数据结构与算法简记--剖析搜索引擎背后的经典数据结构和算法

实现一个小型搜索引擎

麻雀虽小，五脏俱全，跟大型搜索引擎相比，实现一个小型搜索引擎所用到的理论基础是相通的。

四个部分：搜集、分析、索引、查询

搜集

• 搜索引擎把整个互联网看作数据结构中的有向图，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，那我们就在两个顶点之间连一条有向边。
• 可以利用图的遍历搜索算法，来遍历整个互联网中的网页：
  • 深度优先和广度优先
  • 搜索引擎采用广度优先搜索策略
• 先找一些权重比较高的链接（比如新浪主页网址、腾讯主页网址等），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，然后取爬取对应的网页，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。
• 关键技术细节
  • 待爬取网页链接文件：links.bin：
    • 在广度优先搜索爬取页面的过程中，爬虫会不停地解析页面链接，将其放到队列中。
    • 队列中的链接就会越来越多，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，还可以支持断点续爬。当机器断电之后，网页链接不会丢失；当机器重启之后，还可以从之前爬取到的位置继续爬取。
  • 网页判重文件：bloom_filter.bin
    • 如何避免重复爬取相同的网页呢？
    • 使用布隆过滤器快速并且非常节省内存地实现网页的判重。
    • 为了可以断点续爬，也需要将布隆过滤器持久化到磁盘中，也就是存储在 bloom_filter.bin 文件中。
  • 原始网页存储文件：doc_raw.bin
    • 爬取到网页之后，需要将其存储下来，以备后面离线分析、索引之用。那如何存储海量的原始网页数据呢？
    • 网页成千上万，可以把多个网页存储在一个文件中。每个网页之间，通过一定的标识进行分隔，方便后续读取。具体存储格式如下
    • 

    • 设置每个文件的大小不能超过一定的值（比如 1GB） 

    • 简单估算：假设一台机器的硬盘大小是 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。假设我们的机器的带宽是 10MB，那下载 100GB 的网页，大约需要 10000 秒。也就是说，爬取 100 多万的网页，也就是只需要花费几小时的时间。
  • 网页链接及其编号的对应文件：doc_id.bin
    • 网页编号实际上就是给每个网页分配一个唯一的 ID，方便我们后续对网页进行分析、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，每爬取到一个网页之后，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。
      • 在存储网页的同时，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。

分析

• 网页爬取下来之后，需要对网页进行离线分析。分析阶段主要包括两个步骤：
  • 抽取网页文本信息
  • 分词并创建临时索引
• 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
  • 网页遵循HTML 语法规范。依靠 HTML 标签来抽取网页中的文本信息。这个抽取的过程，大体可以分为两步：
    • 去掉 JavaScript 代码、CSS 格式以及下拉框中的内容：
      
      • 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，在网页这个大字符串中，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。而这期间遍历到的字符串连带着标签就应该从网页中删除。
    • 去掉所有 HTML 标签：
      • 也是通过字符串匹配算法来实现的，过程跟第一步类似。
• 分词并创建临时索引
  • 从网页中抽取出了我们关心的文本信息。接下来，我们要对文本信息进行分词，并且创建临时索引。
  • 对于英文网页来说，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，分词就复杂多了：
  • 基于字典和规则的分词方法：
    • 字典也叫词库，包含大量常用的词语（可以直接从网上下载别人整理好的）。
    • 借助词库并采用最长匹配规则，来对文本进行分词。最长匹配，就是匹配尽可能长的词语。
    • 举例：比如要分词的文本是“中国人民解放了”，词库中有“中国”“中国人”“中国人民”“中国人民解放军”这几个词，取最长匹配，也就是“中国人民”划为一个词，而不是把“中国”、“中国人“划为一个词。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。
  • 创建临时索引
    • 分词完成之后，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），此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：
    • 
    • 给单词编号的方式，跟给网页编号类似。也是维护一个计数器，每当从网页文本信息中分割出一个新的单词的时候，我们就从计数器中取一个编号，分配给它，然后计数器加一。
    • 此过程还需要使用散列表，记录已经编过号的单词：
    • 在对网页文本信息分词的过程中，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。
  • 分词及写入临时索引完成之后，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：临时索引文件（tmp_index.bin）和单词编号文件（term_id.bin）

索引

• 索引阶段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，无法一次性加载到内存中，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进行排序。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。
  • 可以用的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。