简单聊聊搜索

最近准备从sphinx切到ES了，这里梳理一下搜索到底做了什么事情。

 零、背景

早在2014年，我就了解过sphinx以及对于的随手技术，当时还写过几篇文章。

 
这几天搭建了sphinx的实时索引，也搭建了Elasticsearch，都体验了一下，这里简单聊聊这些搜索系统。一、搜索的基本知识
一般情况下我们有一批数据，比如文章已经保存在DB中了。

如果我们拿着文章ID去查询文章的话，可以快速找到对应的文章。

但是当我们想使用文本来搜索类似的文章时，普通的DB就不能很好的满足我们的要求了。

这个时候我们就需要一个搜索引擎帮我们搜索到对应的文章了。

对于所有的搜索引擎，至少有三个模块：数据收集，分词倒排，搜索查询。

数据收集模块比较好理解，我们需要把待搜索的数据导入搜索引擎才能进行搜索。

比如对于谷歌和百度，每天都在会去各大网站爬去网页内容，然后导入到自己的搜索引擎中。

分词倒排是搜索引擎的关键技术。

比如我们有下面几篇文章。DocIDtitle0hello word1hello sphinx2hello es3sphinx and es
搜索引擎会进行适当的分词倒排处理, 储存为下面的样子.wordDocIDListhello0,1,2word0sphinx1,3es2,3and3
对于搜索查询模块，就是对搜索条件进行分词，然后去倒排索引中查询每个词的结果然后聚合起来。

比如我们使用”hello es”来查询文章，则第一步将搜索条件分解为”hello”和”es”,然后就可以在倒排索引中分别查到两个文章信息”0,1,2”和”2,3”，最后聚合就精确得到了DocID为2的那篇文章了。

基础知识结语:

上面三步是搜索引擎的基本原理，但是实际应用中还需要考虑还是问题，比如数据怎么更新，怎么支持搜索多种数据，数据量大了怎么分布式，怎么容灾等等。

下个小节分别来详细的看看这些问题是怎么发生的，又该如何解决吧。
 
二、搜索面临的问题问题
 
1：数据怎么更新
看了第一小节我们了解到搜集的数据在搜索引擎经过了分词处理，最后使用倒排的方式储存了起来。
这种方式导致一个问题就是没办法在原有的储存上更新数据了，或者非要去更新的话成本是很高的（给大家留个课后作业：原有储存上更新成本为什么很高）。
既然在原有的数据更新成本很高，那我们能不能重新储存一份呢？
想要重新储存一份需要看看这样做会带来什么样的问题。
我们搜索的时候，会在旧的数据上搜索一份数据，在新的储存上也搜索一份数据，这样结果集就重复了。
重新一份数据会导致结果集重复，所以我们还需要一个机制来避免重复。
这个机制的效果是我们可以对结果集进行判断,判断是否有重复,如果有还需要找到最新的那个。
具体实现方案很多，这里也不提了，算是再次给大家提一个课后作业吧。
数据更新的结论：
结论就是更新的数据当做新数据重新储存起来，然后使用其他直接保证避免搜索出旧数据。
 
问题2：多机更新数据

第二个问题还是谈谈更新数据的问题，不过这里的重点在于多机，而不在更新。
假设我们的搜索引擎部署了三套，每套的数据完全相同。
我们要向引擎写入数据了，如何写入呢？

简单思考一下，无非三种情况：
1、分别写入三个引擎。
2、写入到同一个中间储存，引擎自动加载中间储存。
3、写入任意一个，引擎会自动同步到其他两个引擎。
 
对于第三个算是最理想的方法，引擎之间会进行通信，数据自动同步。
而对于前两个其实本质是一样的，引擎之间互相独立，只不过一个是主动写一个是被动写。
对于数据自动同步其实又是一个很大的话题了，这里不做介绍，后面有时间了再另起一篇文章来聊聊数据同步。
 
