腾讯全文检索引擎 wwsearch 正式开源

ChildAlberta 发布于4月前
0 条问题

腾讯全文检索引擎 wwsearch 正式开源

企业微信作为典型企业服务系统,其众多企业级应用都需要全文检索能力,包括员工通讯录、企业邮箱、审批、汇报、企业CRM、企业素材、互联圈子等。下图是一个典型的邮件检索场景。

腾讯全文检索引擎 wwsearch 正式开源

由于过去几年业务发展迅速,后台检索架构面临挑战:

1. 系统在亿级用户,xxx万企业下,如何高效+实时地检索个人企业内数据和所在企业全局数据。

2. 业务模型众多,如何满足检索条件/功能多样化需求。

3. 数据量庞大,检索文本几十TB,如何节约成本。

业界有被广泛使用的开源全文检索引擎,比如:lucene、sphinx等。它们适用于站内检索的场景。而在海量用户、大规模数据量的实时检索场景下,存在明显缺点:

1. 无法支持细粒度切分索引,只能对全局数据构建索引 ,检索过程需要过滤冗余数据。

2. 不支持实时检索,有几十秒~分钟级延迟。

3. 实际部署机型要求高,需要大内存机型才能支撑T级别的数据存储。

针对已有方案的不足,并结合企业级应用场景,我们重新设计和实现一套通用的全文检索引擎 wwsearch 。

自研全文检索引擎

wwsearch为海量用户下的全文快速检索而设计,底层支持可插拔的lsm tree存储引擎,具备支持按用户的亿级分表、低延时、高效更新、索引压缩、功能丰富、内存消耗低等特点。

目前覆盖企业微信所有在线检索场景, 最大业务场景有300亿+条记录,索引词项万亿+,存储容量几十TB。在大规模数据下,服务运行稳定,可以为业务增长提供稳定有力保障!

腾讯全文检索引擎 wwsearch 正式开源

wwsearch有丰富的功能,可灵活支持业务场景:

1. 支持等值、前缀、模糊匹配,支持And、Or条件组合。

2. 实时增删查改。

3. 支持后置过滤,包括等值、数值范围、数组元素查找、字符串模糊匹配。

4. 支持多条件排序,类似order by语义。

5. 可扩展功能,包括聚合功能(sum/avg...)、文档打分。

高效索引更新

企业级应用相关的数据通常需要经过多次流转,才能达到最终状态,比如审批业务。这意味着,检索系统的数据写入后也需要部分更新。

开源检索引擎实现是基于文档粒度对索引进行增删,更新是一次删除和全量插入过程,无法高效支持部分更新。

wwsearch的实现和开源不同,索引的增删是基于词级别的,粒度更细。主要原理:

1. 引擎记录写入文档的分词列表,更新时,通过对比更新前后的分词列表,可以知道应该插入哪些词、删除哪些词。

2. 检索一个词的倒排列表时,会读取该词多个倒排列表,并按优先级对倒排列表归并,时间上后写的倒排列表优先级更高。

3. 倒排列表内被删除的DocID会随着lsm tree文件的合并(Compact),会被逐渐淘汰。

腾讯全文检索引擎 wwsearch 正式开源

wwsearch以倒排列表为单位对索引进行增删改的方案,优点如下:

1. 实时读写,写入即可检索。

2. 更新友好,高效支持部分更新。

支持亿级分表

开源检索引擎对全局数据构建索引,每次检索需在全局索引中检索结果,这种做法存在缺点:

1. 用户或企业只检索自身数据,在多用户场景下,检索效率低。

2. 大规模数据情况下,无法实时响应用户请求。

通过支持细粒度分表的能力,wwsearch可以很好地解决这个问题。原理是:利用lsm tree全局有序能力,通过对正向索引、倒排索引的数据key增加特定Prefix的方式,来支持亿级分表的能力。由于底层存储采用lsm tree结构存储,通过共享key前缀方式,我们可以忽略不计这个Prefix增加的存储消耗。

腾讯全文检索引擎 wwsearch 正式开源

wwsearch支持细粒度分表,优点如下:

1. 检索性能最优、请求延时低。

2. 无需过滤冗余数据,资源消耗最小,服务能保持很强的稳定性。

高效全文模糊匹配

模糊匹配是在有限信息情况下找到匹配的文本。这是一个比较常见的功能需求,比如用户检索一个用户的手机号,输入前几个数字后,希望能尽快补全,又比如输入航班号数字部分,检索出完整航班号信息。

开源实现的不同方案:

