Java生鮮電商平台-電商中海量搜索ElasticSearch架構設計實戰與源碼解析
生鮮電商搜索引擎的特點
眾所周知，標准的搜索引擎主要分成三個大的部分，第一步是爬蟲系統，第二步是數據分析，第三步才是檢索結果。首先，電商的搜索引擎並沒有爬蟲系統，因為所有的數據都是結構化的，一般都是微軟的數據庫或者 Oracle 的數據庫，所以不用像百度一樣用「爬蟲」去不斷去別的網站找內容，當然，電商其實也有自己的「爬蟲」系統，一般都是抓取友商的價格，再對自己進行調整。
第二點，就是電商搜索引擎的過濾功能其實比搜索功能要常用。甚至大於搜索本身。什么是過濾功能？一般我們網站買東西的時候，搜了一個關健詞，比如尿不濕，然后所有相關品牌或者其他分類的選擇就會呈現在我們面前。對百度而言，搜什么詞就是什么詞，如果是新聞的話，可能在時間上會有一個過濾的選項。
第三點，電商搜索引擎支持各種維度的排序，包括支持好評、銷量、評論、價格等屬性的排序。而且對數據的實時性的要求非常高。對一般的搜索引擎，只有非常重要的網站，比如一些重量級的門戶網站，百度的收錄是非常快的，但是對那些流量很小的網站，可能一個月才會爬一次。電商搜索對數據的實時性要求主要體現在價格和庫存兩個方面。
電商搜索引擎另一個特點就是不能丟品，比如我們在淘寶、天貓開了個店鋪，然后好不容易搞了一次活動，但是卻搜不到了，這是無法忍受的。除此之外，電商搜索引擎與推薦系統和廣告系統是相互融合的，因為搜素引擎對流量的貢獻是最大的，所以大家都希望把廣告系統能跟其融合。當然，還有一點非常重要，就是要保證絕對的高可用，而且不能宕機。
電商搜索引擎的架構
因為電商搜索引跟一般的搜索引擎區別很大，所以在架構的設計上也獨具特色。首先，搜索引擎的實現方式有很多種，有谷歌、百度、搜狗這種非常大的公司，也有京東、淘寶、當當這樣的電商搜索引擎，很多中小型的電商可能更喜歡用一個開源的搜索引擎。所以總的來說，主要包括以下這幾種方式：
第一種是「Lucene+自己封裝」，只用來做檢索，然后封裝，后面所有的 ES，這兩個是完整的解決方案，而且包括索引所有的東西，只需要部署好業務邏輯，然后查找結果就可以了。
第二種就是 Solr，這是一個高性能，采用 Java5 開發，基於 Lucene 的全文搜索服務器。同時對其進行了擴展，提供了比 Lucene 更為豐富的查詢語言，同時實現了可配置、可擴展並對查詢性能進行了優化，並且提供了一個完善的功能管理界面，是一款非常優秀的全文搜索引擎。
第三種是 ElasticSearch，這是一個基於 Lucene 的搜索服務器。它提供了一個分布式多用戶能力的全文搜索引擎，基於 RESTful web 接口。Elasticsearch 是用 Java 開發的，並作為 Apache 許可條款下的開放源碼發布，目前使用的也非常多。
這里提一下，當當的搜索引擎是自己實現的，。現在，新興的互聯網公司大部分都是使用第一種或者第二種，數據量比較大的一般采用第三種。
電商搜索引擎標配模塊
接下來我想講一下，如果我們自己做一個搜索引擎的話需要實現哪些功能（上圖是電商搜索引擎的標准模塊），其實不止是電商搜索引擎，除了通搜的搜索引擎，其他的搜索引擎也是使用這樣的標配。
對檢索模塊而言，首先是對用戶的意圖進行分析，根據用戶的搜索詞來進行純算法的實現。比如用戶的搜索詞是「黑包包」，其實用戶的本意就是買一個黑色的包，但是這個「包」可以跟別的詞組合在一起，甚至在搜索結果中會出現「包子」。所以，這就需要 query 分析系統來做，告訴檢索系統，你需要主要在服裝鞋帽中的分類去找，而不是生鮮食品類。
設計到技術層面，當當網使用的是 C++。如果構建一個性能好的系統，一些老一點的公司，大家都是在使用 C++ 或者是 C 語言。不止是當當網，其實很多公司都是使用的 C 或者 C++ 實現的搜索引擎。
數據更新模塊
第二個模塊就是數據更新模塊，該模塊負責生成索引。而數據中心模塊主要做的事情，就是將原始的結構化數據，變成一個可供檢索系統使用的搜索數據庫。當然，數據更新模塊和檢索模塊是分開還是合並呢？其實從本質上講，都是一堆代碼，完全可以寫在一個進程里。當然，也可以分開，通過網絡往外輸入，各自都有道理。第一種是簡單粗暴型的，如果是普通電商，像生鮮電商，數據量不大，實時性、季節性很強，就可以把兩個系統用一個進程來完成。但是如果到了百萬、千萬甚至上億級別的話，就不可能部在一台機器上了。
上圖就是當兩個系統合並在一起的時候，紅色部分就是檢索系統，黃色部分是上游產生數據的系統，如果是淘寶的話，對接就是淘寶的商戶，當當網對接是市場部的人員，他們將數據錄入系統，推到數據庫，然后向下進行傳送，最終建立一個索引。
