基于lucene的站内搜索 beta
DESCRIPTION
TRANSCRIPT
基于 lucene 的站内搜索实战
tangfulin <[email protected]> www.imobile.com.cn 2009.07.26
Beta 技术沙龙http://club.blogbeta.com
官方 twitter : @betasalon
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
关于手机之家 过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
关于手机之家
手机之家是一个旨在提供全方位的手机相关服务的资讯类网站。在 7 年的
时间里,手机之家从无到有,已经发展成为极具人气、最受关注的手机产
品资讯网站。
目前已有的一些统计数据:
●a. 1100w+ 用户●b. 3000w+ 帖子●c. 1.1TB+ 附件●d. 780w+ Page View/ 每天●e. 5~10w 在线用户 /15 分钟
关于手机之家
过去:手机之家搜索 V1.0 现在:手机之家搜索 V1.5
需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
手机之家的搜索 V1.0(1/3)
产品大全搜索 新闻 CMS 搜索 论坛搜索(默认只搜索标题) 论坛帖子及回复搜索 手机铃声,主题,电子书,软件搜索 二手交易搜索 其它版块的搜索
手机之家的搜索 V1.0(2/3)
基本实现了多个业务模块需要的搜索功能 不同的搜索字段 不同的排序方式 不同的更新频率 Java 多进程,多线程实现
手机之家的搜索 V1.0(3/3)
运行概况 Dev by chaoqian (http://www.longker.org/) 最初基于 Lucene 2.2 ,当前 2.4.1 开发时间: 07 年 12 月- 08 年 4 月 08 年 12 月随新版系统上线 部署在 Imobile-SV39-A49 上:
• X86_64 , 8 cpu @ 2.50GHz , 32G mem
• CentOS release 5.2, JDK64 1.6, 搜索: 35+ 万查询 / 天,高峰期 > 20 次 /s 更新: 平均 15 条 / 分钟
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景 目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
需求背景 (1/3)
重建索引 索引字段变更 分词算法变更 搜索结果异常(记录重复,记录丢失) 索引文件意外损坏 V1.0 :半手工重建,重建过程需人工参与,重建过程中
不能正常更新 V1.5 :自动重建,重建过程中正常更新原来的索引
需求背景 (2/3)
缩短更新周期(及时更新) Google 更新手机之家内容的周期为 30 分钟左右 V1.0 索引更新周期为 10 - 15 分钟左右 V1.5 预期更新周期为 3 分钟,实际为 1-5 分钟
需求背景 (3/3)
搜索大索引( V1.5 ) 3300+ 万条记录的一个库, xml 原始文件 14G V1.0 索引文件为 13 G ,无法快速更新 V1.5 索引文件为 3.9G (还是无法快速更新?) V1.5 完整重建一次: 140 分钟
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标 进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
目标
及时更新( 3 分钟) 快速重建( < 2 小时) 可配置(拥抱需求变化) 可监控(运维友好) SLA :永远可写,永远可读,异常的时候唯一的表现是
更新延迟 高性能,能承受较大的流量,并发压力
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度 设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
进度
2009 年 4 月 1 号 search 2.0 init 4 月 12 号,修改版本号为 1.5 6 月 1 号, search 1.5 在线上试运行 6 月 22 号,正式替换原来的搜索进程
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计 实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
设计 (1/8)
分离索引与存储,二次读取 分离读与写 分离 update 和 rebuild 拆分大库和小库 new open 小库(小库滚动), reopen 大库 新索引预热 更多: http://blog.fulin.org/category/tech/lucene
设计 (2/8) 分离索引与存储,二次读取
