app后端搜索入门

现在人们的网络生活已经离不开搜索了，遇到不懂的问题，想知道的事情，搜索一下，就知道答案。

在app中，最常见的搜索情景就是搜索用户。只有几百，几千的用户量时，可以直接用用like这样的模糊查询，但是，如果数据有几百万，甚至上千万的时候，一次like查询数据库就堵了。到了一定量级的时候，不得不考虑使用专门的搜索技术。

1.    一个简单的搜索例子

有三行数据：

（1）近2周8成股民亏损超10%。

（2）满仓中国梦。

（3）股民两天亏一套三居。

例如，有个需求，从上面的3行数据中，把包含“股民”这个关键词的数据找出来。

按照一般的做法，就是分别查找上面的每一行数据：

第一行数据从头到尾查找一次，发现有“股民”这个关键词。

第二行数据从头到尾查找一次，没有有“股民”这个关键词。

第三行数据从头到尾查找一次，发现有“股民”这个关键词。

根据查找结果，第一，第三行数据包含“股民”这个关键词。

2.    搜索技术的基本原理

按照上面的过程，每次查找，都需要把每行数据从头到尾查一次。

如果需要从上百万，千万的数据中查找一个关键词，读者可以想象一下效率有多低。

我们看一下搜索引擎的例子，在搜索引擎搜索“股民”这个关键词的结果：

图1

在搜索引擎的搜索结果中，是直接显示了所有包含“股民”这个关键字的数据。

它是怎么做到在海量的信息中，快速搜索中包含关键字的信息的呢？

实现搜索的关键，就是分词和倒序索引。

如果我们知道每行数据中包含多少个关键字，然后建立一个映射表，把每个关键字出现在哪行数据中记录下来，搜索就变得很轻松。当知道一个关键字的时候，只需要查找这个映射表，找到这个关键词，根据这个关键词建立的映射关系就能查到包含这个关键词的数据。

知道每行数据中包含多少个关键字的过程，就是分词。这里有个问题，什么是关键字？

关键字，其实就是一个词语或句子，例如，当我有需要的时候，“股民”可以是搜索的关键字，但是，“股”也可以是搜索的关键字，“民”也可以是搜索的关键字。什么是关键字，要看使用者的需求。因此，为了能准确分析出一行数据到底包含多少个关键字，就需要一个包含了所有词语或句子的词典，用来分析数据中有什么关键字。

建立一个映射表，把每个关键字出现在哪行数据中记录下来，这个过程就是建倒序搜引。

下面举个实际的例子，看看是怎么分词和建立倒序索引。

还是用回上面举例的三行数据，左边的是数据的编号，右边的是数据的内容。

（1）近2周8成股民亏损超10%。

（2）满仓中国梦。

（3）股民两天亏一套三居。

首先，把分析上面每行数据包含多少个关键词（这里为了简化分词过程，没有把每个汉字或数字当成一个关键词，例如，” 民”应该是个关键词，但为了简化分词，没有当成一个关键词），结果如表1所示。

表1

下面根据表1的结果建立一个映射表表2，把每个关键字出现在哪行数据中记录下来

表2

用上面的表2，我们很容易得知，“股民”这个关键词在数据1,3中出现过。如果需要知道“中国”这个关键词出现在哪，通过查找表2也很容易得知出现在数据2中。

在这么几行数据中，还不能体验到倒序索引的高效。如果数据量到了上百万，千万，甚至上亿，倒序索引的效率就非常明显了。归根到底，这种数据结构就是为了实现快速搜索也建立的。

再进一步，表2的右侧，除了记录关键词出现在哪行数据中，还能记录在某行数据中出现的频率，出现的位置等信息，如果有兴趣继续深入了解搜索引擎的技术，可阅读《这就是搜索引擎：核心技术详解》（张俊林著），这篇文章只是简单介绍搜索引擎的基本原理。

3.    常见的开源搜索软件介绍

搜索技术一点都不简单，如果要我们从头开始做，不知道要到哪年哪月才能用给app用上搜索功能。幸好，大牛们已经为我们开源大量的搜索软件，只要我们会使用这些搜索软件提供的api，就能给app后台整合搜索技术。下面简单介绍一下常见的搜索软件。

(1) Lucene

Lucene是apache软件基金会4 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。

Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。Lucene是一套用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。就其本身而言，Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。

(2) Solr

Solr是一个高性能，采用Java5开发，基于Lucene的全文搜索服务器。同时对其进行了扩展，提供了比Lucene更为丰富的查询语言，同时实现了可配置、可扩展并对查询性能进行了优化，并且提供了一个完善的功能管理界面，是一款非常优秀的全文搜索引擎。它对外提供类似于Web-service的API接口。用户可以通过http请求，向搜索引擎服务器提交一定格式的XML文件，生成索引；也可以通过Http Get操作提出查找请求，并得到XML格式的返回结果。

(3) Elasticsearch

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是第二流行的企业搜索引擎。

(4) Sphinx

Sphinx是一个基于SQL的全文检索引擎，可以结合MySQL,PostgreSQL做全文搜索，它可以提供比数据库本身更专业的搜索功能，使得应用程序更容易实现专业化的全文检索。Sphinx特别为一些脚本语言设计搜索API接口，如PHP,Python,Perl,Ruby等，同时为MySQL也设计了一个存储引擎插件。

(5) Coreseek

Coreseek 是一款中文全文检索/搜索软件，以GPLv2许可协议开源发布，基于Sphinx研发并独立发布，专攻中文搜索和信息处理领域，适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等应用场景，用户可以免费下载使用。

Coreseek曾经在本人架构过两个app后台深度使用过，配置简单，性能高效，整合了Sphinx和中文分词，快速完成了搜索模块的开发。但最大的缺点是稳定版不支持实时索引，测试版是支持了，但没在生产环境中用过。

Coreseek的原理如下图3所示：

图2

Coreseek有两个核心模块 Indexer和Search。

Indexer: 负责从mysql中拉取数据源，把数据源分词，建立索引

Search：搜索模块

整个工程的流程如下：

1.      Indexer模块从mysql中拉取数据

2.      Indexer模块把数据经过中文分词，建立索引

3.      客户端向Search模块发起搜索请求

4.      Seach模块查找索引中的数据

5.      Seach模块得到索引中符合要求的数据的id等数据

6.      把数据返回给客户端

另外，有个小小的经验分享，搜索的时候，有的用户直接通过输入拼音来代替汉字的，如下图2：

图3

这种情况，就是要在记录关键字的同时，也要记录下关键字的拼音，把拼音也建索引，就能实现用拼音搜索。

参考资料：

1.      http://baike.baidu.com/link?url=rNBW3tzH-oJYeBoPSUvWZPGz-stIkE5zFQsjAtV234HFFPJKyeyr3dJjJrbZKRSCBg2NGZv-lA7DFqHF5XBEoq

2.      http://baike.baidu.com/link?url=C92bKEtkJtap8FfRjpSX4m5-yGE1Dn6O-00FRV5RwLe-EOkJ6FIvfl7amUuYceb-5jOD3Zn0Oy1_1vh7LG0RXK

3.      http://baike.baidu.com/link?url=xH1aipHlRiiq3JduGb8J8aT7qpYxs1rVDuvUQe76z0WLDZvuPFuI8Y7pbthYyiUZyyAB5wUxFzJqs5oAnRh5phPO7XYvdFSvuV5JlNVuD33

4.      http://www.coreseek.cn/