500W数据，20Wqps分词检索，架构如何设计？

这是一个典型的，短文本分词搜索的问题，简单聊聊自己的经验。

常见的文本检索方案有哪些？

(1) 数据库LIKE法​

将标题数据存放在数据库中，使用like来查询，方案非常简单，能支持简单的模糊搜索，但不支持分词。

画外音：显然不适用于本例。

 

(2) 数据库全文检索法​

将标题数据存放在数据库中，建立全文索引来检索，方案依然简单，利用了数据库的能力，不用额外开发，但性能较低。

画外音：本例的并发肯定扛不住。​

 

(3) 开源方案索引外置法

搭建lucene，solr，ES等开源搜索工具，建立索引，支持分词，支持数据量和吞吐量的水平扩展。

 

该方案能够很好的满足本例的需求。但是，杀鸡焉用牛刀，本例有一些业务特性：文本短，更新不频繁，如果利用好这两个特点，能有更巧妙的方案。

画外音：任何脱离业务的架构设计，都是耍流氓。​

 

针对“更新不频繁”的特性，可以使用“分词+DAT”方案。

画外音：分词就不多说了。

 

什么是DAT？​

DAT是double array trie的缩写，是trie树的一个变体优化数据结构，它在保证trie树检索效率的前提下，能大大减少内存的使用，经常用来解决检索，信息过滤等问题。

画外音：更具体的，可以Google一下“DAT”，DAT的缺点是，需要提前建立索引，索引不能实时更新。

 

为什么用trie树的变种DAT，是否可以直接使用trie树呢？​

trie树的优点是，索引可以实时更新；不足是，占用内存非常大。

 

本例索引无需实时更新，无法利用trie树的优点。但是，如果300W短文本建立好trie树内存能装下，则可以使用trie树，否则只能使用DAT。

 

普及，什么是trie树？​

trie树，又称单词查找树，经常用于搜索引擎词频统计，短文本检索，输入法输入提示等。

画外音：什么数据结构适合什么业务场景，一定要烂熟于胸。

 

它的特点是，能利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，其查询时间复杂度只与树的高度有关，与查询数据量级无关，因此查询效率非常高。

画外音：“时间复杂度与查询数量级无关”这个太屌了。

例如：上面的trie树就能够表示｛and, as, at, cn, com｝这样5个标题的集合，可以用来做这5个字符串的词频统计，或者检索。

画外音：检索时，节点存储命中该item的doc_list<doc_id>。

 

分词之后，是不是需要多次扫描trie树？ 

是的。

分词之后，每个item都要扫描一次trie树，得到的doc_list<doc_id>的交集，就是最终命中每个item的检索结果。

 

针对“短文本”“500W数据”“不频繁更新”这些特性，还能使用“分词+内存hash”方案。

 

这个方案需要先对索引进行初始化：对所有短文本进行分词，以词的hash为key，doc_id的集合为value。

 

查询的过程也很简单：​对查询字符串进行分词，对每个分词进行hash，直接查询hash表格得到doc_list<doc_id>，再对每个分词的检索结果进行交集。

 

举个栗子进行说明。

 

例如：

• doc1 : 我爱北京
• doc2 : 我爱到家
• doc3 : 到家美好

 

先对短文本进行分词：

• doc1 : 我爱北京 -> 我，爱，北京
• doc2 : 我爱到家 -> 我，爱，到家
• doc3 : 到家美好 -> 到家，美好

 

对分词进行hash，建立hash表：

• hash(我) -> {doc1, doc2}
• hash(爱) -> {doc1, doc2}
• hash(北京) -> {doc1}
• hash(到家) -> {doc2, doc3}
• hash(美好) -> {doc3}

 

这样，所有短文本初始化完毕，与trie树类似，查询时间复杂度与文本数据量也没有关系。

画外音：只与被分词后有多少数据量，即hash桶个数有关。

 

查询的过程是这样的：

假如用户输入“我爱”，分词后变为{我，爱}，对各个分词的hash进行内存检索：

• hash(我)->{doc1, doc2}
• hash(爱)->{doc1, doc2}

然后进行合并，得到最后的查找结果是{doc1, doc2}。

 

这个方法的优点是，纯内存操作，能满足很大的并发，时延也很低，占用内存也不大，实现非常简单快速，而且冗余索引很容易水平扩展。

画外音：做索引高可用也不难，建立两份一样的hash索引即可。

 

它的缺点也很明显，索引全内存，没有落地，还是需要在数据库中存储固化的短文本数据，如果内存数据全丢失，数据恢复起来会比较慢。

 

总结​

短文本，高并发，支持分词，不用实时更新的检索场景，可以使用：

• ES，杀鸡用牛刀；
• 分词+DAT(trie)；
• 分词+内存hash；

等几种方式解决。

 

思路比结论重要，希望大家有收获。​

时间:2022-12-11 03:08  来源:未知    转发量:次