索引里只存储 id ,其他的字段只索引不存储。 优点:
保持索引的大小为一个可接受的范围 提高索引读取速度 提高索引 cache 效率
缺点:搜索时需要额外的请求来获取其它必须的字段( lucene + db 方案)
衍生项目: blackdb , memcache协议 + bdbJE存储
设计 (3/8) 分离读与写
优点: 降低编程复杂度 保证搜索服务的可用性,和可扩展性(可以将索引文件
分发到多台机器上,同时对外提供服务) 提升索引更新速度
缺点:• 需要移动索引文件
• 需要额外的索引更新逻辑( reopen )
• 无法使用当前设计中的 lucene 的 real-time search
设计 (4/8) 分离 update 和 rebuild
Rebuild 的同时, update 正常更新 Rebuild 需要将重建这段时间的更新计入新的索引中 Rebuild 完成后,通知 update 切换到新索引上来,并继续更新
进程间通信,当前使用最原始的基于文件的方式
设计 (5/8) 拆分大库和小库
保证及时更新的同时,减少索引频繁同步(由写索引同步到读索引)带来的 io 压力
更新频率• 小库(最近更新库) 1 分钟
• 大库(历史库) 1 天到 1 周,可配置 并行搜索,加速搜索速度 问题: group by
设计 (6/8) 拆分大库和小库(续)
增加新记录: 增加到小库
更新记录: 从大库中删除(标记删除) 从小库中删除(物理删除) 增加到小库
删除记录 从大库中删除(标记删除) 从小库中删除(物理删除)
定期合并小库到大库,并清空小库
设计 (7/8) 搜索端索引更新
小库每次同步到一个新的文件夹中 保留最近打开的 n (2)份小库索引目录 检测到新的索引到达,关闭一个最旧的,打开新的,预热后标识为可用
检测到新的小库到达, reopen 大库(为了逻辑上的简单起见,大小库同步更新)
设计 (8/8) 新索引预热
目的:消除新打开的索引上前几次搜索慢的问题 实现:
• 过去:遍历一遍新打开的索引,将数据都读入内存• 引起 gc ,导致搜索暂停
• 对 lucene 内置的 cache 无贡献
• 现在:搜几个热门的词,并遍历结果集• 将来:使用原来的 cache填充新的 cache
预热完成后,再投入使用
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现 测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
实现 (1/8)
端口1985
IndexRebuilder
IndexUpdater
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
IndexReceiver
Rebuildxml data
Updatexml data
实现 (2/8)IndexReceiver
端口1985
IndexRebuilder
IndexUpdater
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
IndexReceiver
Rebuildxml data
Updatexml data
实现 (2/8)IndexReceiver
By Java , Daemon 程序 监听端口,使用 SCGI 通讯协议 使用 Monkey 为底层 NIO 处理框架 接收客户端 post 过来的数据,并写入对应的目录 Update 和 rebuild 共用 为了保证原子性,先写入 .0.***.xml ,写入完成后,再 rename
Receiver 只负责写入, updater 和 rebuilder 稍后负责删除(备份) 对外提供服务,所以尽可能简单,单独进程
实现 (3/8)IndexUpdater
端口1985
IndexRebuilder
IndexUpdater
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
Rebuildxml data
Updatexml data
实现 (3/8)IndexUpdater
By Java , Daemon 程序 多个索引共用,每个索引起一个线程 可根据需要随时停止或启动单个索引更新的线程 AddShutdownHook 退出前 close 所有打开的 IndexWriter
功能:
• 更新新数据到当前索引
• 合并大小库
• 拷贝当前索引的快照供搜索使用
• 切换 rebuild出来的新索引
实现 (4/8)IndexRebuilder
端口1985
IndexRebuilder
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
Rebuildxml data
Updatexml data
实现 (4/8)IndexRebuilder
By Java , Daemon 程序 多个索引共用,每个索引一个线程 重建索引时序图:
时间线
rebuilder
