搜索引擎原理：搜索引擎原理构架介绍？( 二 ) _生活百科

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 。
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> 。
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>就是倒排索引。
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（业务需求决定架构实现）。
提问：搜索的过程是什么样的？
假设搜索词是“我爱” ，用户会得到什么网页呢？
（1）分词， “我爱”会分词为{我，爱} ，时间复杂度为O(1)
（2）每个分词后的item ，从倒排索引查询包含这个item的网页list ，时间复杂度也是O(1)：
我 -> {url1, url2}
爱 -> {url1, url2}
（3）求list的交集，就是符合所有查询词的结果网页，对于这个例子， {url1, url2}就是最终的查询结果
看似到这里就结束了，其实不然，分词和倒排查询时间复杂度都是O(1) ，整个搜索的时间复杂度取决于“求list的交集” ，问题转化为了求两个集合交集。
字符型的url不利于存储与计算，一般来说每个url会有一个数值型的url_id来标识，后文为了方便描述， list统一用list替代。
list1和list2 ，求交集怎么求？
方案一：for * for ，土办法，时间复杂度O(n*n)
每个搜索词命中的网页是很多的， O(n*n)的复杂度是明显不能接受的。倒排索引是在创建之初可以进行排序预处理，问题转化成两个有序的list求交集，就方便多了。
方案二：有序list求交集，拉链法

文章插图
有序集合1{1,3,5,7,8,9}
有序集合2{2,3,4,5,6,7}
两个指针指向首元素，比较元素的大小：
（1）如果相同，放入结果集，随意移动一个指针
（2）否则，移动值较小的一个指针，直到队尾
这种方法的好处是：
（1）集合中的元素最多被比较一次，时间复杂度为O(n)
（2）多个有序集合可以同时进行，这适用于多个分词的item求url_id交集
这个方法就像一条拉链的两边齿轮，一一比对就像拉链，故称为拉链法
方案三：分桶并行优化
数据量大时， url_id分桶水平切分+并行运算是一种常见的优化方法，如果能将list1和list2分成若干个桶区间，每个区间利用多线程并行求交集，各个线程结果集的并集，作为最终的结果集，能够大大的减少执行时间。
举例：
有序集合1{1,3,5,7,8,9, 10,30,50,70,80,90}
有序集合2{2,3,4,5,6,7, 20,30,40,50,60,70}
求交集，先进行分桶拆分：
桶1的范围为[1, 9]
桶2的范围为[10, 100]
桶3的范围为[101, max_int]
于是：
集合1就拆分成
集合a{1,3,5,7,8,9}
集合b{10,30,50,70,80,90}
集合c{}
集合2就拆分成
集合d{2,3,4,5,6,7}
集合e{20,30,40,50,60,70}
集合e{}
每个桶内的数据量大大降低了，并且每个桶内没有重复元素，可以利用多线程并行计算：
桶1内的集合a和集合d的交集是x{3,5,7}
桶2内的集合b和集合e的交集是y{30, 50, 70}
桶3内的集合c和集合d的交集是z{}
最终，集合1和集合2的交集，是x与y与z的并集，即集合{3,5,7,30,50,70}
方案四：bitmap再次优化
数据进行了水平分桶拆分之后，每个桶内的数据一定处于一个范围之内，如果集合符合这个特点，就可以使用bitmap来表示集合：

文章插图
如上图，假设set1{1,3,5,7,8,9}和set2{2,3,4,5,6,7}的所有元素都在桶值[1, 16]的范围之内，可以用16个bit来描述这两个集合，原集合中的元素x ，在这个16bitmap中的第x个bit为1 ，此时两个bitmap求交集，只需要将两个bitmap进行“与”操作，结果集bitmap的3 ， 5 ， 7位是1 ，表明原集合的交集为{3,5,7}