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, passwd, age, sex)

由uid查询整行的过程，就时正排索引查询。

又例如，网页库：

t_web_page(url, page_content)

由url查询整个网页的过程，也是正排索引查询。

网页内容分词后，page_content会对应一个分词后的集合list<item>。

简易的，正排索引可以理解为：

Map<url, list<item>>

能够由网页url快速找到内容的一个数据结构。

画外音：时间复杂度可以认为是O(1)。

什么是倒排索引（inverted index）？

与正排索引相反，由item查询key的过程，使用倒排索引。

对于网页搜索，倒排索引可以理解为：

Map<item, list<url>>

能够由查询词快速找到包含这个查询词的网页的数据结构。

画外音：时间复杂度也是O(1)。

举个例子，假设有3个网页：

url1 -> “我爱北京”url2 -> “我爱到家”url3 -> “到家美好”这是一个正排索引：Map<url, page_content>。

分词之后：

url1 -> {我，爱，北京}url2 -> {我，爱，到家}url3 -> {到家，美好}这是一个分词后的正排索引：Map<url, list<item>>。

分词后倒排索引：

我 -> {url1, url2}爱 -> {url1, url2}北京 -> {url1}到家 -> {url2, url3}美好 -> {url3}

由检索词item快速找到包含这个查询词的网页Map<item, list<url>>就是倒排索引。

画外音：明白了吧，词到url的过程，是倒排索引。

正排索引和倒排索引是spider和build_index系统提前建立好的数据结构，为什么要使用这两种数据结构，是因为它能够快速的实现“用户网页检索”需求。

画外音，业务需求决定架构实现，查询起来都很快。

ps：因为文章篇幅过长的原因，为了不影响大家的阅读，我分成了上下篇，方便大家阅读。