updater
receiver
T0
开始重建
客户端发送开始重建标识
客户端发送重建索引的数据
客户端发送结束重建标识
T1
重建数据接收完毕
T2
T3
重建完成
T4
Receiver 开始抄送update 数据到 rebuild-update
Updater 正常更新
Rebuilder 开始工作
Rebuilder 处理完重建数据
Rebuilder 处理完 t0 到 当前的更新数据,通知 updater ,然后自己退出
Updater 接到通知,切换索引。完成后通知 receiver
T5
Receiver 接到通知,停止抄送updater 数据。重建过程结束
实现 (5/8)IndexRebuilder
切换索引过程
• Updater 删除自己当前的索引和未更新完的 xml 文件
• Updater 将 rebuilder 的索引和 rebuild-update 的 xml 文件 “据为己有”
• 通知 receiver 停止抄送
• 继续正常的数据更新过程 可以证明这个过程中,不会有数据丢失,也不会有数据重复
• 前提: updater 的 xml 文件和 rebuild-update 的 xml 文件是完全相同的(包括文件名和数据)
• t3-t4 : 数据来自 rebuild-update
• t4-t5 : rebuild-update 中的数据可以被直接忽略
实现 (6/8)Transfer
端口1985
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
Rebuildxml data
Updatexml data
Transfer
实现 (6/8)Transfer
Bash 脚本,每个 indexId 一个进程,由 ControlCenter 或 monitor 启动和停止
监控索引快照目录 快照目录下存在子目录,并且子目录中存在 copy.done.sign
( IndexUpdater 拷贝快照完成后 touch 的标识),则 rsync 子目录到 search
Rsync 的时候:先 rsync 大库快照,再 rsync 小库快照,都成功后再 rsync 一个 trans.done.sign
以 0 字节的 sign 文件作为标识,模拟两阶段提交,保证文件拷贝,传输的原子性
实现 (7/8)Searcher
端口1985
Searcher
配置文件DAL 数据更新同步通知搜索
搜索客户端调用Searcher 的 API
搜索管理后台发出开始重建索引命令
cron 发送重建数据
端口1986
Rebuildxml data
Updatexml data
实现 (7/8)Searcher
By Java , Daemon 程序 使用 Monkey 为底层 NIO 处理框架 使用 SCGI 通讯协议 启动后第一件事: warmUpAllIndex
当有新索引到达的时候,在后台打开,预热后,再投入使用 关闭旧的 IndexSearcher 实例的前提:当前没有线程还在使用它
• 方法:计数 ( get +1 , return -1 ,为 0 表示没有被使用) Stat 统计
实现 (8/8)Utils
Cleaner
• Bash 脚本,每个 indexId 一个进程
• 用来删除 Searcher 已经关闭或跳过的索引
Monitor
• 监控系统的各个进程是否存在,如不存在,则启动一个新的进程 ControlCenter
• Usage: ./controlCenter.sh {start|stop|restart} {all|receiver|updater|rebuilder|searcher|trans|cleaner}
• OR: ./controlCenter.sh {start|stop|restart} {monitor|logSlowSearch}
• OR: ./controlCenter.sh {mkdirs}
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试 上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
性能简单测试结果
Apache bench n 1000 c 10 ( 99% 545ms 100% 32838ms ) n 2000 c 20 ( 90% 1171ms 99% 4106ms )
库大小: 4.1G 条目数: 3300+w 更新周期: 1 分钟 总请求 3000 ,慢查询 (耗时大于 1秒 )比例 4% 搜索词:手机之家论坛首页的板块名,随机 最长: 37s > 10s : 22 (索引切换, gc ) 2s10s : 38 1s2s : 62
性能对比测试结果 (1/6)
Apache bench 库大小: 4.1G ,条目数: 3300+w ,更新周期: 1 分钟 搜索词:手机之家论坛板块名随机 对比条件
停止更新与正常更新 分配索引 1倍大小的内存与 2倍大小的内存 并发 10 个与 20 个
