如何快速实现高并发短文检索
原文地址：http://mp.weixin.qq.com/s/uCx0VUKzvagPVTpjy7Co1w
一、需求缘起
某并发量很大，数据量适中的业务线需要实现一个“标题检索”的功能：
（1）并发量较大，每秒20w次
（2）数据量适中，大概200w数据
（3）是否需要分词：是
（4）数据是否实时更新：否
二、常见潜在解决方案及优劣
（1）数据库搜索法
具体方法：将标题数据存放在数据库中，使用like来检索
优点：方案简单
缺点：不能实现分词，并发量扛不住
（2）数据库全文检索法
具体方法：将标题数据存放在数据库中，建立全文索引来检索
优点：方案简单
缺点：并发量扛不住
（3）使用开源方案将索引外置
具体方法：搭建lucene，solr，ES等开源外置索引方案
优点：性能比上面两种好
缺点：并发量可能有风险，系统比较重，为一个简单的业务搭建一套这样的系统成本较高
三、58龙哥的建议
问1：龙哥，58同城第一届编程大赛的题目好像是“黄反词过滤”，你是冠军，当时是用DAT来实现的么？
龙哥：是的
画外音：什么是DAT？
普及：DAT是double array trie的缩写，是trie树的一个变体优化数据结构，它在保证trie树检索效率的前提下，能大大减少内存的使用，经常用来解决检索，信息过滤等问题。（具体大伙百度一下“DAT”）
问2：上面的业务场景可以使用DAT来实现么？
龙哥：DAT更新数据比较麻烦，不能增量
问3：那直接使用trie树可以么？
龙哥：trie树比较占内存
画外音：什么是trie树？
普及：trie树，又称单词查找树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计，保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。（来源：百度百科）
例如：上面的trie树就能够表示｛and, as, at, cn, com｝这样5个标题的集合。
问4：如果要支持分词，多个分词遍历trie树，还需要合并对吧？
龙哥：没错，每个分词遍历一次trie树，可以得到doc_id的list，多个分词得到的list合并，就是最终的结果。
问5：龙哥，还有什么更好，更轻量级的方案么？
龙哥：用trie树，数据会膨胀文档数*标题长度这么多，标题越长，文档数越多，内存占用越大。有个一个方案，内存量很小，和标题长度无关，非常帅气。
问6：有相关文章么，推荐一篇？
龙哥：可能网上没有，我简单说一下吧，核心思想就是“内存hash ＋ ID list”
索引初始化步骤为：对所有标题进行分词，以词的hash为key，doc_id的集合为value
查询的步骤为：对查询词进行分词，对分词进行hash，直接查询hash表格，获取doc_id的list，然后多个词进行合并
=====例子=====
例如：
doc1 : 我爱北京
doc2 : 我爱到家
doc3 : 到家美好
先标题进行分词：
doc1 : 我爱北京 -> 我，爱，北京
doc2 : 我爱到家 -> 我，爱，到家
doc3 : 到家美好 -> 到家，美好
对分词进行hash，建立hash + ID list：
hash(我) -> {doc1, doc2}
hash(爱) -> {doc1, doc2}
hash(北京) -> {doc1}
hash(到家) -> {doc2, doc3}
hash(美好) -> {doc3}
这样，所有标题的初始化就完毕了，你会发现，数据量和标题的长度没有关系。
用户输入“我爱”，分词后变为{我，爱}，对各个分词的hash进行内存检索
hash(我)->{doc1, doc2}
hash(爱)->{doc1, doc2}
然后进行合并，得到最后的查找结果是doc1+doc2。
=====例子END=====
问7：这个方法有什么优点呢？
龙哥：存内存操作，能满足很大的并发，时延也很低，占用内存也不大，实现非常简单快速
问8：有什么不足呢？和传统搜索有什么区别咧？
龙哥：这是一个快速过度方案，因为索引本身没有落地，还是需要在数据库中存储固化的标题数据，如果不做高可用，数据恢复起来会比较慢。当然做高可用也是很容易的，建立两份一样的hash索引即可。另外，没有做水平切分，但数据量非常非常非常大时，还是要做水平切分改进的。
真实用户反馈：“龙哥指点一二，受益终身”
如何快速实现高并发短文检索相关推荐
- 如何快速实现高并发短文检索-转
2016-06-02 58沈剑 架构师之路 一.需求缘起 某并发量很大,数据量适中的业务线需要实现一个"标题检索"的功能: (1)并发量较大,每秒20w次 (2)数据量适中,大概 ...
