重点：
（1）流量数据量由小到大，常见搜索方案与架构变迁
（2）数据量、并发量、扩展性方案搜索
一、检索需求的满足与架构演进
任何互联网需求，或多或少有检索需求，以发帖业务场景为例，帖子的标题，帖子的内容有很强的用户检索需求，在业务、流量、并发量逐步递增的各个阶段，应该如何实现检索需求呢？
原始阶段-LIKE
数据在数据库中可能是这么存储的：
t_tiezi(tid, title, content)
满足标题、内容的检索需求可以通过LIKE实现：
select tid from t_tiezi where content like ‘%鸿富锦%’
能够快速满足业务需求，存在的问题也显而易见：
（1）效率低，每次需要全表扫描，计算量大，并发高时cpu容易100%
（2）不支持分词
初级阶段-全文索引
如何快速提高效率，支持分词，并对原有系统架构影响尽可能小呢，第一时间想到的是建立全文索引：
alter table t_tiezi add fulltext(title,content)
使用match和against实现索引字段上的查询需求。
全文索引能够快速实现业务上分词的需求，并且快速提升性能（分词后倒排，至少不要全表扫描了），但也存在一些问题：
（1）只适用于MyISAM
（2）由于全文索引利用的是数据库特性，搜索需求和普通CURD需求耦合在数据库中：检索需求并发大时，可能影响CURD的请求；CURD并发大时，检索会非常的慢；
（3）数据量达到百万级别，性能还是会显著降低，查询返回时间很长，业务难以接受
（4）比较难水平扩展
中级阶段-开源外置索引
为了解决全文索的局限性，当数据量增加到大几百万，千万级别时，就要考虑外置索引了。外置索引的核心思路是：索引数据与原始数据分离，前者满足搜索需求，后者满足CURD需求，通过一定的机制（双写，通知，定期重建）来保证数据的一致性。
原始数据可以继续使用Mysql来存储，外置索引如何实施？Solr，Lucene，ES都是常见的开源方案。
推荐ES（ElasticSearch），原因是Lucene虽好，但始终有一些不足：
（1）Lucene只是一个库，潜台词是，需要自己做服务，自己实现高可用/可扩展/负载均衡等复杂特性
（2）Lucene只支持Java，如果要支持其他语言，还是得自己做服务
（3）Lucene不友好，这是很致命的，非常复杂，使用者往往需要深入了解搜索的知识来理解它的工作原理，为了屏蔽其复杂性，一个办法是自己做服务
…
为了改善Lucene的各项不足，解决方案都是“封装一个接口友好的服务，屏蔽底层复杂性”，于是有了ES：
（1）ES是一个以Lucene为内核来实现搜索功能，提供REStful接口的服务
（2）ES能够支持很大数据量的信息存储，支持很高并发的搜索请求
（3）ES支持集群，向使用者屏蔽高可用/可扩展/负载均衡等复杂特性
可以使用ES作为核心，实现自己的搜索服务平台，能够通过在平台上简单的配置，实现业务方的搜索需求。
ES完全能满足10亿数据量，5k吞吐量的常见搜索业务需求，推荐。
高级阶段-自研搜索引擎
当数据量进一步增加，达到10亿、100亿数据量；并发量也进一步增加，达到每秒10万吞吐；业务个性也逐步增加的时候，就需要自研搜索引擎了，定制化实现搜索内核了。
三、数据量、并发量、扩展性方案
到了定制化自研搜索引擎的阶段，超大数据量、超高并发量为设计重点，为了达到“无限容量、无限并发”的需求，架构设计需要重点考虑“扩展性”，力争做到：增加机器就能扩容（数据量+并发量）。
初步架构图：
（1）上层
proxy（粉色）是接入集群
，为对外门户，接受搜索请求，其无状态性能够保证增加机器就能扩充proxy集群性能
（2）中层merger（浅蓝色）是逻辑集群，主要用于实现搜索合并，以及打分排序，业务相关的rank就在这一层实现，其无状态性也能够保证增加机器就能扩充merger集群性能
（3）底层searcher（暗红色大框）是检索集群，服务和索引数据部署在同一台机器上，服务启动时可以加载索引数据到内存，请求访问时从内存中load数据，访问速度很快
（3.1）为了满足数据容量的扩展性，索引数据进行了水平切分，增加切分份数，就能够无限扩展性能，如上图searcher分为了4组
（3.2）为了满足一份数据的性能扩展性，同一份数据进行了冗余，理论上做到增加机器就无限扩展性能，如上图每组searcher又冗余了2份
如此设计，真正做到做到增加机器就能承载更多的数据量，响应更高的并发量。
三、总结
为了满足搜索业务的需求，随着数据量和并发量的增长，搜索架构一般会经历这么几个阶段：
（1）原始阶段-LIKE
（2）初级阶段-全文索引
（3）中级阶段-开源外置索引
（4）高级阶段-自研搜索引擎
网友评论