搜索引擎背后的数据结构和算法

搜索引擎实现起来，技术难度非常大，技术的好坏直接决定了产品的核心竞争力。搜索引擎的设计与实现中，会用到大量的算法。百度、Google 这样的搜索引擎公司，面试时，会格外重视考察候选人的算法能力。

1. 整体系统介绍

以下介绍，如何在一台机器上（假设内存是8GB，硬盘是100多GB），通过少量的代码，实现一个小型搜索引擎。

搜索引擎大致分为四个部分：搜集、分析、索引、查询。

搜集，就是利用爬虫爬取网页。
分析，主要负责网页内容抽取、分词，构建临时索引，计算PageRank值。
索引，主要负责通过分析阶段得到的临时索引，构建倒排索引。
查询，主要负责响应用户的请求，根据倒排索引获取相关网页，计算网页排名，返回查询结果给用户。

2. 搜集

互联网越来越发达，网站越来越多，对应网页也越来越多。对于搜索引擎来说，它事先并不知道网页都在哪里。那搜索引擎是如何爬取网页的呢？

搜索引擎把整个互联网看作有向图，把每个页面看作一个顶点。如果某个页面中包含另外一个页面的链接，就在两个顶点之间连一条有向边。利用图的遍历搜索算法，来遍历整个互联网中的网页。

搜索引擎采用的是广度优先搜索策略。具体点讲的话，先找一些比较知名的网页（权重比较高）的链接（比如新浪主页、腾讯主页），作为种子网页链接，放入到队列中。爬虫按照广度优先的策略，不停地从队列中取出链接，然后爬取对应的网页，解析出网页里包含的其他网页链接，再将解析出来的链接添加到队列中。

2.1 待爬取网页链接文件：links.bin

广度优先搜索爬取页面过程中，爬虫会不停地解析页面链接，将其放到队列中。于是，队列中的链接会越来越多，可能多到内存放不下。所以，用一个存储在磁盘中的文件（links.bin）来作为广度优先搜索中的队列。爬虫从links.bin文件中，取出链接去爬取对应的页面。等爬取到网页之后，将解析出来的链接，直接存储到links.bin文件中。这样用文件来存储网页链接的方式，还有其他好处。比如，支持断点续爬。当机器断电之后，网页链接不会丢失；重启之后，还可以从之前爬取到的位置继续爬取。

如何解析页面获取链接，可以把整个页面看作一个大的字符串，利用字符串匹配算法，搜索这样一个网页标签，然后顺序读取之间的字符串，就是网页链接。

2.2 网页判重文件：bloom_filter.bin

如何避免重复爬取相同的网页呢？使用布隆过滤器，就可以快速并且非常节省内存地实现网页的判重。

如果把布隆过滤器存储在内存中，宕机重启后，布隆过滤器就被清空了。可能导致大量已经爬取的网页会被重复爬取。

我们可以定期地（比如每隔半小时）将布隆过滤器持久化到磁盘中，存储在bloom filter.bin文件中。即便出现机器宕机，也只会丢失布隆过滤器中的部分数据。当机器重启后，就可以重新读取磁盘中的bloom_filter.bin文件，将其恢复到内存中。

2.3 原始网页存储文件：doc_raw.bin

爬取到网页后，需要将其存储下来，以备后面离线分析、索引之用。如何存储海量的原始网页呢？

如果把每个网页都存储为一个独立的文件，那磁盘中的文件会非常多。常用的文件系统显然不适合存储如此多的文件。所以，可以把多个网页存储在一个文件中。每个网页之间，通过标识进行分隔，方便后续读取。具体的存储格式，如图所示。其中，doc_id这个字段是网页的编号。

这样的一个文件也不能太大，因为文件系统对文件的大小也有限制。所以，我们可以设置每个文件的大小上限（比如1GB）。随着越来越多的网页被添加到文件中，文件越来越大，当超过1GB的时候，就创建一个新文件，用来存储新爬取的网页。

假设机器的硬盘大小是100GB左右，一个网页的平均大小是64KB。那在一台机器上，我们可以存储100万到200万左右的网页。假设机器的带宽是10MB，那下载100GB的网页，大约要10000秒。也就是说，爬取100多万的网页，只需要花费几小时的时间。