- 友盟+消息推送U-Push为无他相机 提供快速、高并发的推送服务
在"颜值即正义"的今天,相机类App已经成为让人变美的刚需类应用工具.自拍分享.假日游玩.美食推荐......相机类App已经深入到用户的生活点滴.瘦脸,拉腿,换滤镜,加贴纸,一张 ...
- 高并发限流：8个步骤快速解决高并发问题！
现在很多公司的招聘信息,都会有这这么一条要求:有分布式.高并发.高负载.高可用系统设计.开发和调优经验者优先. 写这个岗位描述的HR,恨不得把自己知道的所有看上去高大上的词全都堆砌上,恨不得让别人一看 ...
- 如何快速获得高并发编程经验？PCC性能挑战赛作品简介及源代码
PCC 是 Performance Challenge Championship (性能挑战杯)的缩写,是高可用架构后花园会员在线上组织的一个活动,由于反响热烈,考虑到线下进行可以更好的加深对高并发编 ...
- java php python 高并发_关于php如何调用Python快速发送高并发邮件的示例代码
1 简介 在PHP中发送邮件,通常都是封装一个php的smtp邮件类来发送邮件.但是PHP底层的socket编程相对于python来说效率是非常低的.CleverCode同时写过用python写的爬虫 ...
- Java并发编程实战_阿里P9整理分享的亿级流量Java高并发与网络编程实战PDF
前言 为了帮助初级开发者快速掌握高并发.网络编程.微服务.海量数据的处理这些实用技术,本文以"理论+范例"的形式对各个知识点进行了详细的讲解,力争让读者在实践中快速掌握相关知识. ...
- 揭秘淘宝双11，亿级流量高并发是怎么抗住的？
前言 为了帮助初级开发者快速掌握高并发.网络编程.微服务.海量数据的处理这些实用技术,本文以"理论+范例"的形式对各个知识点进行了详细的讲解,力争让读者在实践中快速掌握相关知识. ...
- 友盟+高吞吐、极速高并发智能推送服务，赋能值得买科技的精准化用户运营
数据智能产业创新服务媒体 --聚焦数智 · 改变商业 经过多年的发展,我国消费电商总体上处于商品溢出.内容溢出的状态.如何提升C端(消费者)和B端(品牌与商家)的连接效率,成为消费电商企业亟需解 ...
- 阿里P9整理分享的亿级流量Java高并发与网络编程实战PDF
前言 有人调侃我们说: 程序员不如送外卖.送外卖是搬运食物,自己是搬运代码,都不产出新的东西-- 透支体力,又消耗健康,可替代性极强,30岁之后就要面临被优化的危险-- 想跳槽,但是更高的平台难进,同 ...
- 大规模集群下Hadoop NameNode如何承载每秒上千次的高并发访问
目录 一.问题源起 二.HDFS优雅的解决方案 (1)分段加锁机制 + 内存双缓冲机制 (2)多线程并发吞吐量的百倍优化 (3)缓冲数据批量刷磁盘 + 网络的优化 四.总结 五.参考文章 一.问题源起 ...
最新文章
- 数据量很大，分页查询很慢，怎么破？
- 判断android应用程序是否已安装
- 【ASM 翻译系列第二弹：ASM 12C 版本新特性】
- 无法访问python官网_python写的网站，云服务器经常无法访问
- linux下的五种io模型,Linux下的五种IO模型
- ip_forward
- 数据挖掘——相似文章推荐
- 在Oracle DG Standby库上启用flashback database功能
- matlab 查找字符串中第一个不为空格的_替换空格（剑指offer第三题）
- C#调用Microsoft.DirectX.DirectSound问题记录及解决
- iphone11返回上一级手势怎么设置_华为手机的这五种导航方式，你更习惯哪一种？怎么切换？...
- Mysql源代码分析系列(1): 编译和调试--转载
- 探针台常见问题—如何减少LHe制冷剂消耗
- HBase Rowkey的散列与预分区设计
- 未越狱苹果设备抓包方法
- 网页木马攻防实战学习笔记一
- 电工知识:常用电子元件名称及其对应图片实用大全
- 移动营业厅前台设备如何安装+新手引导
- php stripslashes和addslashes的区别
- 实现win 10 电脑版微信双开