一. 应用场景
- 当垂直类互联网服务提供的信息显著增加的时候，用户如何快速获取信息就会成为瓶颈
- 典型的应用场景包括：1）商品搜索；2）房源搜索；等等
- 本文讨论如何基于开源的工具搭建一个基础的搜索引擎，满足如下需求
1）能够根据商品的描述召回结果，如：搜索“欧洲 皮鞋” 返回相关商品，注意:这一步仅考虑文本相关性
2）支持中文分词，并支持自定义品牌词和类目词以提升搜索的准确率
3）千万量级索引
二. 选型
- 开源索引系统服务 solr vs elasticsearch
solr和elasticsearch都是基于lucene（java）的封装，都能提供较为通用完整的检索服务。最近elasticsearch由于对日志处理分析，更友好的初始配置和更好的分布式话部署方案而被更多的人接受使用。
- elasticsearch参考资料
《master elasticsearch》
《elasticsearch cookbook》
《elasticsearch server》
- 中文分词
中文分词器比较著名的有ik和jieba。二者都自带搜狗的分词dict，并且支持自定义新词。jieba的更新周期以及github的star数更多，适配elasticsearch也比较好，所以本文基于该中文分词组件进行优化。
jieba分词
jieba for elasticsearch
更多:常用的开源中文分词工具
三. 架构设计
-
系统架构如下图所示
搜索系统架构图
其中，
- php层主要职责
1）向下负载均衡，失败重试，支持无缝换库
2）拼装结果集返回给app或者web页面 - as层主要职责
1）高阶排序，根据：商品的属性，卖家的属性，历史单机展示等进行综合打分rerank
2）依赖特征等信息存储在redis
3）同义词扩展支持，rewrite query - bs层主要职责
1）基于jieba定制中文分词analyzer
2）制定index中的mapping内容，以获得更好的检索结果
3）换库脚本, 建库数据来自mysql集群（爬虫相关问题需要另行关注） - 检索干预mis
1）指定query的前N个结果。
2）指定query下不出某些结果。
-
一次检索的流程，如下图所示
检索处理流程图
四. 更多
按照如上的架构可以搭建出来基础的针对业务的服务，但是后面优化的空间还十分的巨大
1）用户意图的理解，对应的技术领域是：query重写，（在百度叫：DA，DA-SE输入纠错模块）
2）as层的机器学习方法的引入，通过大量统计数据提升点击效果通过学习和使用elasticsearch感受到的优点
1）分布式索引的设计：M*N, M可以理解为数据的垂直切分，如：VIP和SE裤，N可以理解为为了支持更快跟多的qps进行的水平切分。es支持down机器重启自动加入集群等灵活的功能
2）接口的灵活性，如是否使用分词分析，对某个复合query检索词的部分进行调权/降权
