基於 Elasticsearch 的站內搜尋引擎實戰

樂天的開發筆記發表於2019-03-04
Elasticsearch

站內搜尋，可以認為是針對一個網站特性內容的搜尋功能。由於內容、格式可控，站內搜尋比全網搜尋的實現要簡單很多。

簡書這個網站本身自帶一個搜尋，但是缺乏針對個人文章的搜尋，所以本文的實戰內容是解決這個痛點。

程式碼在 github.com/letiantian/…，可以使用下面的方式把程式碼下載下來檢視：

git clone https://github.com/letiantian/jianshu-site-search.git
複製程式碼

程式碼在Python2.7下執行。需要安裝以下依賴：

pip install elasticsearch==6.0.0 --user
pip install uniout --user
pip install requests --user
pip install beautifulsoup4 --user
pip install Django --user
複製程式碼

1. 資料來源

如果是簡書給自己做個人搜尋，從資料庫裡拿就行了。

我這種情況，自然用爬蟲抓取。

1.1 抓取什麼內容？

抓取某個人所有的文章，最終是URL、標題、正文三個部分。

1.2 如何抓取？

以www.jianshu.com/u/7fe2e7bb7…這個（隨便找的）使用者主頁為例。7fe2e7bb7d47可以認為是這個使用者的ID。
文章地址類似http://www.jianshu.com/p/9c2fdb9fa5d1，9c2fdb9fa5d1是文章 ID。

經過分析，可以以此請求下面的地址，從中解析出文章地址，得到地址集合：

http://www.jianshu.com/u/7fe2e7bb7d47?order_by=shared_at&page=1
http://www.jianshu.com/u/7fe2e7bb7d47?order_by=shared_at&page=2
http://www.jianshu.com/u/7fe2e7bb7d47?order_by=shared_at&page=3
// ... page的值不斷增加
// ... 當page不存在的時候，簡書會返回page=1的內容，這時候停止抓取
複製程式碼

然後，依次抓取文章內容，儲存下來。

crawler.py 用於抓取文章，使用方法：

python crawler.py 7fe2e7bb7d47
複製程式碼

文章對應的網頁會儲存到data目錄，用文章ID命名。

2. 最簡單的搜尋引擎實現

對於每個搜尋詞檢視每個文章的標題和正文中有無該詞：

  1. 標題中有該搜尋詞，為該文章加2分。
  2. 正文中有該搜尋詞，為該文章加1分。

一篇文章命中的搜尋詞越多，分值越高。

將結果排序輸出即可。

程式碼實現在simple_search.py ，使用方法：

$ python simple_search.py 人民 名義 
你輸入了： 人民 名義
搜尋結果：

url:    http://www.jianshu.com/p/6659d5fc5503
title:  《人民的名義》走紅的背後 文化產業投資難以言說的痛
score:  6

url:    http://www.jianshu.com/p/ee594ea42815
title:  LP由《人民的名義》反思 GP投資權力真空怎麼破
score:  6

url:    http://www.jianshu.com/p/4ef650769f73
title:  弘道資本：投資人人貸、ofo 人民幣基金逆襲的中國樣本
score:  3
複製程式碼

這種方法的缺點是：

  • 因為是遍歷每個文章，文章變多後，速度會變慢
  • 搜尋結果排序不理想
  • 沒有引入中文分詞特性

3. 基於 Elasticsearch 的實現

Elasticsearch 是一個通用的搜尋引擎解決方案，提供了優雅的 HTTP Restful 介面、豐富的官方文件。 阮一峰為它寫了一份簡明易懂的教程：全文搜尋引擎 Elasticsearch 入門教程，推薦閱讀。

Elasticsearch 基本原理：

  1. 對搜尋內容進行分詞，得到若干搜尋詞。
  2. 通過倒排索引找到含有搜尋詞的文章集合。
  3. 通過TF-IDF、餘弦相似性計算文章集合中每個文章和搜尋內容的相似性。
  4. 根據相似性進行排序，得到搜尋結果。

3.1 環境搭建

我們先搭建環境：

  1. 安裝Java。
  2. 官網下載最新的 6.0.0 版本，解壓。
  3. 安裝ik分詞外掛。
./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.0.0/elasticsearch-analysis-ik-6.0.0.zip
複製程式碼

或者下載下來解壓到Elasticsearch的plugins目錄。
4. 啟動：

./bin/elasticsearch
複製程式碼

環境搭建完成。

3.2 建立索引

python es_create_index.py
複製程式碼

建立時指定了分詞器。

3.3 索引資料

python es_index_data.py
複製程式碼

為了防止一篇文章被重複索引，新增索引時 Document ID 設定為文章 ID。

3.4 搜尋

python es_search.py 人民的名義
複製程式碼

高亮搜尋結果：

python es_hl_search.py 人民的名義
複製程式碼

3.5 基於web的搜尋

基於Django實現了一個簡單的web介面。執行：

python webui/manage.py runserver
複製程式碼

瀏覽器訪問http://127.0.0.1:8000/即可。體驗效果：

基於 Elasticsearch 的站內搜尋引擎實戰

4. 關於 Elasticsearch 的一些思考

4.1 如何看待停止詞？

停止詞是非常常見的單詞，例如的、the等。一般用法是在分詞後去掉停止詞，然後進行索引。這種做法的常見理由是減少索引大小。同時，從理論上看，也可以提升檢索速度。
相應的，這裡有兩個問題需要探討：

  1. 索引大小的減小量是什麼數量級，如果只是減少了1%，這種優化並無必要。
  2. 檢索速度的提升是什麼數量級，如果只是提升1%，說服力並不大。

是否能達到業務的需求才是目標。如果需要在搜尋的這個詞的時候有結果，那麼上面的做法就是不合理的。

我更傾向於底層索引不啟用停止詞，而是根據業務需求在業務層進行必要的停止詞處理。

4.2 防止深度搜尋

要Elasticsearch返回搜尋結果的第10001條到第10010條資料，是一個耗時的操作，因為Elasticsearch要先得到打分最高的前10010條資料，然後從中取出第10001條到第10010條資料。

使用者感知到的搜尋介面是分頁的，每頁是固定數量的資料（如10條），使用者會跳轉到第1001頁的搜尋結果嗎?不會。第1001頁的搜尋結果有意義嗎？沒有意義，使用者應該調整搜尋詞。

綜上，應限制使用者得到的搜尋結果數量。

4.3 處理海量資料

本文的示例的資料由一個使用者的所有文章組成，資料量很小。如果簡書全站搜尋也是用Elasticsearch，它能處理好嗎？

事實上，Elasticsearch 支援分片和分散式部署，能近實時的處理海量資料。注意，索引耗時會很大，但是搜尋很快。

4.4 如何在搜尋結果中加入推廣內容

推廣內容本身也可以被Elasticsearch索引起來，根據情況插入搜尋結果中就行了。

本文釋出於樂天的開發筆記-掘金，同時釋出於樂天筆記。

相關文章