百度如何能實(shí)時(shí)檢索到15分鐘前新生成的網(wǎng)頁(yè)？

一、緣起

---

《深入淺出搜索架構(gòu)（上篇）》詳細(xì)介紹了前三章：

（1）全網(wǎng)搜索引擎架構(gòu)與流程

（2）站內(nèi)搜索引擎架構(gòu)與流程

（3）搜索原理與核心數(shù)據(jù)結(jié)構(gòu)

《深入淺出搜索架構(gòu)（中篇）》介紹了：

（4）流量數(shù)據(jù)量由小到大，常見(jiàn)搜索方案與架構(gòu)變遷

（5）數(shù)據(jù)量、并發(fā)量、擴(kuò)展性架構(gòu)方案

本篇將討論：

（6）百度為何能實(shí)時(shí)檢索出15分鐘之前新出的新聞？58同城為何能實(shí)時(shí)檢索出1秒鐘之前發(fā)布的帖子？搜索引擎的實(shí)時(shí)性架構(gòu)，是本文將要討論的問(wèn)題。

二、實(shí)時(shí)搜索引擎架構(gòu)

---

大數(shù)據(jù)量、高并發(fā)量情況下的搜索引擎為了保證實(shí)時(shí)性，架構(gòu)設(shè)計(jì)上的兩個(gè)要點(diǎn)：

（1）索引分級(jí)

（2）dump&merge

索引分級(jí)

《深入淺出搜索架構(gòu)（上篇）》介紹了搜索引擎的底層原理，在數(shù)據(jù)量非常大的情況下，為了保證倒排索引的高效檢索效率，任何對(duì)數(shù)據(jù)的更新，并不會(huì)實(shí)時(shí)修改索引，一旦產(chǎn)生碎片，會(huì)大大降低檢索效率。

既然索引數(shù)據(jù)不能實(shí)時(shí)修改，如何保證最新的網(wǎng)頁(yè)能夠被索引到呢？

索引分為全量庫(kù)、日增量庫(kù)、小時(shí)增量庫(kù)。

如下圖所述：

（1）300億數(shù)據(jù)在全量索引庫(kù)中

（2）1000萬(wàn)1天內(nèi)修改過(guò)的數(shù)據(jù)在天庫(kù)中

（3）50萬(wàn)1小時(shí)內(nèi)修改過(guò)的數(shù)據(jù)在小時(shí)庫(kù)中

當(dāng)有修改請(qǐng)求發(fā)生時(shí)，只會(huì)操作最低級(jí)別的索引，例如小時(shí)庫(kù)。

當(dāng)有查詢請(qǐng)求發(fā)生時(shí)，會(huì)同時(shí)查詢各個(gè)級(jí)別的索引，將結(jié)果合并，得到最新的數(shù)據(jù)：

（1）全量庫(kù)是緊密存儲(chǔ)的索引，無(wú)碎片，速度快

（2）天庫(kù)是緊密存儲(chǔ)，速度快

（3）小時(shí)庫(kù)數(shù)據(jù)量小，速度也快

數(shù)據(jù)的寫(xiě)入和讀取都是實(shí)時(shí)的，所以58同城能夠檢索到1秒鐘之前發(fā)布的帖子，即使全量庫(kù)有300億的數(shù)據(jù)。

新的問(wèn)題來(lái)了：小時(shí)庫(kù)數(shù)據(jù)何時(shí)反映到天庫(kù)中，天庫(kù)中的數(shù)據(jù)何時(shí)反映到全量庫(kù)中呢？

dump&merge

這是由兩個(gè)異步的工具完成的：

dumper：將在線的數(shù)據(jù)導(dǎo)出

merger：將離線的數(shù)據(jù)合并到高一級(jí)別的索引中去

小時(shí)庫(kù)，一小時(shí)一次，合并到天庫(kù)中去；

天庫(kù)，一天一次，合并到全量庫(kù)中去；

這樣就保證了小時(shí)庫(kù)和天庫(kù)的數(shù)據(jù)量都不會(huì)特別大；

如果數(shù)據(jù)量和并發(fā)量更大，還能增加星期庫(kù)，月庫(kù)來(lái)緩沖。

三、總結(jié)

---

超大數(shù)據(jù)量，超高并發(fā)量，實(shí)時(shí)搜索引擎的兩個(gè)架構(gòu)要點(diǎn)：

（1）索引分級(jí)

（2）dump&merge

如《深入淺出搜索架構(gòu)（上篇）》中所述，全網(wǎng)搜索引擎分為Spider, Search&Index, Rank三個(gè)部分。本文描述的是Search&Index如何實(shí)時(shí)修改和檢索，Spider子系統(tǒng)如何能實(shí)時(shí)找到全網(wǎng)新生成的網(wǎng)頁(yè)，又是另外一個(gè)問(wèn)題，未來(lái)撰文講述。 

希望大家有收獲，幫轉(zhuǎn)喲。