個(gè)站內(nèi)搜索，站內(nèi)搜索引擎的宏觀架構(gòu)和全網(wǎng)搜索引擎的宏觀架構(gòu)有什么異同？以58同城100億帖子的搜索為例，站內(nèi)搜索系統(tǒng)架構(gòu)長啥樣？站內(nèi)搜索流程是怎么樣的？

站內(nèi)搜索引擎的宏觀架構(gòu)如上圖，與全網(wǎng)搜索引擎的宏觀架構(gòu)相比，差異只有寫入的地方：

1、全網(wǎng)搜索需要spider要被動去抓取數(shù)據(jù)；

2、站內(nèi)搜索是內(nèi)部系統(tǒng)生成的數(shù)據(jù)，例如“發(fā)布系統(tǒng)”會將生成的帖子主動推給build_data系統(tǒng)。

看似“很小”的差異，架構(gòu)實(shí)現(xiàn)上難度卻差很多：全網(wǎng)搜索如何“實(shí)時(shí)”發(fā)現(xiàn)“全量”的網(wǎng)頁是非常困難的，而站內(nèi)搜索容易實(shí)時(shí)得到全部數(shù)據(jù)。

對于spider、search&index、rank三個(gè)系統(tǒng)：

1、spider和search&index是相對獨(dú)立的系統(tǒng)；

2、rank是和業(yè)務(wù)、策略緊密、算法相關(guān)的系統(tǒng)，搜索體驗(yàn)的差異主要在此，而業(yè)務(wù)、策略的優(yōu)化是需要時(shí)間積累的，這里的啟示是：

• Google的體驗(yàn)比Baidu好，根本在于前者rank牛逼；

• 國內(nèi)互聯(lián)網(wǎng)公司（例如360）短時(shí)間要搞一個(gè)體驗(yàn)超越Baidu的搜索引擎，是很難的，真心需要時(shí)間的積累。

三、搜索原理與核心數(shù)據(jù)結(jié)構(gòu)

1、什么是正排索引（forward index）?

由key查詢實(shí)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(wǎng)頁庫：t_web_page(url, page_content)，由url查詢整個(gè)網(wǎng)頁的過程，也是正排索引查詢。

網(wǎng)頁內(nèi)容分詞后，page_content會對應(yīng)一個(gè)分詞后的集合list<item>。

簡易的，正排索引可以理解為Map<url, list<item>>，能夠由網(wǎng)頁快速（時(shí)間復(fù)雜度O(1)）找到內(nèi)容的一個(gè)數(shù)據(jù)結(jié)構(gòu)。

2、什么是倒排索引（inverted index）？

由item查詢key的過程，是倒排索引。

對于網(wǎng)頁搜索，倒排索引可以理解為Map<item, list<url>>，能夠由查詢詞快速（時(shí)間復(fù)雜度O(1)）找到包含這個(gè)查詢詞的網(wǎng)頁的數(shù)據(jù)結(jié)構(gòu)。

舉個(gè)例子，假設(shè)有3個(gè)網(wǎng)頁：

url1 -> “我愛北京”

url2 -> “我愛到家”

url3 -> “到家美好”

這是一個(gè)正排索引Map<url, page_content>。

分詞之后：

url1 -> {我，愛，北京}

url2 -> {我，愛，到家}

url3 -> {到家，美好}

這是一個(gè)分詞后的正排索引Map<url, list<item>>。

分詞后倒排索引：

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(gè)查詢詞的網(wǎng)頁Map<item, list<url>>就是倒排索引。

正排索引和倒排索引是spider和build_index系統(tǒng)提前建立好的數(shù)據(jù)結(jié)構(gòu)，為什么要使用這兩種數(shù)據(jù)結(jié)構(gòu)，是因?yàn)樗軌蚩焖俚膶?shí)現(xiàn)“用戶網(wǎng)頁檢索”需求（業(yè)務(wù)需求決定架構(gòu)實(shí)現(xiàn)）。

3、搜索的過程是什么樣的？

假設(shè)搜索詞是“我愛”，用戶會得到什么網(wǎng)頁呢？

• 分詞，“我愛”會分詞為{我，愛}，時(shí)間復(fù)雜度為O(1)；

• 每個(gè)分詞后的item，從倒排索引查詢包含這個(gè)item的網(wǎng)頁list<url>，時(shí)間復(fù)雜度也是O(1)：

我 -> {url1, url2}

愛 -> {url1, url2}

• 求list<url>的交集，就是符合所有查詢詞的結(jié)果網(wǎng)頁，對于這個(gè)例子，{url1, url2}就是最終的查詢結(jié)果.

看似到這里就結(jié)束了，其實(shí)不然，分詞和倒排查詢時(shí)間復(fù)雜度都是O(1)，整個(gè)搜索的時(shí)間復(fù)雜度取決于“求list<url>的交集”，問題轉(zhuǎn)化為了求兩個(gè)集合交集。

字符型的url不利于存儲與計(jì)算，一般來說每個(gè)url會有一個(gè)數(shù)值型的url_id來標(biāo)識，后文為了方便描述，list<url>統(tǒng)一用list<url_id>替代。

四、list1和list2，求交集怎么求？

1、方案一：for * for，土辦法，時(shí)間復(fù)雜度O(n*n)

每個(gè)搜索詞命中的網(wǎng)頁是很多的，O(n*n)的復(fù)雜度是明顯不能接受的。倒排索引是在創(chuàng)建之初可以進(jìn)行排序預(yù)處理，問題轉(zhuǎn)化成兩個(gè)有序的list求交集，就方便多了。

