产品提了个每秒20W次的检索需求，架构如何演进？（第97讲，收藏）

《架构师之路：架构设计中的100个知识点》

97.搜索引擎架构与细节

产品提了一个需求：

我想做一个内容检索功能，不复杂，100亿数据，每秒10万查询而已，两个星期能上线吗？

大部分工程师未必接触过“搜索内核”，但互联网业务，基本会涉及“检索”功能。以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？

原始阶段-LIKE

创业阶段，常常用这种方法来快速实现。

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%’

这种方式确实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. 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；

2. 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；

3. 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。其中，ES（ElasticSearch）是目前最为流行的。

Lucene虽好，潜在的不足是：

1. Lucene只是一个库，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，必须得自己做服务；

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，还是得自己做服务；

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，快狗打车使用ES作为核心的搜索服务，实现业务上的各类搜索需求，其中：

1. 数据量最大的“接口耗时数据收集”需求，数据量大概在10亿左右；

2. 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2000左右，压测数据并发量在8000左右；

所以，ES完全能满足10亿数据量，5k吞吐量的常见搜索业务需求。

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10万吞吐量；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。

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）。

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：

- 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

- 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，真正做到增加机器就能承载更多的数据量，响应更高的并发量。

简单小结一下：

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：