问题3：多索引
多索引的概念是：搜索引擎可以支持搜索多种不同的数据。
比如可以搜索文章，还可以搜索博客，还可以搜索明星资料。
由于不同的资料，储存的数据格式完全不同，我们不是做一个类似于谷歌那样通用型搜索引擎，我们只需要做一个垂直搜索引擎，每次能够搜索一种资料即可。

但是新增一种资料需要快速方便。

对于能够支持的搜索资料，分两种。
1、完全写死，新增需要手动修改，引擎会间断服务。
2、配置化，平滑新增搜索资料。
 
有人可能会想第一种方案怎么可能存在，做一个搜索引擎必须有第二个功能吧。
实际情况时用第一种的人还真不少，我14年来视频后就搭建了一套第一种方案的搜索引擎，一致用到今天。
是的，现在你体验的很多服务后面都是第一个方案，不过下半年计划切换到第二种方案了。
 
问题4：分布式
分布式涉及到数据拆分的问题。
那自然有牵涉出怎么拆分的问题。
这里假设有3台机器。

第一种方案是写死：分别手动配置三台机器需要为哪些数据创建索引。
第二种方案是自动化：预先为数据分别N个节点，这些节点引擎自动分配到三台机器上。

好吧，我承认第一种方案还是我们在使用的方案，不过还不是真正的分布式，我们是按数据类型进行伪分布式。
比如电影的数据全部在机器1，电视剧的机器全部在机器2，其他的数据全部在机器3。

而对于真正的分布式应该是数据均等的，请求来的时候拆分为多个请求分别去多台机器，最后把结果聚合排序然后返回给请求方。
这种分布式的好处在于成本分摊。

本来每个条件对于3W个数据，现在均摊到三台机器，由于机器均等，所以每台机器只计算1W个数据，显然加快了计算速度。
当然这种方式也带来了其他成本：聚合成本。

尤其是返回的结果集比较大时，聚合成本也变得无比巨大。
 
问题4: 页数
上一个问题最后提到聚合成本。

其实在聚合之前的单机搜索数据模块，数据量大了也存在聚合成本的。
这也就是为什么搜索引擎一般只支持返回1000条数据，或者越往后翻页速度越慢。

下面是我对google的测试, 搜索条件是”hello”.

找到约 1,510,000,000 条结果 （用时 0.96 秒）
获得约 1,510,000,000 条结果，以下是第 2 页 （用时 0.74 秒）
获得约 1,510,000,000 条结果，以下是第 3 页 （用时 2.39 秒）
获得约 1,510,000,000 条结果，以下是第 4 页 （用时 1.24 秒）
获得约 1,510,000,000 条结果，以下是第 5 页 （用时 1.01 秒）
获得约 1,510,000,000 条结果，以下是第 10 页 （用时 1.23 秒）
获得约 1,510,000,000 条结果，以下是第 14 页 （用时 1.27 秒）
获得约 1,510,000,000 条结果，以下是第 19 页 （用时 1.82 秒）
获得约 1,510,000,000 条结果，以下是第 31 页 （用时 1.83 秒）
获得约 1,510,000,000 条结果，以下是第 35 页 （用时 1.95 秒）

可以看到前几页的时候不到一秒就返回了，翻到后面的时候大概是2秒.

而我翻到36页的时候,就没有结果了，也就是google只支持不到四百个结果。

而对于那些不懂搜索原理的人，往外会提出这样的需求：我们需要页数可以无限翻下去。

是的，有些业务真的会拉好多数据，给大家上一张图，搜索引擎面对这些请求返回错误其实也是完全符合预期的，毕竟请求的参数太过分了。

这里其实有一个很大的问题的，我再稍微说明点。

假设我们搜索的是”hello word”, “hello”找到10万个主键, “word”找到15万个主键，搜索引擎需要将这个25万个主键进行去重聚合运算。
假设运算后有9万个数据，还需要进行排序。 最后用户可能只需要前10条数据，但是我们的计算量确实试试在在的那么多次。

当然，实际实现的时候可以进行适当的优化，比如排序和最终要的数据条数结合起来，找到需要的数据后，后面的就不需要排序了。
但是由于每个词对于的数据量太大，搜索的性能必然存在问题的。

