[文章作者：张宴 本文版本：v1.0 最后修改：2008.12.09 转载请注明原文链接：http://blog.zyan.cc/post/385/]
曾经在七月，写过一篇文章──《基于Sphinx+MySQL的千万级数据全文检索（搜索引擎）架构设计》，
前公司的分类信息搜索基于此架构，效果明显，甚至将很大一部分带Where条件的MySQL
SQL查询，都改用了Sphinx+MySQL搜索。但是，这套架构仍存在局限：一是MySQL本身的并发能力有限，在200～300个并发连接下，查询
和更新就比较慢了；二是由于MySQL表的主键与Sphinx索引的ID一一对应，从而无法跨多表建立整站查询，而且新增加类别还得修改配置文件，比较麻
烦；三是因为和MySQL集成，无法发挥出Sphinx的优势。
最近，我设计出了下列这套最新的搜索引擎架构，目前已经写出“搜索查
询接口”和“索引更新接口”的beta版。经测试，在一台“奔腾四 3.6GHz
双核CPU、2GB内存”的普通PC机，7000万条索引记录的条件下，“搜索查询接口”平均查询速度为0.0XX秒（查询速度已经达到百度、谷歌、搜
狗、中国雅虎等搜索引擎的水平，详见文章末尾的“附2”），并且能够支撑高达5000的并发连接；而“索引更新接口”进行数据分析、入队列、返回信息给用
户的全过程，高达1500 Requests/Sec。
“队列控制器”这一部分是核心，它要控制队列读取，更新MySQL主表与增量表，更新搜索引擎数据存储层Tokyo Tyrant，准实时（1分钟内）完成更新Sphinx增量索引，定期合并Sphinx索引。我预计在这周写出beta版。
图示说明：
1、搜索查询接口：
①、Web应用服务器通过HTTP POST/GET方式，将搜索关键字等条件，传递给搜索引擎服务器的search.php接口；
②③、search.php通过Sphinx的API（我根据最新的Sphinx 0.9.9-rc1
API，改写了一个C语言的PHP扩展sphinx.so），查询Sphinx索引服务，取得满足查询条件的搜索引擎唯一ID（15位搜索唯一ID：前5
位类别ID+后10位原数据表主键ID）列表；
④⑤、search.php将这些ID号作为key，通过Memcache协议一次性从Tokyo Tyrant中mget取回ID号对应的文本数据。
⑥⑦、search.php将搜索结果集，按查询条件，进行摘要和关键字高亮显示处理，以JSON格式或XML格式返回给Web应用服务器。
2、索引更新接口：
⑴、Web应用服务器通过HTTP POST/GET方式，将要增加、删除、更新的内容告知搜索服务器的update.php接口；
⑵、update.php将接收到的信息处理后，写入TT高速队列（我基于Tokyo Tyrant做的一个队列系统）；
注：这两步的速度可达到1500次请求/秒以上，可应对6000万PV的搜索索引更新调用。
3、搜索索引与数据存储控制：
㈠、“队列控制器”守护进程从TT高速队列中循环读取信息（每次50条，直到末尾）；
㈡、“队列控制器”将读取出的信息写入搜索引擎数据存储层Tokyo Tyrant；
㈢、“队列控制器”将读取出的信息异步写入MySQL主表（这张主表按500万条记录进行分区，仅作为数据永久性备份用）；
㈣、“队列控制器”将读取出的信息写入MySQL增量表；
㈤、“队列控制器”在1分钟内，触发Sphinx更新增量索引，Sphinx的indexer会将MySQL增量表作为数据源，建立增量索引。Sphinx的增量索引和作为数据源的MySQL增量表成对应关系；
㈥、“队列控制器”每间隔3小时，短暂停止从TT高速队列中读取信息，并触发Sphinx将增量索引合并入主索引（这个过程非常快），同时清空
MySQL增量表（保证了MySQL增量表的记录数始终只有几千条至几十万条，大大加快Sphinx增量索引更新速度），然后恢复从TT高速队列中取出数
据，写入MySQL增量表。
本架构使用的开源软件：
1、Sphinx 0.9.9-rc1
2、Tokyo Tyrant 1.1.9
3、MySQL 5.1.30
4、Nginx 0.7.22
5、PHP 5.2.6
本架构自主研发的程序：
1、搜索查询接口（search.php）
2、索引更新接口（update.php）
3、队列控制器
4、Sphinx 0.9.9-rc1 API的PHP扩展（sphinx.so）
5、基于Tokyo Tyrant的高速队列系统
附1：MySQL FullText、Lucene搜索、Sphinx搜索的第三方对比结果：
1、查询速度：
MySQL FullText最慢，Lucene、Sphinx查询速度不相上下，Sphinx稍占优势。
2、建索引速度：
Sphinx建索引速度是最快的，比Lucene快9倍以上。因此，Sphinx非常适合做准实时搜索引擎。
3、详细对比数据见以下PDF文档：
下载文件
附2：国内各大中文搜索引擎搜索速度分析：
以“APMServ张宴”为关键字，比较在各大中文搜索引擎的搜索速度：
1、百度：
①、第一次搜索
②、第二次搜索
分析：百度对第一次搜索的搜索结果做了Cache，所以第二次查询非常快。
2、谷歌：
①、第一次搜索
②、第二次搜索
分析：谷歌也对第一次搜索的搜索结果做了Cache，但两次查询跟百度同比，都要慢一些。
3、搜狗：
①、第一次搜索
②、第二次搜索
③、第三次搜索
分析：搜狗疑似对第一次搜索的搜索结果做了短暂的Cache，第二次搜索速度非常快，第三次搜索的速度比第二次搜索的速度慢。搜狗第一次搜索的速度跟百度差不多。
4、中国雅虎：
①、第一次搜索
②、第二次搜索
分析：搜索结果没有做Cache。中国雅虎的搜索速度跟百度第一次搜索的速度差不多。
5、网易有道：
①、第一次搜索
②、第二次搜索
分析：有道对第一次搜索的搜索结果做了Cache。但是，跟谷歌一样，两次搜索同比都要较百度、搜狗、中国雅虎慢一些。
Tags: linux , php , sphinx , search , tokyotyrant , ttserver , tokyocabinet , mysql , google , 百度 , 谷歌 , 搜狗 , 雅虎 , 有道
技术大类 » 搜索引擎技术 | 评论(85) | 引用(1) | 阅读(96748)
linvo 
2008-12-9 12:34
强~不知道那些搜索门户网站的构架怎样
jk
2008-12-9 12:42
怀疑百度显示的时间不是实际检索花费的时间。
大菠萝
2008-12-9 12:46
感觉Baidu和Google一样快呀。用FireBug查看页面载入时间。Baidu :165ms，Google:154ms。
张宴 回复于 2008-12-9 12:56
搜索引擎显示的都只是索引查询时间，页面载入时间不包含在内。
outrace
2008-12-9 13:00
Sphinx 不支持非int类型的id。这点很讨厌。
ttserver对php内容无法反序列化，不支持压缩，这两点也很讨厌。
要是没有这几个问题就好了。
ptubuntu
2008-12-9 14:27
对开发程序还是不懂.不过这对我来说可以多学习一些.不过觉的google他们做的比较复杂的.可想而知.
