|
一、缘起 《深入浅出搜索架构（上篇）》详细介绍了前三章： （1）全网搜索引擎架构与流程 （2）站内搜索引擎架构与流程 （3）搜索原理与核心数据结构
《深入浅出搜索架构（中篇）》介绍了： （4）流量数据量由小到大，常见搜索方案与架构变迁 （5）数据量、并发量、扩展性架构方案
本篇将讨论： （6）百度为何能实时检索出15分钟之前新出的新闻？58同城为何能实时检索出1秒钟之前发布的帖子？搜索引擎的实时性架构，是本文将要讨论的问题。
二、实时搜索引擎架构 大数据量、高并发量情况下的搜索引擎为了保证实时性，架构设计上的两个要点： （1）索引分级 （2）dump&merge
索引分级 《深入浅出搜索架构（上篇）》介绍了搜索引擎的底层原理，在数据量非常大的情况下，为了保证倒排索引的高效检索效率，任何对数据的更新，并不会实时修改索引，一旦产生碎片，会大大降低检索效率。
既然索引数据不能实时修改，如何保证最新的网页能够被索引到呢？ 索引分为全量库、日增量库、小时增量库。
如下图所述： （1）300亿数据在全量索引库中 （2）1000万1天内修改过的数据在天库中 （3）50万1小时内修改过的数据在小时库中
当有修改请求发生时，只会操作最低级别的索引，例如小时库。
当有查询请求发生时，会同时查询各个级别的索引，将结果合并，得到最新的数据： （1）全量库是紧密存储的索引，无碎片，速度快 （2）天库是紧密存储，速度快 （3）小时库数据量小，速度也快
数据的写入和读取都是实时的，所以58同城能够检索到1秒钟之前发布的帖子，即使全量库有300亿的数据。
新的问题来了：小时库数据何时反映到天库中，天库中的数据何时反映到全量库中呢？
dump&merge 这是由两个异步的工具完成的： dumper：将在线的数据导出 merger：将离线的数据合并到高一级别的索引中去
小时库，一小时一次，合并到天库中去； 天库，一天一次，合并到全量库中去； 这样就保证了小时库和天库的数据量都不会特别大； 如果数据量和并发量更大，还能增加星期库，月库来缓冲。
三、总结 超大数据量，超高并发量，实时搜索引擎的两个架构要点： （1）索引分级 （2）dump&merge
如《深入浅出搜索架构（上篇）》中所述，全网搜索引擎分为Spider, Search&Index, Rank三个部分。本文描述的是Search&Index如何实时修改和检索，Spider子系统如何能实时找到全网新生成的网页，又是另外一个问题，未来撰文讲述。
希望大家有收获，帮转哟。 ==【完】== 相关文章： |
|
|
