拓展阅读
Crawl htmlunit 模拟浏览器动态 js 爬虫入门使用简介
Crawl jsoup 爬虫使用 jsoup 无法抓取动态 js 生成的内容
Crawl WebMagic 爬虫入门使用简介 webmagic
全网搜索引擎架构与流程如何？
全网搜索引擎的宏观架构如上图，核心子系统主要分为三部分（粉色部分）：
（1）spider 爬虫系统；
（2）search+index: 建立索引与查询索引系统，这个系统又主要分为两部分：
一部分用于生成索引数据 build_index
一部分用于查询索引数据 search_index
（3）rank 打分排序系统；
核心数据主要分为两部分（紫色部分）：
（1）web 网页库；
（2）index 索引数据；
全网搜索引擎的业务特点决定了，这是一个“写入”和“检索”分离的系统
如何写入
系统组成：由spider与search+index;两个系统完成。
输入：站长们生成的互联网网页。
输出：正排倒排索引数据。
流程：如架构图中的1，2，3，4：
（1）spider把互联网网页抓过来；
（2）spider把互联网网页存储到网页库中（这个对存储的要求很高，要存储几乎整个“万维网”的镜像）；
（3）build_index从网页库中读取数据，完成分词；
（4）build_index生成倒排索引；
如何建立索引
系统组成：由search+index;与rank两个系统完成。
输入：用户的搜索词。
输出：排好序的第一页检索结果。
流程：如架构图中的a，b，c，d：
（a）search_index获得用户的搜索词，完成分词；
（b）search_index查询倒排索引，获得“字符匹配”网页，这是初筛的结果；
（c）rank对初筛的结果进行打分排序；
（d）rank对排序后的第一页结果返回；
站内搜索引擎架构与流程如何？
做全网搜索的公司毕竟是少数，绝大部分公司要实现的其实只是一个站内搜索，以58同城100亿帖子的搜索为例，其整体架构如下：
站内搜索引擎的宏观架构如上图，与全网搜索引擎的宏观架构相比，差异只有写入的地方：
（1）全网搜索需要spider要被动去抓取数据；
（2）站内搜索是内部系统生成的数据，例如“发布系统”会将生成的帖子主动推给build_data系统；
画外音：看似“很小”的差异，架构实现上难度却差很多，全网搜索如何“实时”发现“全量”的网页是非常困难的，而站内搜索容易实时得到全部数据。
系统
对于spider、search+index;、rank三个系统：
（1）spider和search+index;是相对工程的系统；
（2）rank是和业务、策略紧密、算法相关的系统，搜索体验的差异主要在此，而业务、策略的优化是需要时间积累的，这里的启示是：
Google的体验比Baidu好，根本在于前者rank牛逼
国内互联网公司（例如360）短时间要搞一个体验超越Baidu的搜索引擎，是很难的，真心需要时间的积累
前面的内容太宏观，为了照顾大部分没有做过搜索引擎的同学，数据结构与算法部分从正排索引、倒排索引一点点开始。
数据结构
正排索引
什么是正排索引（forward index）？
简言之，由key查询实体的过程，使用正排索引。
例子
例如，用户表：
t_user(uid, name, passwd, age, sex)
由uid查询整行的过程，就时正排索引查询。
又例如，网页库：
t_web_page(url, page_content)
由url查询整个网页的过程，也是正排索引查询。
网页内容分词后，page_content会对应一个分词后的集合list。
简易的，正排索引可以理解为：
Map<url, list>
能够由网页url快速找到内容的一个数据结构。
画外音：时间复杂度可以认为是O(1)。
倒排索引
什么是倒排索引（inverted index）？
与正排索引相反，由item查询key的过程，使用倒排索引。
对于网页搜索，倒排索引可以理解为：
Map<item, list>
能够由查询词快速找到包含这个查询词的网页的数据结构。
画外音：时间复杂度也是O(1)。
例子
举个例子，假设有3个网页：
url1 -> “我爱北京”
url2 -> “我爱到家”
url3 -> “到家美好”
这是一个正排索引：
Map。
分词之后：
url1 -> {我，爱，北京}
url2 -> {我，爱，到家}
url3 -> {到家，美好}
这是一个分词后的正排索引：
Map>。
分词后倒排索引：
我 -> {url1, url2}
爱 -> {url1, url2}
北京 -> {url1}
到家 -> {url2, url3}
美好 -> {url3}
由检索词item快速找到包含这个查询词的网页Map>就是倒排索引。
画外音：明白了吧，词到url的过程，是倒排索引。
正排索引和倒排索引是spider和build_index系统提前建立好的数据结构，为什么要使用这两种数据结构，是因为它能够快速的实现“用户网页检索”需求。
画外音，业务需求决定架构实现，查询起来都很快。
检索的过程
检索的过程是什么样的？
核心流程
假设搜索词是“我爱”：