cyt
2008-12-9 15:24
这套东西离google、baidu还差好远好远。。
fei
2008-12-9 17:13
有没有这么夸张啊？
dugu
2008-12-9 17:30
想用到实践中。
cncaiker
2008-12-9 22:34
会发布吗？非常期待
jeck
2008-12-9 22:49
强，佩服的五体投地！更期待在高负荷的生产环境中的数据
dd_macle
2008-12-10 03:41
学习...
gs
2008-12-10 07:23
sina wants to develop his own search engine
ttplay
2008-12-10 12:03
一句话解释:
一个人将记录写到了缓存,数据库中并更新索引,
另一个人通过索引从缓存或数据库中读出记录.
plantegg
2008-12-11 23:19
从原理上讲你这个是不可能赶上google/baidu/sogou那些的，虽然看起来和Lucene（Java写得，你也没做任何优化吧）差不
多，Lucene搜索结果也是要考虑相关性、排名等等（所以在每篇文章中命中次数是要统计的，不是找到一次就了事），不知道Sphinx有这些没？没有的
话这个比较对Lucene太不公平 :)
搜索引擎Cache命中率一般在60%略高的样子，索引所用的内存都是几百G几百G的
你这个只对增量增加敏感，好像删除的话不能更新索引吧？
不过不得不赞一下你这个也相当棒:)
张宴 回复于 2008-12-12 09:35
当然，Google/Baidu/Sogou的权重计算算法要更复杂，索引数量为几亿到几十亿，也要多很多。为什么文中的搜索结果Google会慢一些，Google网页索引数量已经达到惊人的一万亿（见：http://www.readwriteweb.com/archives/google_hits_one_trillion_pages.php），这么大的数量级，索引比百度慢一些，也是正常的。
所以，相对而言，我的这套索引单台机器支撑1亿索引，达到Google/Baidu/Sogou的查询速度，算不错了。
至于和Lucene的比较，Sphinx拥有下列与Lucene所对应的权重计算模式，那个PDF文档已经在各种类型下与Lucene进行比较：
SPH_RANK_PROXIMITY_BM25, default ranking mode which uses and combines both phrase proximity and BM25 ranking.
SPH_RANK_BM25,
statistical ranking mode which uses BM25 ranking only (similar to most
other full-text engines). This mode is faster but may result in worse
quality on queries which contain more than 1 keyword.
SPH_RANK_NONE,
disabled ranking mode. This mode is the fastest. It is essentially
equivalent to boolean searching. A weight of 1 is assigned to all
matches.
SPH_RANK_WORDCOUNT, ranking by keyword occurrences count.
This ranker computes the amount of per-field keyword occurrences, then
multiplies the amounts by field weights, then sums the resulting values
for the final result.
SPH_RANK_PROXIMITY, added in version 0.9.9,
returns raw phrase proximity value as a result. This mode is internally
used to emulate SPH_MATCH_ALL queries.
SPH_RANK_MATCHANY, added in
version 0.9.9, returns rank as it was computed in SPH_MATCH_ANY mode
ealier, and is internally used to emulate SPH_MATCH_ANY queries.
增
量索引能够实现索引的增加、更新。索引的删除更简单，Sphinx支持属性标记，假如正常状态is_delete属性为0，那么删除就将
is_delete属性标记为1，属性标记是在内存中进行的，在Sphinx停止时自动写入磁盘，非常快，因而删除索引可以说是实时的。在合并索引时，通
过--merge-dst-range参数，即可排除掉被标记为删除的索引。
dd
2008-12-12 11:36
牛，向你学习，虽然现在有些还是看不懂
EOOD
2008-12-12 18:07
不得不说 Sphinx 与GOOGLE BAIDU 甚至 lucene 都没有可比性
Syu
2008-12-12 21:46
不知道张宴遇到过一个问题没.
我发现凡带 [ ] 号的会对检索结构有严重干扰.
bluepower
2008-12-22 00:16
请问你的柘朴图是用什么软件画的？
rrddd
2008-12-26 16:53
还行
1111
2008-12-27 17:39
请问你的柘朴图是用什么软件画的？
我也想知道？
张宴 回复于 2008-12-30 16:37
亿图 4.1
亿级数据的高并发通用搜索引擎架构设计（转-张宴）