一、介紹

如今，我們幾乎在每個(gè)網(wǎng)站上都看到一個(gè)搜索欄。搜索欄使我們能夠快速找到我們需要的內(nèi)容。

讓我們舉個(gè)例子。想象一下，如果YouTube沒有提供搜索欄，我們?nèi)绾卧跀?shù)百萬個(gè)視頻中找到特定的視頻，這些視頻多年來都已上傳到Y(jié)ouTube？用戶僅通過滾動(dòng)瀏覽很難找到他們想要的內(nèi)容。

在每個(gè)搜索欄背后，都有一個(gè)搜索系統(tǒng)。

二、需求

• 可用性：系統(tǒng)應(yīng)對用戶高度可用。
• 可擴(kuò)展性：系統(tǒng)應(yīng)能夠隨著數(shù)據(jù)量的增加而擴(kuò)展。換句話說，它應(yīng)能夠索引大量數(shù)據(jù)。
• 快速搜索大數(shù)據(jù)：無論用戶搜索多少內(nèi)容，他們都應(yīng)該能夠快速獲取結(jié)果。

三、核心概念

倒排索引

• 索引 — 是組織和操作數(shù)據(jù)的過程，旨在促進(jìn)快速和準(zhǔn)確的信息檢索。
• 倒排索引 — 是一種類似于哈希映射的數(shù)據(jù)結(jié)構(gòu)，它使用文檔-詞術(shù)矩陣。它不是將完整文檔存儲(chǔ)，而是將文檔拆分為單個(gè)詞語。然后，文檔-詞術(shù)矩陣識(shí)別唯一的詞語，并丟棄頻繁出現(xiàn)的詞語，如“to”、“they”、“the”、“is”等等。

圖1.0：倒排索引

“映射”列中的每個(gè)條目都包括三個(gè)列表：

• 詞語出現(xiàn)的文檔列表。
• 統(tǒng)計(jì)詞語在每個(gè)文檔中出現(xiàn)的頻率的列表。
• 指出詞語在每個(gè)文檔中的位置的二維列表。一個(gè)詞語可以在同一文檔中出現(xiàn)多次，因此使用二維列表。

對于提取的每個(gè)詞語，我們要么在倒排索引中添加新行，要么在該詞語已經(jīng)在倒排索引中有條目的情況下更新現(xiàn)有條目。同樣，在刪除文檔時(shí)，我們需要處理，找到已刪除文檔詞匯在倒排索引中的條目，然后相應(yīng)地更新倒排索引。

四、設(shè)計(jì)

在添加文檔或運(yùn)行搜索查詢時(shí)，需要將倒排索引加載到主內(nèi)存中。為了效率，必須將倒排索引的大部分內(nèi)容適應(yīng)于機(jī)器的RAM中。

這意味著我們必須將大量數(shù)據(jù)加載到RAM中。不是增加單臺(tái)機(jī)器的資源來索引十億頁，而是要轉(zhuǎn)向分布式系統(tǒng)，利用并行化的力量。

圖2.0：分布式搜索系統(tǒng)的高級設(shè)計(jì)

• 索引器從分布式存儲(chǔ)中獲取文檔，并使用MapReduce進(jìn)行索引，MapReduce運(yùn)行在分布式的普通機(jī)器集群上。索引器使用分布式數(shù)據(jù)處理系統(tǒng)（例如MapReduce）進(jìn)行并行和分布式索引構(gòu)建。構(gòu)建的索引表存儲(chǔ)在分布式存儲(chǔ)中。
• 使用分布式存儲(chǔ)來存儲(chǔ)文檔和索引。
• 用戶在搜索欄中輸入包含多個(gè)詞語的搜索字符串。
• 搜索器解析搜索字符串，從存儲(chǔ)在分布式存儲(chǔ)中的索引中搜索映射，并將最匹配的結(jié)果返回給用戶。

數(shù)據(jù)分區(qū)

為了實(shí)現(xiàn)成本效益，我們在索引中使用了眾多小節(jié)點(diǎn)。這個(gè)過程要求我們對輸入數(shù)據(jù)（文檔）進(jìn)行分區(qū)或拆分。

