一、緣起

《深入淺出搜索架構(gòu)(上篇)》詳細(xì)介紹了前三章：

(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)

《深入淺出搜索架構(gòu)(中篇)》介紹了：

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

(5)數(shù)據(jù)量、并發(fā)量、擴(kuò)展性架構(gòu)方案

本篇將討論：

(6)百度為何能實(shí)時(shí)檢索出15分鐘之前新出的新聞?58同城為何能實(shí)時(shí)檢索出1秒鐘之前發(fā)布的帖子?搜索引擎的實(shí)時(shí)性架構(gòu)，是本文將要討論的問題。

二、實(shí)時(shí)搜索引擎架構(gòu)

大數(shù)據(jù)量、高并發(fā)量情況下的搜索引擎為了保證實(shí)時(shí)性，架構(gòu)設(shè)計(jì)上的兩個(gè)要點(diǎn)：

(1)索引分級

(2)dump&merge

索引分級

《深入淺出搜索架構(gòu)(上篇)》介紹了搜索引擎的底層原理，在數(shù)據(jù)量非常大的情況下，為了保證倒排索引的高效檢索效率，任何對數(shù)據(jù)的更新，并不會(huì)實(shí)時(shí)修改索引，一旦產(chǎn)生碎片，會(huì)大大降低檢索效率。

既然索引數(shù)據(jù)不能實(shí)時(shí)修改，如何保證***的網(wǎng)頁能夠被索引到呢?

索引分為全量庫、日增量庫、小時(shí)增量庫。

如下圖所述：

(1)300億數(shù)據(jù)在全量索引庫中

(2)1000萬1天內(nèi)修改過的數(shù)據(jù)在天庫中

(3)50萬1小時(shí)內(nèi)修改過的數(shù)據(jù)在小時(shí)庫中

當(dāng)有修改請求發(fā)生時(shí)，只會(huì)操作***級別的索引，例如小時(shí)庫。

當(dāng)有查詢請求發(fā)生時(shí)，會(huì)同時(shí)查詢各個(gè)級別的索引，將結(jié)果合并，得到***的數(shù)據(jù)：

(1)全量庫是緊密存儲(chǔ)的索引，無碎片，速度快

(2)天庫是緊密存儲(chǔ)，速度快

(3)小時(shí)庫數(shù)據(jù)量小，速度也快

數(shù)據(jù)的寫入和讀取都是實(shí)時(shí)的，所以58同城能夠檢索到1秒鐘之前發(fā)布的帖子，即使全量庫有300億的數(shù)據(jù)。

新的問題來了：小時(shí)庫數(shù)據(jù)何時(shí)反映到天庫中，天庫中的數(shù)據(jù)何時(shí)反映到全量庫中呢?

dump&merge

這是由兩個(gè)異步的工具完成的：

dumper：將在線的數(shù)據(jù)導(dǎo)出

merger：將離線的數(shù)據(jù)合并到高一級別的索引中去

小時(shí)庫，一小時(shí)一次，合并到天庫中去;

天庫，一天一次，合并到全量庫中去;

這樣就保證了小時(shí)庫和天庫的數(shù)據(jù)量都不會(huì)特別大;

如果數(shù)據(jù)量和并發(fā)量更大，還能增加星期庫，月庫來緩沖。

三、總結(jié)

超大數(shù)據(jù)量，超高并發(fā)量，實(shí)時(shí)搜索引擎的兩個(gè)架構(gòu)要點(diǎn)：

(1)索引分級

(2)dump&merge

如《深入淺出搜索架構(gòu)(上篇)》中所述，全網(wǎng)搜索引擎分為Spider, Search&Index, Rank三個(gè)部分。本文描述的是Search&Index如何實(shí)時(shí)修改和檢索，Spider子系統(tǒng)如何能實(shí)時(shí)找到全網(wǎng)新生成的網(wǎng)頁，又是另外一個(gè)問題，未來撰文講述。

【本文為51CTO專欄作者“58沈劍”原創(chuàng)稿件，轉(zhuǎn)載請聯(lián)系原作者】

戳這里，看該作者更多好文