“搜索”的原理，架构，实现，实践，面试不用再怕了（值得收藏）！！！(2)

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>就是倒排索引。

画外音：明白了吧，词到url的过程，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。

画外音，业务需求决定架构实现，查询起来都很快。

检索的过程是什么样的?

假设搜索词是“我爱”：

• 分词，“我爱”会分词为{我，爱}，时间复杂度为O(1);
• 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)：
• 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;

我 -> {url1, url2} 
爱 -> {url1, url2} 

画外音：检索的过程也很简单：分词，查倒排索引，求结果集交集。

就结束了吗?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?

(1) 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。

画外音：比较笨的方法。

(2) 方案二：有序list求交集，拉链法

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：

• 如果相同，放入结果集，随意移动一个指针;
• 否则，移动值较小的一个指针，直到队尾;

这种方法的好处是：

• 集合中的元素最多被比较一次，时间复杂度为O(n);
• 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;

画外音：倒排索引是提前初始化的，可以利用“有序”这个特性。

(3) 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}。

画外音：多线程、水平切分都是常见的优化手段。

(4)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：

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}。

水平分桶，，bitmap优化之后，能极大提高求交集的效率，但时间复杂度仍旧是O(n)。bitmap需要大量连续空间，占用内存较大。

画外音：bitmap能够表示集合，用它求集合交集速度非常快。

(5)方案五：跳表skiplist

（编辑：ASP站长网）