（1）分词，“我爱”会分词为{我，爱}，时间复杂度为O(1)；
（2）每个分词后的item，从倒排索引查询包含这个item的网页list，时间复杂度也是O(1)：
我 -> {url1, url2}
爱 -> {url1, url2}
（3）求list的交集，就是符合所有查询词的结果网页，对于这个例子，{url1, url2}就是最终的查询结果；
画外音：检索的过程也很简单：分词，查倒排索引，求结果集交集。
就结束了吗？其实不然，分词和倒排查询时间复杂度都是O(1)，整个搜索的时间复杂度取决于“求list的交集”，问题转化为了求两个集合交集。
字符型的url不利于存储与计算，一般来说每个url会有一个数值型的url_id来标识，后文为了方便描述，list统一用list替代。
两个集合的交集
list1和list2，求交集怎么求？
双重遍历
方案一：for * for，土办法，时间复杂度O(n*n)
每个搜索词命中的网页是很多的，O(n*n)的复杂度是明显不能接受的。倒排索引是在创建之初可以进行排序预处理，问题转化成两个有序的list求交集，就方便多了。
画外音：比较笨的方法。
拉链发
方案二：有序list求交集，拉链法
有序集合1{1,3,5,7,8,9}
有序集合2{2,3,4,5,6,7}
两个指针指向首元素，比较元素的大小：
（1）如果相同，放入结果集，随意移动一个指针；
（2）否则，移动值较小的一个指针，直到队尾；
这种方法的好处是：
（1）集合中的元素最多被比较一次，时间复杂度为O(n)；
（2）多个有序集合可以同时进行，这适用于多个分词的item求url_id交集；
这个方法就像一条拉链的两边齿轮，一一比对就像拉链，故称为拉链法；
画外音：倒排索引是提前初始化的，可以利用“有序”这个特性。
方案三：分桶并行优化
数据量大时，url_id分桶水平切分+并行运算是一种常见的优化方法，如果能将list1和list2分成若干个桶区间，每个区间利用多线程并行求交集，各个线程结果集的并集，作为最终的结果集，能够大大的减少执行时间。
ps: map-reduce 的思想
例子
举例：
有序集合1{1,3,5,7,8,9, 10,30,50,70,80,90}
有序集合2{2,3,4,5,6,7, 20,30,40,50,60,70}
求交集，先进行分桶拆分：
桶1的范围为[1, 9]
桶2的范围为[10, 100]
桶3的范围为[101, max_int]
于是：
集合1就拆分成
集合a{1,3,5,7,8,9}
集合b{10,30,50,70,80,90}
集合c{}
集合2就拆分成
集合d{2,3,4,5,6,7}
集合e{20,30,40,50,60,70}
集合e{}
每个桶内的数据量大大降低了，并且每个桶内没有重复元素，可以利用多线程并行计算：
桶1内的集合a和集合d的交集是x{3,5,7}
桶2内的集合b和集合e的交集是y{30, 50, 70}
桶3内的集合c和集合d的交集是z{}
最终，集合1和集合2的交集，是x与y与z的并集，即集合{3,5,7,30,50,70}。
画外音：多线程、水平切分都是常见的优化手段。
方案四：bitmap再次优化
数据进行了水平分桶拆分之后，每个桶内的数据一定处于一个范围之内，如果集合符合这个特点，就可以使用bitmap来表示集合
如上图，假设set1{1,3,5,7,8,9}和set2{2,3,4,5,6,7}的所有元素都在桶值[1, 16]的范围之内，可以用16个bit来描述这两个集合，原集合中的元素x，在这个16bitmap中的第x个bit为1，此时两个bitmap求交集，只需要将两个bitmap进行“与”操作，结果集bitmap的3，5，7位是1，表明原集合的交集为{3,5,7}。
水平分桶，bitmap优化之后，能极大提高求交集的效率，但时间复杂度仍旧是O(n)。bitmap需要大量连续空间，占用内存较大。
画外音：bitmap能够表示集合，用它求集合交集速度非常快。
方案五：跳表skiplist
有序链表集合求交集，跳表是最常用的数据结构，它可以将有序集合求交集的复杂度由O(n)降至接近O(log(n))。
集合1{1,2,3,4,20,21,22,23,50,60,70}
集合2{50,70}
要求交集，如果用拉链法，会发现1,2,3,4,20,21,22,23都要被无效遍历一次，每个元素都要被比对，时间复杂度为O(n)，能不能每次比对“跳过一些元素”呢？
集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳表时，一级只有{1,20,50}三个元素，二级与普通链表相同。
集合2{50,70}由于元素较少，只建立了一级普通链表。
如此这般，在实施“拉链”求交集的过程中，set1的指针能够由1跳到20再跳到50，中间能够跳过很多元素，无需进行一一比对，跳表求交集的时间复杂度近似O(log(n))，这是搜索引擎中常见的算法。
个人小结
-
知道数据索引如何建立比较重要。
-
其实底层的原理还是数据结构+算法。并行，bitmap，跳表都是提升性能的好方法。