圖3.0：在多個(gè)普通機(jī)器集群中以并行方式進(jìn)行分布式索引和搜索

索引：

• 集群管理器將輸入文檔集分成N個(gè)分區(qū)，其中N等于上圖中的2。每個(gè)分區(qū)的大小由集群管理器決定，考慮到數(shù)據(jù)的大小、計(jì)算、內(nèi)存限制和集群中的節(jié)點(diǎn)數(shù)量。由于各種原因，可能不是所有節(jié)點(diǎn)都可用。集群管理器通過定期心跳監(jiān)視每個(gè)節(jié)點(diǎn)的健康狀況。要將文檔分配給N個(gè)分區(qū)之一，可以使用哈希函數(shù)。
• 分區(qū)后，集群管理器在集群中的N個(gè)節(jié)點(diǎn)上同時(shí)運(yùn)行所有N個(gè)分區(qū)的索引算法。每個(gè)索引過程都會(huì)生成一個(gè)小型的倒排索引，存儲(chǔ)在節(jié)點(diǎn)的本地存儲(chǔ)中。這樣，我們生成了N個(gè)小型倒排索引，而不是一個(gè)大的倒排索引。

搜索：

• 在搜索階段，當(dāng)用戶查詢進(jìn)來時(shí)，我們在存儲(chǔ)在節(jié)點(diǎn)本地存儲(chǔ)中的每個(gè)小型倒排索引上運(yùn)行并行搜索，生成N個(gè)查詢。
• 每個(gè)小型倒排索引的搜索結(jié)果都是與查詢詞語匹配的映射列表（我們假設(shè)用戶查詢是單個(gè)詞語/術(shù)語）。合并器聚合這些映射列表。
• 在聚合映射列表后，合并器根據(jù)每個(gè)文檔中詞語的頻率對文檔列表進(jìn)行排序。
• 排序后的文檔列表以升序順序返回給用戶。

復(fù)制

我們?yōu)樯煞峙浞謪^(qū)的索引節(jié)點(diǎn)創(chuàng)建副本。

通常，三個(gè)副本足夠。三個(gè)副本意味著三個(gè)節(jié)點(diǎn)托管相同的分區(qū)并生成索引。三個(gè)節(jié)點(diǎn)中的一個(gè)成為主節(jié)點(diǎn)，而其他兩個(gè)是副本。同一分區(qū)將轉(zhuǎn)發(fā)到所有三個(gè)副本。我們假設(shè)每個(gè)副本都會(huì)獨(dú)立計(jì)算索引，這會(huì)導(dǎo)致資源的低效使用。與在副本上重新計(jì)算索引不同，我們只在主節(jié)點(diǎn)上計(jì)算倒排索引。接下來，我們將倒排索引（二進(jìn)制文件）傳輸?shù)礁北尽＿@種方法的主要好處是避免了在副本上使用重復(fù)的CPU和內(nèi)存來進(jìn)行索引。

圖4.0：由索引節(jié)點(diǎn)生成的索引存儲(chǔ)在分布式存儲(chǔ)中，參與搜索的節(jié)點(diǎn)從分布式存儲(chǔ)中讀取索引以為用戶的查詢生成結(jié)果

索引和搜索之間有很強(qiáng)的分離，而沒有索引延遲的負(fù)面影響。由于這種分離，索引不會(huì)影響搜索可擴(kuò)展性，反之亦然。此外，與在副本上重新計(jì)算索引不同，我們只需復(fù)制索引文件。

在硬件故障的情況下，會(huì)添加新的搜索器或索引器機(jī)器，并從分布式存儲(chǔ)中檢索數(shù)據(jù)的副本。

五、評估

可用性

數(shù)據(jù)在分布式存儲(chǔ)中跨多個(gè)區(qū)域進(jìn)行復(fù)制，使索引和搜索的跨區(qū)域部署更加容易。因此，如果一個(gè)地方發(fā)生故障，我們可以在另一個(gè)集群中處理請求。

索引是離線執(zhí)行的，不在用戶的關(guān)鍵路徑上。我們不需要同步復(fù)制索引操作。無需在將新索引復(fù)制到響應(yīng)搜索查詢之前等待。這使得搜索對用戶可用。

可擴(kuò)展性

分區(qū)是搜索系統(tǒng)擴(kuò)展的重要組成部分。當(dāng)增加分區(qū)的數(shù)量并向索引和搜索集群添加更多節(jié)點(diǎn)時(shí)，可以在數(shù)據(jù)索引和查詢方面實(shí)現(xiàn)擴(kuò)展。

索引和搜索過程之間的強(qiáng)分離有助于索引和搜索獨(dú)立和動(dòng)態(tài)地?cái)U(kuò)展。

大數(shù)據(jù)快速搜索

我們利用了多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)在較小的倒排索引上并行執(zhí)行搜索查詢。然后，將每個(gè)搜索節(jié)點(diǎn)的結(jié)果合并并返回給用戶。