这里假设我们是分布式的，有10台机器，这时候搜索就不一样了。

请求分散到10台机器，每个机器只有十分之一的数据，我们可以在每台机器上计算出前10条数据，最后将100条数据聚合再次排序，就可以得到最终的结果了。

这里可以看到我们将原先的上万条数据分摊到10台机器上，每台机器的压力就对应比例的降低，这样就可以更快的查询到结果了。
看完了分布式的好处，接下来看看一个反分布式查询语句吧。

我们需要查询第一万条满足条件以后的10条结果。

这个对应与常用的

limit 10000,10

这个时候，每个机器都需要计算上万条记录，然后汇总机器就是10万条记录，然后我们才能计算出想要的那10条记录。

当然，这种情况很少，但是对于媒体业务，经常会遇到这样的需求，美言之为了SEO优化，美言之真有那么几个优化会翻上千页。

对于这种情况，实在没有好的办法，不过搜索引擎都会有一个小缓存的：即对搜索结果列表进行缓存，下次遇到相同条件时直接返回结果即可。
 
问题5：容灾
当一个功能上线，必然面临着容灾的问题。
比如机器突然挂了，比如服务压力大需要上新机器。
我们做搜索引擎的时候需要考虑这些情况。

这里重点说的是机器上的容灾，即增加机器了会怎么样，减少机器了会怎么样？

根据上面几个问题的描述，手动配置的在容灾方面都是不足的，甚至是致命的。

先来看看导入数据，每台机器是单独导入数据的，那新增一台机器是不是需要全量导入数据？

数据有上亿条，累计几十上百G，而且数据也不是现成的，一般需要实时去各个接口拉取，没有几个小时是同步不完的。

我们服务压力大紧急扩容，同步数据需要几个小时， 那时候服务早被压死了。
再来看看分布式，每台机器是单独配置读哪部分数据的，或者单独导入数据的。 
那这台机器死了，新来的机器需要重新同步数据或加载数据，数据量那么大，也是需要时间的。

注意，这里强调的是分布式的部分数据，而不是导入数据。
当然容灾上还设计服务是否可靠，即是否是7*24小时提供服务的。
对于那些每种索引是单独配置的搜索引擎，我们新增一种数据类型，都需要手动修改配置，重启搜索引擎。

一般搜索引擎启动时需要很长的时间来加载索引数据的，所以这段时间是不可服务的。

容灾上还有其他的，这里只提这三点吧。
总体来说就是搜索引擎做的事情越少，我们容灾上面临的问题就越多。
 
三、搜索上的实际应用

实际应用中我接触过sphinx和Elasticsearch。
对于sphinx支持三种模式；增量普通模式、增量分布式模块、实时模式。
而对于Elasticsearch只有一种模式：实时分布式模式。
对于业务来说，服务一旦搭建起来，经常变更的有：增加减少机器，增加其他搜索资料，某个搜索资料加字段。
对于sphinx，不管哪种模式，所有配置都是手动写死的，任何一种变更都需要间断服务。
而对于Elasticsearch，我们都可以通过接口动态调整，而不需间断服务。
下面我们分别来看看是怎么实现的吧.1. sphinx 增量普通模式
上面在问题1：数据怎么更新里面提到了一般是重新储存一份数据。
对于sphinx 增量普通模式，具体实现方式就是建两个索引：全量与增量。
全量索引每天凌晨都重新加载全部数据。 
增量索引每隔几分钟就重新加载当天的数据。 
这两个合起来就可以伪实时的提供搜索服务了。

对于重复问题，增量索引还提供指定哪些docId应该在全量索引中忽略.
有了这个，聚合数据时对满足条件的数据进行过滤，就可以得到最终的结果了。
是的，增量普通模式 只提供了上面这些功能，其他你能想到的功能都没有提供。
比如原先支持对文章进行搜索，后来文章这个资料加了一个字段，sphinx就需要手动的修改配置来加字段，并重启服务。
又比如我们要支持人名搜索了，也需要配置新的索引，也需要重启服务。

