百度如何能实时检索到15分钟前新生成的网页（下）？
编辑手记：
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？我们拣选架构师之路中的一个系列文章，体系化的聊聊搜索引擎，从宏观到细节，详解实时检索的原理。只要业务有检索需求，本文一定对你有帮助。
本文重点介绍：
一、流量数据量由小到大，常见搜索方案与架构变迁
二、数据量、并发量、扩展性方案
三、搜索引擎的实时性架构
1
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，还是以58同城的帖子业务场景为例。
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？
那么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
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 ‘%天通苑%’
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
为了解决全文索引的局限性，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：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。强烈推荐ES（ElasticSearch）
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
目前58到家使用ES作为核心，实现了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。
搜索服务数据量最大的“接口耗时数据收集”需求，数据量大概在7亿左右；并发量最大的“经纬度，地理位置搜索”需求，线上平均并发量大概在600左右，压测数据并发量在6000左右。
ES完全能满足10亿数据量，5k吞吐量的常见搜索业务需求，强烈推荐。
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。
2
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）。
58同城的自研搜索引擎E-search初步架构图如下：
（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
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
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：
增加机器就能承载更多的数据量，响应更高的并发量。
3
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。
4
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;
加入"云和恩墨大讲堂"，参与讨论学习
搜索 盖国强（Eygle）微信号：eyygle，或者扫描下面二维码，备注：云和恩墨大讲堂，即可入群。每周与千人共享免费技术分享，与讲师在线讨论。