之前不了解的搜索引擎

灰太狼 2022-09-09 04:35 167阅读 0赞

> 之前天真的以为，会了es的全部API，就是搜索引擎工程师。
> 
> 可是会了这些api，只能搬砖。
> 
> 想要更加有深度的学习搜索推荐，于是向下进行延伸知识点。想去真正的了解搜索引擎，想要淌一下水有多深！

# 什么是搜索? —— 从形式上来说说什么是搜索 #

这个框叫做搜索。这是浏览器类型的搜索。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5rC055qE57K-56We_size_20_color_FFFFFF_t_70_g_se_x_16][]

这个也叫搜索，这是电商类的搜索。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5rC055qE57K-56We_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

不管是哪种类型的搜索，形式都一样。在框中输入你关心的内容，然后点搜索，返回和你关心相关的内容。

# 搜索的几个核心需求 #

1.  搜索速度。
2.  搜索内容相关度高。用白话说就是：搜的是我想要的。

看起来需求很少，很简单。可就是这两个需求，一个稍微大点的公司，可能得几十个人来维护这个小小的搜索框。

搜索速度，关系到了数据结构，关系到了搜索集群规模。

搜索内容相关度高。这个是最难的，涉及到了非常多的算法。涉及到了自然语言处理、涉及到了且此、涉及到了相关性计算排序 等等

# 先说一下elasticsearch 和 lucene的关系 #

提到搜索，应该多数人想到的是elasticsearch。利用elasticsearch来搭建搜索集群。elasticsearch是可以满足我们的搜索需求。但是实际上对数据的操作，核心处理，并不是它。而是 Lucene，另外一个开源的技术，由java语言编写的文本搜索函数库。而es的核心功能就是基于lucene做的。

这里我暂时把lucene理解成 linux内核，而elasticsearch相当于是 centos或者 Ubuntu。其实不难理解，说起linux，大家很少提内核。更多的是想到centos这样的可直接使用的系统。同样的道理，提到搜索引擎，大家想到的是elasticsearch。

即使没写核心的搜索算法，但是elasticsearch依然是非常出色的产品。在lucene这个搜索函数库上做了非常多的工作，以至于光芒掩盖了lucene。给我们提供了分布式管理，使它作为搜索引擎，更加具备扩展性，这点我们可以描述为集群管理。为我们提供可视化展示界面（kibana），为我们提供了一整套数据处理方案。

如果你能把elasticsearch原理搞得很清楚的话，今后在公司搞分布式应用，应该是手到擒来的事情。es给我们提供了非常好的分布式架构经验。我们可以学习一下es是如何解决分布式问题的。

# 好好使用elasticsearch #

满足上边提到的搜索框的需求，好好学学 elasticsearch的API差不多够了。但是想要做到更加极致，在现有的基础上，还想有更加明显的提升。有两步，第一步是合理使用elasticsearch，合理规划集群，合理分配分片，合理配置机器资源。第二步应该去关注底层的存储原理了。还是建议有深度的学习一下 lucene这个核心搜索函数库。

# 一次搜索过程 #

一次搜索过程，实际上有以下几个过程

1.  **搜索内容纠错以及搜索提示**。搜索提示是一种系统更加友好的体现。而纠错则是系统更加智能的体现。
2.  **分词**。前一个步骤保证了用户的输入内容没有问题。在没有问题的基础上，搜索出来的内容才有可能是用户关心的。而分词，则是对用户输入的内容进行分割，然后用户在搜索引擎中检索，找到与之相关度最高的内容。仅仅是一个分词，就有非常多的问题要考虑。比如语言问题，英语和中文的分词就不一样。英文通过空格分割就可以了，而中文却不能简单的根据标点符号分割。这又涉及到了自然语言处理。分词不准确，就像目标歪了，很难搜索到内容。想要把分词做的足够好，就要研究**分词算法**。特别是在中文情况下，经过语义分析，能提高分词的准确性。这又涉及到了自然语言处理。 关于分词，我们要考虑的是如何选择合适的分词器，来应对我们的场景，真的去研究算法，自研分词器，会有很大的困难。
3.  **关键词匹配**。或者说是关键词检索。从存储引擎中搜索到和用户输入的关键词相关的文章。这一步就是要匹配大到与之相关的内容。这就涉及到了如何存储内容，例如使用倒排索引。
4.  **搜索排序**。通常情况下，根据某些条件搜索。得到的结果又很多，真正能展示的内容却有限。这时候，如何从结果中拿到最好的结果，相关度最高的结果，就要对搜索结果进行排序。这个向下研究的话，有搜索模型，例如：布尔检索模型、向量空间检索模型、概率论检索模型等等。选择合适的模型来解决实际的问题。才能有更好的效果。