Document Length: 1529 bytes Total transferred: 3447737 bytes (1722053 bytes) HTML transferred: 3085737 bytes (1541053 bytes)
性能对比测试结果 (2/6)
Time taken for tests 停止更新 正常更新ab -n 2000 -c 20 21.85 64.17ab -n 1000 -c 10 13.1 11.93ab -n 2000 -c 20 22.8 22.89ab -n 1000 -c 10 10.37 10.74
备注:单位为秒
分配索引大小1倍内存分配索引大小1倍内存分配索引大小2倍内存分配索引大小2倍内存
性能对比测试结果 (3/6)
Requests per second 停止更新 正常更新ab -n 2000 -c 20 91.52 31.17ab -n 1000 -c 10 76.33 83.83ab -n 2000 -c 20 87.71 87.39ab -n 1000 -c 10 96.45 93.13
分配索引大小1倍内存分配索引大小1倍内存分配索引大小2倍内存分配索引大小2倍内存
性能对比测试结果 (4/6)Time per request 停止更新 正常更新
ab -n 2000 -c 20
ab -n 1000 -c 10
ab -n 2000 -c 20
ab -n 1000 -c 10
分配索引大小1倍内存218.53110.927
641.674 32.084
分配索引大小1倍内存131.01513.102
119.28811.929
分配索引大小2倍内存228.01211.401
228.87011.444
分配索引大小2倍内存103.67610.368
107.37510.738
备注:[ms] (mean)(mean, across all concurrent requests)
性能对比测试结果 (5/6)
Transfer rate 停止更新 正常更新ab -n 2000 -c 20 154.06 52.47ab -n 1000 -c 10 128.46 140.98ab -n 2000 -c 20 147.63 146.82ab -n 1000 -c 10 162.07 156.39
分配索引大小1倍内存分配索引大小1倍内存分配索引大小2倍内存分配索引大小2倍内存备注:(Kbytes/sec)
性能对比测试结果 (6/6)耗时比例 停止更新 正常更新
ab -n 2000 -c 20
ab -n 1000 -c 10
ab -n 2000 -c 20
ab -n 1000 -c 10
备注:百分比 毫秒
分配索引大小1倍内存50% 5995% 905100% 1525
50% 16290% 140398% 5738
分配索引大小1倍内存50% 3499% 978100% 1420
50% 2498% 750100% 3600
分配索引大小2倍内存50% 6195% 90699% 1519
50% 4195% 98899% 1678
分配索引大小2倍内存50% 2899% 744100% 905
50% 2799% 698100% 764
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维 经验分享
将来:手机之家搜索 V2.0
目录
部署上线
运行概况 updater , rebuilder 部署在 Imobile-SV25-B50 上
• IntelXeon 4 cpu @2.60GHz , 6G mem• Slackware 12.1, JDK32 1.6
Search 部署在 Imobile-SV39-A49 上:• X86_64 , 8 cpu @ 2.50GHz , 32G mem• CentOS release 5.2, JDK64 1.6
搜索: 35+ 万查询 / 天,高峰期 > 20 次 /s 更新: 平均 15 条 / 分钟
生产环境运行观察
Slow search 比例: >1s 1.x%; >2s 0.2%
机器负载 : 49(search): 1~3; 50(update): <1
内存消耗: search: Xms4096M Xmx4096M
Cpu消耗 :多核之间平均比较分配
索引平均更新速度: ~1 分钟
索引延迟率(因各种原因导致延迟更新的比例)
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
开发中的一些收获 (1/5)
FileChannel.transferTo 拷贝文件失败: Fewer than the requested number of bytes are transferred if the
target channel is non-blocking and it has fewer than count bytes free in its output buffer.
