“搜索”的原理，架构，实现，实践，面试不用再怕了（值得收藏）！！！

可能99%的同学不做搜索引擎，但99%的同学一定实现过检索功能。搜索，检索，这里面到底包含哪些技术的东西，希望本文能够给大家一些启示。

 

全网搜索引擎架构与流程如何？

全网搜索引擎的宏观架构如上图，核心子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）：

（1）web网页库；

（2）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”分离的系统。

写入是如何实施的？

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：

（1）spider把互联网网页抓过来；

（2）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）；

（3）build_index从网页库中读取数据，完成分词；

（4）build_index生成倒排索引；

 

检索是如何实施的？

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：

（a）search_index获得用户的搜索词，完成分词；

（b）search_index查询倒排索引，获得“字符匹配”网页，这是初筛的结果；

（c）rank对初筛的结果进行打分排序；

（d）rank对排序后的第一页结果返回；

 

站内搜索引擎架构与流程如何？

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，以58同城100亿帖子的搜索为例，其整体架构如下：

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；

画外音：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是相对工程的系统；

（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

 

前面的内容太宏观，为了照顾大部分没有做过搜索引擎的同学，数据结构与算法部分从正排索引、倒排索引一点点开始。

什么是正排索引（forward index）？

简言之，由key查询实体的过程，使用正排索引。

例如，用户表：

t_user(uid, name,