Downloaded from CSDN download channel. Author: @wangpengyun

1. 实时搜索架构分析
王鹏云
wangpengyun@gmail.com
@wangpengyun

2. 内容提要
• 初识实时搜索
• 搜索系统的基础知识
• 传统搜索和实时搜索的区别
• 实时搜索系统架构
• 实时搜索的难点
• 实时搜索开源工具

3. 初识实时搜索
• 实时搜索不是新鲜事物
– 新闻搜索，社区搜索……
– 微博火爆让实时搜索成为热点
• 商业价值
– 新信息聚合和放大
– 热门话题和趋势分析
– 搜索广告
• 主要实时搜索引擎
– Google 、 bing 、 twitter 、 friendfeed……

4. 搜索系统的基础知识
• Crawling
– 抓取、超链分析
• Indexing
– 内容提取、分词、倒排索引
• Searching
– 查询分析、索引查询
• Ranking
– TF/IDF 、 PageRank 、其他特征

5. 传统搜索和实时搜索的区别
• 结果呈现
– 静态 vs 动态
• 搜索效果
– 相关性 vs 实时性
– PageRank vs 社会化特征
• 数据获取
– 抓取 vs 推送
• 数据分布
– URL 分布 vs 时间分布

6. 实时搜索系统架构图
antispam Internet
ram switch ram
queue index A index B
High-level
ui searcher
snapshot/
add/modify/del merge
parallel search
result data
disk index cur
Push API
Spider merge
data searcher
disk index his A
disk index his B
Internet
more……

7. 架构设计要点
• 信息获取
– Push API （ preferred ）
– Spider 抓取
• 定向 + 制导式抓取
• 模板 + 启发式信息提取
– 队列
• Topic 订阅式
• 支持信息重放
– 独立 antispam 模块
• 易于性能扩展
• 快速演进

8. 架构设计要点（ cont. ）
• 信息删除 / 修改
– 删除做标记（合并或重建时实际删除）
– 修改 = 删除 + 添加
• 内存索引
– 加快索引速
• 边写边读
– 控制内存占用大小
• 写到硬盘（ snapshot ）
• snapshot 实现？双索引结构
– 防止数据丢失
• redo 日志
• 队列重放

9. 架构设计要点（ cont. ）
• 库合并（ merge ）
– 减少库数量，提高性能
– 对内存库， snapshot 和 merge 可合一
– 一定规模拆分出历史库（准静态）
• 历史库
– 按需合并
– 综合考虑：合并频率、库规模、访问量
• 查询合并
– 遍历查询所有库的结果并合并
– 分布式情况下，每个库自带 1 级 searcher ， 2 级
searcher 合并所有 1 级的结果

10. 实时搜索的难点
• 快 + 动态，让很多事情变得复杂！
– 架构、算法、运维、升级……
– 考验工程化水平
• Ranking 算法
– 基本 TF/IDF
– 时间因素
– 社会化信息调权
• 信息 anti-spam
– 文本特征过滤
– 社会化特征过滤
– 动态行为特征过滤

11. 实时搜索的难点（ cont. ）
• 海量规模下
– 数据切分
• 时间 +URL
– Hotspot 问题
• Cache
• Replication
– 索引数据更新
• 分词调整、信息删除 / 修改、库调整……
• 每库独立更新，错峰更新
• Cache warming

12. 实时搜索开源工具
• Zoie
– Lucene-based ，源自 LinkedIn
– 提供了 solr plugin
– 足以应对中小规模的搜索需求
• Sphinx
– 1.10-beta 开始支持实时搜索
– 应用于 craigslist 、 netlog

13. Thanks!
Q&A