解决: check copied size ,断点续传 根据 lucene 索引文件更新的特性 ( 每次更新一个新版本的时
候,都会新建一个全新的文件 ) ,使用 cp -l 链接替代真实的大文件拷贝动作
开发中的一些收获 (2/5)
Kill 的问题 Never kill smart frog, don't kill 9 Java use Runtime.getRuntime().addShutdownHook to do the cleaning
things Lucene IndexWriter need close! server 程序,都应该考虑信号捕捉和处理的问题( java 程序容易忽略这个问题)
开发中的一些收获 (3/5)
更新太频繁导致的磁盘 IO 问题– 同一台机器目录之间同步:没有问题– 一拖二,一拖三
暂时解决– 建索引的机器不提供搜索服务– rsync 限速
开发中的一些收获 (4/5)
GC 引起的服务暂停 多个索引共用 Search 进程 每个索引维持了多个 searcher 索引更新太过频繁: 30秒
暂时解决 纵向拆分:将两个最大的库拆分到单独的进程 减少 searcher 个数到 2 个 谨慎的选择 gc 的类型,并调整 gc 的参数
G1 改进不明显,不稳定
开发中的一些收获 (5/5)
Java server 程序的 trouble shooting 性能问题: jprofile 内存问题: jmx + jconsole 线程问题: Thread.currentThread().setName("diffDetect" +
indexId); 详细的 log : log4j 常用的脚本: logslowsearch.sh 开发调试阶段:方便的重新编译并重启脚本 线上服务阶段:完善的监控及报警机制
关于手机之家
过去:手机之家搜索 V1.0
现在:手机之家搜索 V1.5 需求背景
目标
进度
设计
实现
测试
上线,运维
经验分享
将来:手机之家搜索 V2.0
目录
持续改进 配置文件改动检测,自动重新加载 更智能的处理索引字段变更 分词算法改进 搜索关键字数据挖掘(搜索新词自动发现) 搜索建议,搜索联想功能 排序算法改进 全站整合搜索 准实时搜索
Lucene 3
Lucene 2.9
• Searchable.search(Weight, Filter, Collector): collector 终于可用了
• Added new MultiReaderHitCollector: 解决 group by
• near real-time search via IndexWriter.getReader(): 单机方案
Lucene 3.0
• Del deprecated apis: 大版本升级要谨慎
• Port to Java5: 应该会有性能的提升
Lucene 3.1
• Near Realtime Search (using a built in RAMDirectory): 还是单机方案
• Complete overhaul of FieldCache API/Implementation: 等到花儿也谢了
定制功能
在某些情况下作为数据库的替代数据源 类似淘宝搜索,按多个字段筛选,过滤,排序 当前解决方案:使用 sql 从数据库中选取数据 问题:数据可能因为业务逻辑的设计而分散在多个不同的
库,表中,联表查询问题,并发压力问题 难点:非典型的复杂的查询条件,如 group by
参考资料 LuceneLucene
http://lucene.apache.org/http://lucene.apache.org/ http://lucene.apache.org/java/2_4_1/api/index.htmlhttp://lucene.apache.org/java/2_4_1/api/index.html
中文分词中文分词 http://code.google.com/p/paoding/http://code.google.com/p/paoding/ http://code.google.com/p/imdict-chinese-analyzer/http://code.google.com/p/imdict-chinese-analyzer/ http://code.google.com/p/mmseg4j/http://code.google.com/p/mmseg4j/
MonkeyMonkey (( JavaJava底层异步网络底层异步网络 IOIO框架)框架) DALDAL
关于 关于 imobileimobile 网站首页 网站首页 http://www.imobile.com.cn/http://www.imobile.com.cn/ 关于 关于 http://www.imobile.com.cn/about.htmlhttp://www.imobile.com.cn/about.html
LongkerLongker (( V1.0V1.0 版本)版本) http://www.longker.org/http://www.longker.org/
关于我(关于我( V1.5V1.5 版本)版本) http://www.fulin.org/http://www.fulin.org/ http://twitter.com/tangflhttp://twitter.com/tangfl
关于我们
更多讨论
Java GC 的问题
巨大的索引库与频繁更新如何共存
全站整合搜索,后台技术实现与前台表现设计
更多