本文闡述的是一款經(jīng)過生產(chǎn)環(huán)境檢驗(yàn)的千萬級數(shù)據(jù)全文檢索（搜索引擎）架構(gòu)。本文只列出前幾章的內(nèi)容節(jié)選，不提供全文內(nèi)容。

在DELL PowerEdge 6850服務(wù)器（四顆64 位Inter Xeon MP 7110N處理器 / 8GB內(nèi)存）、RedHat AS4 Linux操作系統(tǒng)、MySQL 5.1.26、MyISAM存儲引擎、key_buffer=1024M環(huán)境下實(shí)測，單表1000萬條記錄的數(shù)據(jù)量（這張MySQL表擁有int、datetime、varchar、text等類型的10多個(gè)字段，只有主鍵，無其它索引），用主鍵（PRIMARY KEY）作為WHERE條件進(jìn)行SQL查詢，速度非常之快，只耗費(fèi)0.01秒。

出自俄羅斯的開源全文搜索引擎軟件 Sphinx ，單一索引最大可包含1億條記錄，在1千萬條記錄情況下的查詢速度為0.x秒（毫秒級）。Sphinx創(chuàng)建索引的速度為：創(chuàng)建100萬條記錄的索引只需3～4分鐘，創(chuàng)建1000萬條記錄的索引可以在50分鐘內(nèi)完成，而只包含最新10萬條記錄的增量索引，重建一次只需幾十秒。

基于以上幾點(diǎn)，我設(shè)計(jì)出了這套搜索引擎架構(gòu)。在生產(chǎn)環(huán)境運(yùn)行了一周，效果非常不錯(cuò)。有時(shí)間我會專為配合Sphinx搜索引擎，開發(fā)一個(gè)邏輯簡單、速度快、占用內(nèi)存低、非表鎖的MySQL存儲引擎插件，用來代替MyISAM引擎，以解決MyISAM存儲引擎在頻繁更新操作時(shí)的鎖表延遲問題。另外，分布式搜索技術(shù)上已無任何問題。

一、搜索引擎架構(gòu)設(shè)計(jì)：

1、搜索引擎架構(gòu)圖：

2、搜索引擎架構(gòu)設(shè)計(jì)思路：

(1)、調(diào)用方式最簡化：

盡量方便前端Web工程師，只需要一條簡單的SQL語句“SELECT ... FROM myisam_table JOIN sphinx_table ON (sphinx_table.sphinx_id=myisam_table.id) WHERE query='...';”即可實(shí)現(xiàn)高效搜索。

(2)、創(chuàng)建索引、查詢速度快：

①、Sphinx Search 是由俄羅斯人Andrew Aksyonoff 開發(fā)的高性能全文搜索軟件包，在GPL與商業(yè)協(xié)議雙許可協(xié)議下發(fā)行。

Sphinx的特征：

• Sphinx支持高速建立索引（可達(dá)10MB/秒，而Lucene建立索引的速度是1.8MB/秒）
• 高性能搜索（在2-4 GB的文本上搜索，平均0.1秒內(nèi)獲得結(jié)果）
• 高擴(kuò)展性（實(shí)測最高可對100GB的文本建立索引，單一索引可包含1億條記錄）
• 支持分布式檢索
• 支持基于短語和基于統(tǒng)計(jì)的復(fù)合結(jié)果排序機(jī)制
• 支持任意數(shù)量的文件字段（數(shù)值屬性或全文檢索屬性）
• 支持不同的搜索模式（“完全匹配”，“短語匹配”和“任一匹配”）
• 支持作為Mysql的存儲引擎

②、通過國外《High Performance MySQL》專家組的測試可以看出，根據(jù)主鍵進(jìn)行查詢的類似“SELECT ... FROM ... WHERE id = ...”的SQL語句（其中id為PRIMARY KEY），每秒鐘能夠處理10000次以上的查詢，而普通的SELECT查詢每秒只能處理幾十次到幾百次：

③、Sphinx不負(fù)責(zé)文本字段的存儲。假設(shè)將數(shù)據(jù)庫的id、date、title、body字段，用sphinx建立搜索索引。根據(jù)關(guān)鍵字、時(shí)間、類別、范圍等信息查詢一下sphinx，sphinx只會將查詢結(jié)果的ID號等非文本信息告訴我們。要顯示title、body等信息，還需要根據(jù)此ID號去查詢MySQL數(shù)據(jù)庫，或者從Memcachedb等其他的存儲中取得。安裝SphinxSE作為MySQL的存儲引擎，將MySQL與Sphinx結(jié)合起來，是一種便捷的方法。

創(chuàng)建一張Sphinx類型表，將MyISAM表的主鍵ID和Sphinx表的ID作一個(gè)JOIN聯(lián)合查詢。這樣，對于MyISAM表來所，只相當(dāng)于一個(gè)WHERE id=...的主鍵查詢，WHERE后的條件都交給Sphinx去處理，可以充分發(fā)揮兩者的優(yōu)勢，實(shí)現(xiàn)高速搜索查詢。

(3)、按服務(wù)類型進(jìn)行分離：

為了保證數(shù)據(jù)的一致性，我在配置Sphinx讀取索引源的MySQL數(shù)據(jù)庫時(shí)，進(jìn)行了鎖表。Sphinx讀取索引源的過程會耗費(fèi)一定時(shí)間，由于MyISAM存儲引擎的讀鎖和寫鎖是互斥的，為了避免寫操作被長時(shí)間阻塞，導(dǎo)致數(shù)據(jù)庫同步落后跟不上，我將提供“搜索查詢服務(wù)”的和提供“索引源服務(wù)”的MySQL數(shù)據(jù)庫進(jìn)行了分開。監(jiān)聽3306端口的MySQL提供“搜索查詢服務(wù)”，監(jiān)聽3406端口的MySQL提供“索引源服務(wù)”。

(4)、“主索引＋增量索引”更新方式：

一般網(wǎng)站的特征：信息發(fā)布較為頻繁；剛發(fā)布完的信息被編輯、修改的可能性大；兩天以前的老帖變動性較小。

基于這個(gè)特征，我設(shè)計(jì)了Sphinx主索引和增量索引。對于前天17:00之前的記錄建立主索引，每天凌晨自動重建一次主索引；對于前天17:00之后到當(dāng)前最新的記錄，間隔3分鐘自動重建一次增量索引。

(5)、“Ext3文件系統(tǒng)＋tmpfs內(nèi)存文件系統(tǒng)”相結(jié)合：

為了避免每3分鐘重建增量索引導(dǎo)致磁盤IO較重，從而引起系統(tǒng)負(fù)載上升，我將主索引文件創(chuàng)建在磁盤，增量索引文件創(chuàng)建在tmpfs內(nèi)存文件系統(tǒng)“/dev/shm/”內(nèi)?！?dev/shm/”內(nèi)的文件全部駐留在內(nèi)存中，讀寫速度非?？?。但是，重啟服務(wù)器會導(dǎo)致“/dev/shm/”內(nèi)的文件丟失，針對這個(gè)問題，我會在服務(wù)器開機(jī)時(shí)自動創(chuàng)建“/dev/shm/”內(nèi)目錄結(jié)構(gòu)和Sphinx增量索引。

(6)、中文分詞詞庫：

我根據(jù)“百度早期中文分詞庫”＋“搜狗拼音輸入法細(xì)胞詞庫”＋“LibMMSeg高頻字庫”＋... 綜合整理成一份中文分詞詞庫，出于某些考慮暫不提供。你可以使用LibMMSeg自帶的中文分詞詞庫。