hot2.gif

最靠谱的建站系统 1元注册体验 已累计为32650家企业提供服务 全国建站热线:17073547034                                                                         VIP会员促销 | 在线留言 | 建站知识 | 百度竞价‍  微店微店 有赞有赞 萌店萌店

深入研究之搜索引擎的架构与细节

 二维码 9
作者:遨游建站来源:遨游建站网址:http://www.aoyouwl.com

上一节课,我们了解到:什么是SEO?什么是搜索引擎原理(见本人拙文《不了解搜索引擎原理?你怎么做SEO优化》)?本文,我们将深入了解搜索引擎的架构与细节。做SEO优化的多懂些搜索引擎方面的知识,对于优化是很有帮助的。


一、全网搜索引擎架构与流程


深入研究之搜索引擎的架构与细节


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):


1、spider爬虫系统;

2、search&index建立索引与查询索引系统,这个系统又主要分为两部分:

  • 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。

3、rank打分排序系统。

核心数据主要分为两部分(紫色部分):

  • web网页库;

  • index索引数据。

全网搜索引擎的业务特点决定了,这是一个“写入”和“检索”完全分离的系统:

【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

流程:如架构图中的1、2、3、4

  • 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

流程:如架构图中的a,b,c,d

  • search_index获得用户的搜索词,完成分词;

  • search_index查询倒排索引,获得“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


做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?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?


深入研究之搜索引擎的架构与细节002.png


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,差异只有写入的地方:

1、全网搜索需要spider要被动去抓取数据;

2、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”的差异,架构实现上难度却差很多:全网搜索如何“实时”发现“全量”的网页是非常困难的,而站内搜索容易实时得到全部数据。

对于spider、search&index、rank三个系统:

1、spider和search&index是相对独立的系统;

2、rank是和业务、策略紧密、算法相关的系统,搜索体验的差异主要在此,而业务、策略的优化是需要时间积累的,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)短时间要搞一个体验超越Baidu的搜索引擎,是很难的,真心需要时间的积累。


三、搜索原理与核心数据结构


1、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,正排索引可以理解为Map<url, list<item>>,能够由网页快速(时间复杂度O(1))找到内容的一个数据结构。

2、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,倒排索引可以理解为Map<item, list<url>>,能够由查询词快速(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>。

分词之后:

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系统提前建立好的数据结构,为什么要使用这两种数据结构,是因为它能够快速的实现“用户网页检索”需求(业务需求决定架构实现)。

3、搜索的过程是什么样的?

假设搜索词是“我爱”,用户会得到什么网页呢?

  • 分词,“我爱”会分词为{我,爱},时间复杂度为O(1);

  • 每个分词后的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,就是符合所有查询词的结果网页,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,其实不然,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,一般来说每个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?


1、方案一:for * for,土办法,时间复杂度O(n*n)

每个搜索词命中的网页是很多的,O(n*n)的复杂度是明显不能接受的。倒排索引是在创建之初可以进行排序预处理,问题转化成两个有序的list求交集,就方便多了。

2、方案二:有序list求交集,拉链法


深入研究之搜索引擎的架构与细节003.png


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:

如果相同,放入结果集,随意移动一个指针;

否则,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);

多个有序集合可以同时进行,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。

3、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,如果能将list1<url_id>和list2<url_id>分成若干个桶区间,每个区间利用多线程并行求交集,各个线程结果集的并集,作为最终的结果集,能够大大的减少执行时间。

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]

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{}

每个桶内的数据量大大降低了,并且每个桶内没有重复元素,可以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、方案四:bitmap再次优化

数据进行了水平分桶拆分之后,每个桶内的数据一定处于一个范围之内,如果集合符合这个特点,就可以使用bitmap来表示集合:


深入研究之搜索引擎的架构与细节004.png


如上图,假设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]的范围之内,可以用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,只需要将两个bitmap进行“与”操作,结果集bitmap的3,5,7位是1,表明原集合的交集为{3,5,7}

水平分桶,bitmap优化之后,能极大提高求交集的效率,但时间复杂度仍旧是O(n)

bitmap需要大量连续空间,占用内存较大。

5、方案五:跳表skiplist

有序链表集合求交集,跳表是最常用的数据结构,它可以将有序集合求交集的复杂度由O(n)降至O(log(n))


深入研究之搜索引擎的架构与细节005.png


集合1{1,2,3,4,20,21,22,23,50,60,70}

集合2{50,70}

要求交集,如果用拉链法,会发现1,2,3,4,20,21,22,23都要被无效遍历一次,每个元素都要被比对,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:


深入研究之搜索引擎的架构与细节006.png

集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳表时,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}由于元素较少,只建立了一级普通链表

如此这般,在实施“拉链”求交集的过程中,set1的指针能够由1跳到20再跳到50,中间能够跳过很多元素,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


文字很多,有宏观,有细节,对于大部分不是专门研究搜索引擎的同学,记住以下几点即可:

  • 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异在于,少了一个spider子系统;

  • spider和search&index系统是两个工程系统,rank系统的优化却需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,大大提高运算并行度,时间复杂度O(n);

  • 跳表,时间复杂度为O(log(n))。


好了,今天我们就分享到这里,下一篇我们讲解更多精彩短文,很值得期待哦!有兴趣的小伙伴们关注遨游建站移动站(m.aoyouwl.com)经常更新建站、优化等众多网络前沿知识。





本文撰写参考:


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


 
 

微信咨询