2、方案二：有序list求交集，拉鏈法

有序集合1{1,3,5,7,8,9}

有序集合2{2,3,4,5,6,7}

兩個(gè)指針指向首元素，比較元素的大?。?/p>

如果相同，放入結(jié)果集，隨意移動一個(gè)指針；

否則，移動值較小的一個(gè)指針，直到隊(duì)尾。

這種方法的好處是：

集合中的元素最多被比較一次，時(shí)間復(fù)雜度為O(n)；

多個(gè)有序集合可以同時(shí)進(jìn)行，這適用于多個(gè)分詞的item求url_id交集。

這個(gè)方法就像一條拉鏈的兩邊齒輪，一一比對就像拉鏈，故稱為拉鏈法。

3、方案三：分桶并行優(yōu)化

數(shù)據(jù)量大時(shí)，url_id分桶水平切分+并行運(yùn)算是一種常見的優(yōu)化方法，如果能將list1<url_id>和list2<url_id>分成若干個(gè)桶區(qū)間，每個(gè)區(qū)間利用多線程并行求交集，各個(gè)線程結(jié)果集的并集，作為最終的結(jié)果集，能夠大大的減少執(zhí)行時(shí)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(jìn)行分桶拆分：

桶1的范圍為[1, 9]

桶2的范圍為[10, 100]

桶3的范圍為[101, max_int]

于是：

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(gè)桶內(nèi)的數(shù)據(jù)量大大降低了，并且每個(gè)桶內(nèi)沒有重復(fù)元素，可以利用多線程并行計(jì)算：

桶1內(nèi)的集合a和集合d的交集是x{3,5,7}

桶2內(nèi)的集合b和集合e的交集是y{30, 50, 70}

桶3內(nèi)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的并集，即集合{3,5,7,30,50,70}

4、方案四：bitmap再次優(yōu)化

數(shù)據(jù)進(jìn)行了水平分桶拆分之后，每個(gè)桶內(nèi)的數(shù)據(jù)一定處于一個(gè)范圍之內(nèi)，如果集合符合這個(gè)特點(diǎn)，就可以使用bitmap來表示集合：

如上圖，假設(shè)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]的范圍之內(nèi)，可以用16個(gè)bit來描述這兩個(gè)集合，原集合中的元素x，在這個(gè)16bitmap中的第x個(gè)bit為1，此時(shí)兩個(gè)bitmap求交集，只需要將兩個(gè)bitmap進(jìn)行“與”操作，結(jié)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(yōu)化之后，能極大提高求交集的效率，但時(shí)間復(fù)雜度仍舊是O(n)

bitmap需要大量連續(xù)空間，占用內(nèi)存較大。

5、方案五：跳表skiplist

有序鏈表集合求交集，跳表是最常用的數(shù)據(jù)結(jié)構(gòu)，它可以將有序集合求交集的復(fù)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，如果用拉鏈法，會發(fā)現(xiàn)1,2,3,4,20,21,22,23都要被無效遍歷一次，每個(gè)元素都要被比對，時(shí)間復(fù)雜度為O(n)，能不能每次比對“跳過一些元素”呢？

跳表就出現(xiàn)了：

集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳表時(shí)，一級只有{1,20,50}三個(gè)元素，二級與普通鏈表相同

集合2{50,70}由于元素較少，只建立了一級普通鏈表

如此這般，在實(shí)施“拉鏈”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(jìn)行一一比對，跳表求交集的時(shí)間復(fù)雜度近似O(log(n))，這是搜索引擎中常見的算法。

五、總結(jié)

文字很多，有宏觀，有細(xì)節(jié)，對于大部分不是專門研究搜索引擎的同學(xué)，記住以下幾點(diǎn)即可：

• 全網(wǎng)搜索引擎系統(tǒng)由spider， search&index， rank三個(gè)子系統(tǒng)構(gòu)成；

• 站內(nèi)搜索引擎與全網(wǎng)搜索引擎的差異在于，少了一個(gè)spider子系統(tǒng)；

• spider和search&index系統(tǒng)是兩個(gè)工程系統(tǒng)，rank系統(tǒng)的優(yōu)化卻需要長時(shí)間的調(diào)優(yōu)和積累；

• 正排索引（forward index）是由網(wǎng)頁url_id快速找到分詞后網(wǎng)頁內(nèi)容list<item>的過程；

• 倒排索引（inverted index）是由分詞item快速尋找包含這個(gè)分詞的網(wǎng)頁list<url_id>的過程；

• 用戶檢索的過程，是先分詞，再找到每個(gè)item對應(yīng)的list<url_id>，最后進(jìn)行集合求交集的過程；

有序集合求交集的方法有

• 二重for循環(huán)法，時(shí)間復(fù)雜度O(n*n)；

• 拉鏈法，時(shí)間復(fù)雜度O(n)；

• 水平分桶，多線程并行；

• bitmap，大大提高運(yùn)算并行度，時(shí)間復(fù)雜度O(n)；

• 跳表，時(shí)間復(fù)雜度為O(log(n))。

好了，今天我們就分享到這里，下一篇我們講解更多精彩短文，很值得期待哦！有興趣的小伙伴們關(guān)注遨游建站移動站（m.aoyouwl.com）經(jīng)常更新建站、優(yōu)化等眾多網(wǎng)絡(luò)前沿知識。

本文撰寫參考：

搜索引擎原理 https://baike.baidu.com/item/%E6%90%9C%E7%B4%A2%E5%BC%95%E6%93%8E%E5%8E%9F%E7%90%86/11054474?fr=aladdin