2.4 网页链接及其编号的对应文件：doc_id.bin

网页编号就是给每个网页分配一个唯一的ID，方便后续对网页分析、索引。那如何给网页编号呢？

可以按照网页被爬取的先后顺序，从小到大依次编号。具体是这样做的：维护一个中心的计数器，每爬取到一个网页，就从计数器中拿一个号码，分配给这个网页，然后计数器加一。存储网页的同时，将网页链接跟编号之间的对应关系，存储在另一个doc_id.bin文件中。

爬取网页的过程中，涉及的四个重要的文件，links.bin 和 bloom filter.bin 这两个文件是爬虫自身所用的。另外两个（doc raw.bin、doc id.bin）是作为搜集阶段的成果，供后面的分析、索引、查询用。

3. 分析

网页爬下来后，需要对网页进行离线分析。主要包括两个步骤，1. 抽取网页文本信息，2. 分词并创建临时索引。

3.1 抽取网页文本信息

网页是半结构化数据，里面夹杂着各种标签、JavaScript代码、CSS样式。搜索引擎只关心网页中的文本信息，我们依靠HTML标签来抽取网页中的文本信息，大体可以分为两步。

第一步是去掉JavaScript代码、CSS格式以及下拉框中的内容（因为下拉框在用户不操作的情况下，也是看不到的）。也就是<style></style>，<script></script>，<option></option>这三组标签之间的内容。可以利用AC自动机这种多模式串匹配算法，一次性查找<style>，<script>，<option>这三个关键词。当找到某个关键词出现的位置之后，只需要依次往后遍历，直到对应结束标签（</style>，</script>，</option>）为止。这期间遍历到的字符串连带着标签就应该从网页中删除。
第二步是去掉所有HTML标签。也是通过字符串匹配算法来实现的。

3.2 分词并创建临时索引

经过上面的处理，我们就从网页中抽取出了我们关心的文本信息。接下来，要对文本信息进行分词，并且创建临时索引。

对英文网页来说，分词非常简单。只需要通过空格、标点符号等分隔符，将每个单词分割开来就可以了。
对于中文来说，分词就复杂太多了。介绍一种比较简单的思路，基于字典和规则的分词方法。

字典也叫词库，里面包含大量常用的词语。借助词库并采用最长匹配规则，来对文本进行分词。所谓最长匹配，也就是匹配尽可能长的词语。具体到实现层面，我们可以将词库中的单词，构建成Trie树结构，然后拿网页文本在Trie 树中匹配。

每个网页的文本信息在分词完成后，都得到一组单词列表。把单词与网页之间的对应关系，写入到一个临时索引文件中（tmp_Index.bin），这个临时索引文件用来构建倒排索引文件。临时索引文件的格式如下：

在临时索引文件中，我们存储的是单词编号term_id，而非单词本身。这样做的目的主要是为了节省存储空间。这些单词的编号是怎么来的呢？

给单词编号的方式，跟给网页编号类似。维护一个计数器，每当从网页文本信息中分割出一个新单词的时候，就从计数器中取一个编号，分配给它，然后计数器加一。

在这个过程中，我们还需要使用散列表，记录已经编过号的单词。在对网页文本信息分词的过程中，我们拿分割出来的单词，先到散列表中查找，如果找到，那就直接使用已有的编号；如果没有找到，再去计数器中拿号码，并且将这个新单词以及编号添加到散列表中。

当所有的网页处理（分词及写入临时索引）完成之后，再将这个单词跟编号之间的对应关系，写入到磁盘文件中，并命名为term_id.bin。

经过分析阶段，得到了两个重要的文件。它们分别是临时索引文件（tmpindex.bin）和单词编号文件（term_id.bin）。

4. 索引

索引主要负责将分析阶段产生的临时索引，构建成倒排索引。倒排索引（Inverted index）中记录了每个单词以及包含它的网页列表。

如何通过临时索引文件，构建出倒排索引文件呢？

考虑到临时索引文件很大，无法一次加载到内存，搜索引擎一般会选择使用多路归并排序的方法来实现。

先对临时索引文件，按照单词编号的大小排序。因为临时索引很大，所以一般基于内存的排序算法就没法处理这个问题。可以用归并排序的处理思想，将其分割成多个小文件，先对每个小文件独立排序，最后再合并在一起。实际的软件开发中，可以直接利用MapReduce来处理。
临时索引文件排序完成之后，相同的单词就被排列到了一起。只需顺序地遍历排好序的临时索引，就能将每个单词对应的网页编号列表找出来，然后把它们存储在倒排索引文件中。如图。