lucene in odnoklassniki.ru
DESCRIPTION
TRANSCRIPT
Как, используя Lucene, построить высоконагруженную систему поиска разнородных данных
2
Одноклассники в цифрах
• Что у нас есть:– 100 млн пользователей;– 3.3 млн групп;– .....
• 4.1 млн пользователей онлайн;• В секунду:
– 250. тыс. страниц, 50мс, 70Гбит/с;– 6 тыс. сообщений и комментариев;– 1.5 тыс. поисковых запросов.
Зачем нам понадобились свои поисковые системы?
• Пользователь не всегда знает, как именно регистрировался искомый друг
• На сайте были огромные каталоги групп и сообществ
• Планировались новые сервисы, которым понадобится поиск
• Как правило, человек ищет то, что уже есть у кого-то из его друзей
3
4
Почему Lucene?
• Поиск по MS SQL базе был крайне медленным• На Java написано 99% нашего кода, поэтому
Sphinx даже не смотрели• Apachе Lucene/Solr поддерживаются большим
сообществом и хорошо себя зарекомендовали• Уже был опыт использования Solr• Быстрый поиск других поисковых
Java-проектов результатов не дал
Как устроен Lucene?
5
The bright blue butterfly hangs on the breeze
It’s best to forget the great sky and to retire from every wind
Under blue sky, in bright sunlight, one need not search around
Term DocId
blue 1,2
bright 1,2
butterfly 1
breeze 1
hangs 1
need 2
search 2
sky 2
Term DocId
best 1
forget 1
great 1
retire 1
sky 1
wind 1
DocId Values
1 333, Author A
2 777, Author C
DocId Values
1 555, Author C
Toke
nize
rs &
Filt
ers
& In
dexW
riter
Inde
x Re
ader
& S
earc
her &
Que
ry p
arse
r
Требования к системе индексов
6
• Отказоустойчивость и масштабируемость• Высокая производительность поисковых
серверов• Гибкое индексирование• Возможность сбора дополнительной
информации перед индексацией• Возможность анализа готового индекса
Что нас не устроило в Solr
7
• Solr:– сервер использует только один процессор– репликация индексов на bash-скриптах– http - это дорого и медленно– сложно модифицировать
• Но Lucene нас устраивает, поэтому пишем свой сервер
Архитектура
8
Presentation
Search processing system
Even
t
Indexer + DB
Que
ry
Resu
lt
Resu
lt
Read
Read
Upd
ate/
Noti
fy
Index Replication
Que
ry
Resu
lts
Services
Требования к поисковой системе
9
• Отказоустойчивость• Использование социального графа• Эффективность• Простое изменение и расширение
функциональности• Сбор статистики по пользователям• Высокая пропускная способность
Как работает поисковая система
10
Get session for Schema
Execute queries
Reduce results
Schedule queries
Load results
waitAll ()waitFor (queries complete)waitAtLeast (result items)
Проблемы: работа с индексом
11
• Lucene активно читает файлы во время поиска• Пробовали:
– Диск с FSDirectory и NIODirectory– RamDrive с FSDirectory и NIODirectory– Lucene RamDirectory – Собственный UnsafeDirectory
• Победил:– HeapDirectоry файлы как byte[] в хипе
Проблемы: ThreadLocal кэши
12
• Долгий GC из-за уймы мелких объектов в хипе• Причины:
– Lucene использует ThreadLocal кэши для некоторых объектов
– Jboss Remoting на каждое соединение содает поток, а их тысячи
• Первое решение:– Пул для выполнения запросов
• Второе решение:– Делая другую оптимизацию, убрали эти кэши
Проблемы: медленные хранимые поля
13
• Медленная работа с хранимыми полями• Причина:
– При считывании хранимого поля создается много мусора и производятся ненужные операции
• Решение:– Считывать значение в нужный тип сразу из byte[]
• Результат:– На порядок быстрее стали операции с хранимыми
полями– Время GC упало в 2 раза
14
Распознавание полей
• Поиск пользователей идет по следующим полям:имя и фамилия, город, страна, интервал
возростов • Друга можно искать, вводя известные данные:
«илья широков 30»«илья широков москва»«илья широков 25-30 россия»
TermCollector
UserIndex
TermDict.
Search System
Query Line
Fields Query
15
Поиск по возрасту
• Стандартные решения:– Добавление всех подходящих терминов– Префиксные термины для снижения количества
терминов в запросе– Запрос к FieldCache– Фильтр результатов
• Наше решение:– Возраст хранится ввиде даты: yyyymmdd– Запрос по текстовым полям оборачивается в
фильтрующий запрос, который проверяет отбраные документы по хранимому полю
16
Поиск музыки
• В базе есть:– артисты; альбомы; композиции– не сортированые музыкальные композиции
• Три точности совпадения:точное; все слова из запроса; некоторые слова из запроса
• Поиск всегда идет по всем видам документов• От точности совпадения зависит поведение UI• На место в выдаче влияет рейтинг документа• С индекса собираются всевозможные топы
17
Индексация музыки
• Все храним в одном индексе• У каждого документа:
– в id зашит его тип (артист; альбом; композиция; файл)– тип как отдельное поле– рейтинг как параметр индексации– рейтинг как хранимое поле
• Текстовые поля:– по отдельности– необходимые комбинации– 2 представления текста: оригинал + фонетика
18
Поиск музыки
• Пробовали:– Отдельный запросы для каждого типа– Повторные запросы с меньшей точностью– Настройка оценщика веса для результата
• Решение:– Запрос состоит из комбинаций: точность + поле данных– Для каждой комбинации есть интервал значений весов– Вес из подзапроса нормализуется в интервал
комбинации– Если документ отвечает запросу, сразу вычисляем его
тип и добавляем в соответствующий коллектор
19
Поисковые сервера
8 серверов7 000 МБ
20 мс1100 з/c
2 сервера600 МБ
3 мс2200 з/c
6 серверов400 МБ
7 мс30 з/c
4 сервера2700 МБ
50 мс200 з/c
5 серверов10 000 МБ
90 мс1500 з/c
Поисковая система
Пользователи
Музыка
ГруппыСообщества
Видео
Спасибо!
Алексей Шевчукodnoklassniki.ru/aleksey.shevchukРазработчик поисковых системОдноклассники