# 关于分词器 #

## 先说以下分词器如何工作 ##

分词器是专门处理分词的组件，分词器由以下三部分组成：

*  **Character Filters**：针对原始文本处理，比如去除 html 标签
 *  **Tokenizer**：按照规则切分为单词，比如按照空格切分
 *  **Token Filters**：将切分的单词进行加工，比如大写转小写，删除 stopwords，增加同义语

## lucene支持的分词器 ##

标准分词器：就是一个字一个字的。输入 中国的城市 ， 然后每各字当做一个词。 很鸡肋

空格分词器：针对输入的内容，就按照空格给你分割。这很适用于英文。

简单分词器：根据符号来分割。粒度太大了。很容易出现搜不出来结果的情况。

二分分词器：这个也是很笨的分词方法，没有算法在里边。会造成很多的冗余。例如：输入 中国的城市， 分词结果就是： 中国 | 国的| 的城| 城市 。

停用分词器

中文智能分词器：这个分词结果基本上是我们想要的了。

## ES支持的分词器 ##

[es分词器 参考文章][es_]

IK分词器加上自定义分词词库，就比较不错的解决方案。另外可以看看阿里达摩院的基于 NLP的分词器叫做 AliNLP

# 周末读了一本书《从lucene到Elasticsearch全文检索实战》 #

这本书，就是入门级别的，如果英文水平不错的话，读官方文档更好一点。这就像一本一个翻译过来的es文档。没太大的作用。就是告诉你有哪些api，背后原理是什么，是没有的。如果想拿这本书拔高的话，这里劝退吧。

在我看来最优价值的是第一章，对信息检索模型的认知。告诉我们相关的搜索算法。

--------------------

普通就像一道光，晴天下，不会引起任何人的注意。可是拿到黎明前的至黑至暗时刻，却又是那样的神圣。抓住这道普通的光，在至黑至暗的生活中凿开一个洞！

如果你就是觉得做的事情是平凡的，如果更加有深度的去研究一下呢？是不是就不平凡了？

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5rC055qE57K-56We_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/d508ee58458e45999f8317bb60a0384b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5rC055qE57K-56We_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/973089be40224ce08ded9427c8d249fa.png
[es_]: https://www.cnblogs.com/wupeixuan/p/12444528.html#:~:text=%E5%85%B6%E4%B8%AD%EF%BC%8CES%20%E5%86%85%E7%BD%AE%E4%BA%86%E8%AE%B8%E5%A4%9A%E5%88%86%E8%AF%8D%E5%99%A8%EF%BC%9A%20Standard%20Analyzer%20-%20%E9%BB%98%E8%AE%A4%E5%88%86%E8%AF%8D%E5%99%A8%EF%BC%8C%E6%8C%89%E8%AF%8D%E5%88%87%E5%88%86%EF%BC%8C%E5%B0%8F%E5%86%99%E5%A4%84%E7%90%86%20Simple%20Analyzer,Analyzer%20-%20%E5%B0%8F%E5%86%99%E5%A4%84%E7%90%86%EF%BC%8C%E5%81%9C%E7%94%A8%E8%AF%8D%E8%BF%87%E6%BB%A4%EF%BC%88the%20%EF%BC%8Ca%EF%BC%8Cis%EF%BC%89%20Whitespace%20Analyzer%20-%20%E6%8C%89%E7%85%A7%E7%A9%BA%E6%A0%BC%E5%88%87%E5%88%86%EF%BC%8C%E4%B8%8D%E8%BD%AC%E5%B0%8F%E5%86%99