如何快速实现高并发短文检索

一、需求缘起

某并发量很大，数据量适中的业务线需要实现一个“标题检索”的功能：

（1）并发量较大，每秒20w次

（2）数据量适中，大概200w数据

（3）是否需要分词：是

（4）数据是否实时更新：否

二、常见潜在解决方案及优劣

（1）数据库搜索法

具体方法：将标题数据存放在数据库中，使用like来检索

优点：方案简单

缺点：不能实现分词，并发量扛不住

（2）数据库全文检索法

具体方法：将标题数据存放在数据库中，建立全文索引来检索

优点：方案简单

缺点：并发量扛不住

（3）使用开源方案将索引外置

具体方法：搭建lucene，solr，ES等开源外置索引方案

优点：性能比上面两种好

缺点：并发量可能有风险，系统比较重，为一个简单的业务搭建一套这样的系统成本较高

三、58龙哥的建议

问1：龙哥，58同城第一届编程大赛的题目好像是“黄反词过滤”，你是冠军，当时是用DAT来实现的么？

龙哥：是的

画外音：什么是DAT？

普及：DAT是double array trie的缩写，是trie树的一个变体优化数据结构，它在保证trie树检索效率的前提下，能大大减少内存的使用，经常用来解决检索，信息过滤等问题。（具体大伙百度一下“DAT”）

问2：上面的业务场景可以使用DAT来实现么？

龙哥：DAT更新数据比较麻烦，不能增量

问3：那直接使用trie树可以么？

龙哥：trie树比较占内存

画外音：什么是trie树？

普及：trie树，又称单词查找树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计，保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。（来源：百度百科）

例如：上面的trie树就能够表示｛and, as, at, cn, com｝这样5个标题的集合。

问4：如果要支持分词，多个分词遍历trie树，还需要合并对吧？

龙哥：没错，每个分词遍历一次trie树，可以得到doc_id的list，多个分词得到的list合并，就是最终的结果。

问5：龙哥，还有什么更好，更轻量级的方案么？

龙哥：用trie树，数据会膨胀文档数*标题长度这么多，标题越长，文档数越多，内存占用越大。有个一个方案，内存量很小，和标题长度无关，非常帅气。

问6：有相关文章么，推荐一篇？

龙哥：可能网上没有，我简单说一下吧，核心思想就是“内存hash ＋ ID list”

索引初始化步骤为：对所有标题进行分词，以词的hash为key，doc_id的集合为value

查询的步骤为：对查询词进行分词，对分词进行hash，直接查询hash表格，获取doc_id的list，然后多个词进行合并

=====例子=====

例如：

doc1 : 我爱北京
doc2 : 我爱到家

doc3 : 到家美好

先标题进行分词：

doc1 : 我爱北京 -> 我，爱，北京
doc2 : 我爱到家 -> 我，爱，到家

doc3 : 到家美好 -> 到家，美好

对分词进行hash，建立hash + ID list：

hash(我) -> {doc1, doc2}
hash(爱) -> {doc1, doc2}
hash(北京) -> {doc1}
hash(到家) -> {doc2, doc3}

hash(美好) -> {doc3}

这样，所有标题的初始化就完毕了，你会发现，数据量和标题的长度没有关系。

用户输入“我爱”，分词后变为{我，爱}，对各个分词的hash进行内存检索

hash(我)->{doc1, doc2}

hash(爱)->{doc1, doc2}

然后进行合并，得到最后的查找结果是doc1+doc2。

=====例子END=====

问7：这个方法有什么优点呢？

龙哥：存内存操作，能满足很大的并发，时延也很低，占用内存也不大，实现非常简单快速

问8：有什么不足呢？和传统搜索有什么区别咧？

龙哥：这是一个快速过度方案，因为索引本身没有落地，还是需要在数据库中存储固化的标题数据，如果不做高可用，数据恢复起来会比较慢。当然做高可用也是很容易的，建立两份一样的hash索引即可。另外，没有做水平切分，但数据量非常非常非常大时，还是要做水平切分改进的。