索引配置大概如下：

不管新增字段还是新增索引，都需要修改这个配置文件，并重启服务（服务启动需要很长时间的）。2. sphinx 增量分布式模式
sphinx的分布式模式和普通模式只有一个区别:分布式。

其他的完全一样，直接看配置吧。

多台机器分别读不同的数据。

是的，你们没有看错，大部分人都是使用mysql的左值运算来进行分布式的。

如果是我，我更倾向于分号段，即下面这种方式：

c_id <= 100000

，

c_id > 100000 and c_id <= 200000

，

c_id > 200000

。
分号段的好处是后续可持续性扩容,而取模的方式是致命的（课后作业又来了，有什么缺点呢？）。

至于sphinx增量分布式模式的其他问题，和增量普通模式完全一样，这里只是新增的功能，然后新增了一些问题而已。3. sphinx 实时模式
对于sphinx的实时模式，和普通模式相比增加了实时功能，但是放弃了数据源。

什么意思呢？

在普通模式下，sphinx是通过db来加载数据的，这样扩容什么的耗时浪费在重新加载DB数据并创建索引上.
而对于实时模式，丢弃数据源意味着我们需要通过接口一条条来写数据，如果扩容了，就需要写全量数据。
虽然和加载DB一样是导入全量数据，但是这个是通过api一条条写入的，最终影响是很严重的。
加载DB的话我们可以在十几分钟完成，但是通过API的话，没有几个小时是加载不完的。
另外就是加字段，扩容等面临着一堆问题等待我们去解决。

sphinx仅仅是一个索引工具，只负责分词查出结果来，对于实际使用中的问题就需要自己去面对了。
 
4. Elasticsearch实时分布式搜索
我们看到sphinx可谓是搜索引擎中最简单的引擎，只实现了分词与查询，对于小公司小项目使用还是可以接受的。

但是项目重要程度提上来时，我们只能放弃sphinx了，使用更完善的搜索引擎才是最可行的方案。
这里我选择了Elasticsearch，Elasticsearch简称ES。

我们先来看看面对之前提到的问题，ES是怎么解决的。

1、数据更新：ES内部自己管理，不需要我们关心增量以及旧数据的问题。
2、多机更新：ES只需要写入一次数据，内部可以自动同步。
3、索引与字段：ES可以动态的增加索引或者增加字段。
4、分布式：ES自身就是分布式的，内部会自动把部分数据同步到新机器。
5、页数：这个是任何搜索引擎都会面临的问题，需要产品形态上解决。
6、容灾：增加或减少机器后，我们不需要做任何操作，ES自己会管理这些，而且不会间断服务。
好了，看完上面的对比，有人会反问难道ES就没缺点吗?
 
当然不是，所有分词倒排的搜索引擎都会面临两个问题：倒排数量与页数。
这两个问题实际在上面的页数问题里面都提到了，现在再回顾一下。

还是搜索”hello word”，这里说的夸张点。”hello”可以匹配100W个数据，”word”可以匹配150W个数据。 
不知道大家看到数据后有什么第一感觉。
我的第一认知是至少需要把100W数据和150W数据加载出来，才能进行聚合。
这里的100W和200W就是我说的倒排数量问题。
页数的问题是假设聚合后得到80W数据，我的请求数据是第70万开始，要10个。
对我来说我只是要10个数据，对于后来来说至少需要先拉出70万多点数据才行。
而对于分布式，每个节点都需要拉出70W多点数据,最后还需要聚合，不多说了。
这就像大象放进冰箱里需要几步，不管怎么优化，都需要打开冰箱，放进去，关闭冰箱。
搜索引擎的倒排数量和页数也是一个道理。

最后看看ES的可视化管理图吧。

 
二、总结

sphinx虽然很多问题，但是提供了最基本的搜索功能。
所以大部分小公司和小项目还是可以使用这个软件的。
但是项目大了重要了，面对可扩展性与容灾问题时，最终必然需要放弃这个软件。
 
 
 

作者: tiankonguse