上圖中的藍色部分就是業務邏輯，因為電商的搜索引擎業務需求量非常高，尤其是現在大家都喜歡用手機進行購物，像手機專享價就是一個新的業務，這也意味着需要一個專用的模塊來處理這些商用的邏輯。
此外，就是用戶行為的分析，我們搜集到的日志還有其他相關的數據都會存到 Hadoop 集群上去，通過離線計算，然后傳給商業模塊或者排序模塊進行排序和打分，並提供給用戶更好的使用體驗。
出問題是不可避免的！如何解決？
雖然整理來看，設計的思路是非常合理的，但是還是會出現問題。一般而言，一個成熟的電商搜索系統，它的問題都很集中，要這幾種情況：首先就是 Bug，當然這是所有系統都會遇到的問題；第二個就是並發，但是搜索系統是沒辦法進行分庫分表，所以能做的就是索引切分；最后一點就是監控，包括問題追蹤、日志系統和監控系統，那么為了解決這些問題，我們應該怎么做？
首先，針對 Bug 問題，只能靠自動化運維去解決（這里也推薦使用 OneAPM 工具）；第二個就是高並發的問題，目前主要是靠緩存和橫向擴展。而緩存和橫向擴展怎么應用到系統中去，這個很關鍵。很多人也說可以換一種語言，比如講 Python 換成 C++，但實際情況下，換語言並不能解決並發的問題，好的數據結構的設計比換一種語言更能提高性能，所以一般解決高並發問題的也就是緩存和橫向擴展。
第三個就是使用用 FLUME 日志系統（Flume 是 Cloudera 提供的一個高可用的，高可靠的，分布式的海量日志采集、聚合和傳輸的系統，Flume 支持在日志系統中定制各類數據發送方，用於收集數據；同時，Flume 提供對數據進行簡單處理，並寫到各種數據接受方（可定制）的能力）。其實，Flume 會把集群上每一個節點的日志全都收集起來，這樣做起來有兩個好處，第一是現場出問題，可以先回滾出 Bug，然后進行查詢。第二個就是對日志進行搜集，然后做用戶行為分析，查看用戶點擊了多少次，從何處導入的流量等等，從而便於更好的進行排序。
然后講一下緩存的問題。一般搜索的緩存可能分為兩級緩存，據我觀察，像搜狗可能是使用頁面級緩存，而百度可能用的是索引級的緩存。比如在搜狗搜索一個詞，開始時可能需要 40 毫秒，然后再搜的話，就可能一下子降到 1 毫秒。這就是頁面級緩存。而百度可能第一次搜索用了 40 毫秒，第二次就是 25 毫秒，它並不是把頁面給緩存下來，而是將索引的倒排鏈緩存，級別其實是不一樣的。
電商搜索很多使用的是兩級緩存，對於特別熱門的詞匯，我們可以做頁面級緩存，而頁面級緩存的時間只有 15 秒到 20 秒。但是像價格這樣的東西不能緩存，需要前台頁面去反拉價格。第二級就是索引級別的緩存，實際上也是自建的一個緩存系統。另外，排序也有緩存，因為排序的結果不太會有太大的變化。
上圖是當當的搜索架構，這里有一個集群是做數據分析的，上面備滿了數據。
首先，集群之間采用什么樣的通訊方式？我們主要使用 ZMQ（這是一個簡單好用的傳輸層，像框架一樣的一個 socket library，使得 Socket 編程更加簡單、簡潔和性能更高。是一個消息處理隊列庫，可在多個線程、內核和主機盒之間彈性伸縮）。原因其實只有一個，就是快，非常快，比較適合數據量比較大的業務。
如何避免冷啟動？
最后就是冷啟動的問題，這個問題是很多電商網站都很頭疼的問題。尤其是隨着電商網站的商品數量達到一定量級的時候，比如已經上億了，像淘寶、天貓的話應該更多。如果重建了一次索引需要啟動，或者新上線了一個業務模塊，需要重啟系統，是很麻煩的。
當然，當集群大了以后有很多方法，比如分開啟動之類的，至於技術嘛，一般索引的加載都是使用 Lunix 標准的 MMAP（MMAP 將一個文件或者其它對象映射進內存。文件被映射到多個頁上，如果文件的大小不是所有頁的大小之和，最后一個頁不被使用的空間將會清零。MMAP 在用戶空間映射調用系統中作用很大），這樣啟動速度會很快，但是系統會有預熱時間，前面一些時間的查詢會比較慢
如果數據量不是特別大的話，而且現在內存也那么便宜，完全可以將數據一次性讀入內存，因為 mmap 的操作畢竟性能沒有直接內存來得快。
第三種的話，就是盡量減少做全量數據的頻率，避免整個系統的重啟，這需要定期做一下索引的優化，把沒用的索引干掉。
如果是新上了一個業務模塊需要重啟集群，這樣的事情最好不要發生，這就是架構有問題了，將業務模塊變成外部的模塊或者插件進行上線才是正確的，不然每上線一個模塊需要重啟集群，這誰都受不了。