1. 对词进行细粒度切分,一个长度为N个字符的词,从该词切分出连续2个字、3个字... 一直到N个字的的词。这种方法缺点是有O(N^2)个词展开。

2. 维护词典,在模糊匹配时,遍历词典找到满足匹配的词。这种方法缺点是匹配效率差,词典过大情况下,无法实时返回结果。

wwsearch用一种空间相对节省且检索高效的新方案:词按后缀展开+lsm key/value索引按词典排序+前缀匹配检索,词展开仅O(N),检索效率优。通过例子描述,假设有记录DocID = 1,name = Michael。我们把name这个词按后缀展开后,以下词的倒排列表都会插入这个DocID。检索 chae 时,通过前缀匹配找到 chael 这个词的倒排列表,并把这个DocID返回。

词典:

ael:1

chael:1 <--- 定位到这里

el: 1

hael:1

ichael:1

Michael:1

高效过滤排序

部分业务场景里,单纯按关键词检索还不能满足用户需求:

1. 命中结果需要特定排序,比如有些场景需要按时间倒序排列,有些场景需要按点击数再按时间倒序排列。

2. 命中结果包含多余数据,还需要进行二次过滤,比如用户想检索处于申请中的审批单据。

这些需求需要读取排序列或者过滤列的属性值,行存和列存各有优缺点:

1. 属性混合存储:这种方式无差别的把所有属性混合为一行记录,打包存储在文件里。好处是没有冗余存储,读取一次就可获得一条记录所有的列值。设想一个场景,一条文本原文大小6 KB,检索某个词命中1万条记录,需要排序返回。以此推算,对1万条记录排序一次,需要读取60MB数据。

2. 属性按列存储:这种方式适用于宽列但列值比较稀疏的数据场景,可以按列独立操作。也有一些缺点,写入时需要写多列,读取时也要按排序或过滤情况读取多列。

腾讯全文检索引擎 wwsearch 正式开源

过滤、排序的列通常都是数值类数据,如果能一次写入或读取应该是最优的。 综上,ww search引擎采用部分属性混合存储的方案。 优点: 读取次数少,只需一次读取即可得到所需属性,配合批量读取,可以有效降低IO消耗。

索引压缩

有效地降低检索系统存储容量消耗,可以降低机器运营成本。wwsearch引擎在以下多个方面对存储消耗进行针对性优化。

1. 支持覆盖写功能。针对文本只写不改的场景,比如单据内容、邮件等,写入倒排索引后,正向索引不会存储分词后的词列表。通过这种接口写入场景,可以大幅度减少正向信息存储带来的消耗。

2. 支持倒排列表压缩。倒排列表存储由三部分组成:头部(Header)、倒排列表(DocIDList)、删除列表(DeleteList)。头部记录编码版本,定长为1字节。倒排列表按DocID倒序,第一个是Base,后续每个值记录与前一个DocID差值,用varint编码。删除列表记录有删除标记的DocID位置(相对于倒排列表),按位置升序,第一个是Base,后续每个值记录与前一个位置差值,用varint编码。

腾讯全文检索引擎 wwsearch 正式开源

3. 支持主键映射。实际情况下业务主键通常是字符串,难以要求有64位无符号整数的主键,即使存在,其DocID在随机生成情况下,倒排列表的压缩方案就无法发挥很大作用。通过主键映射,任意业务主键可映射到一个唯一的64位无符号整数,从0开始,严格递增,映射可逆。

wwsearch开源

现在,腾讯把wwsearch开源。我们乐于开源共享,希望wwsearch能被有相同业务场景需求的开发者使用,解决大家在全文检索场景遇到的类似问题。

wwsearch 正式开源

Github 开源地址:

https://github.com/Tencent/wwsearch

(点击文末阅读原文直接访问)

请给 wwsearch 一个 Star !

欢迎提出你的 issue 和 PR!

wwsearch 国内镜像地址:

https://git.code.tencent.com/Tencent_Open_Source/wwsearch

(登录后才能访问公开项目)

腾讯全文检索引擎 wwsearch 正式开源

腾讯工蜂源码系统为开源开发者提供完整、最新的腾讯开源项目国内镜像

腾讯全文检索引擎 wwsearch 正式开源

查看原文: 腾讯全文检索引擎 wwsearch 正式开源

  • blackelephant
  • BeckRod
  • Burne-JonesElva
  • WilsonJacob
  • DeQuinceySalome
  • PearsonMarcia
  • CarrollPaul
  • JoyceJodie
需要 登录 后回复方可回复, 如果你还没有账号你可以 注册 一个帐号。