Java生鲜电商平台-电商搜索引擎架构设计与大数据平台架构实践(小程序/APP)

说明：Java生鲜电商平台-电商搜索引擎架构设计与大数据平台架构实践，本文主要是讲解电商搜索引擎的设计以及大数据平台架构实战

　　　　电商搜索引擎，是帮助顾客快速找到需要购买的商品的工具，衡量一个电商搜索引擎是   否成功的标准是，顾客在一连串的搜索行为当中，是否越来越接近自己的真实需求。顾客越   快进入商品页面去浏览商品，越表明搜索引擎推荐的搜索结果越精确。电商搜索引擎，是传   统搜索引擎的一个垂直领域，为了更好地学习搜索引擎的相关知识，我们首先要看一个完整   的搜索引擎的技术架构。

一个完整的搜索引擎技术框架，如图 所示，搜索引擎的技术架构，分成 3 个部分

信息采集、建立索引库、提供检索服务，下面我们分别来探讨这 3 部分内容。

信息采集， 在互联网中发现、搜集信息和数据。通常， 这个步骤是通过爬虫

（Crawler/Spider）抓取网页来实现的。每个独立的搜索引擎都有自己的网页抓取程序爬虫。爬虫 Spider 顺着网页中的超链接，从这个网站爬到另一个网站，通过超链接分析连续访问抓取更多网页。被抓取的网页被称之为网页快照。由于互联网中超链接的应用很普遍，理论上，从一定范围的网页出发，就能搜集到绝大多数的网页。

建立索引库，对收集到的信息进行提取和组织建立索引库。搜索引擎抓到网页后，还要   做大量的预处理工作，才能提供检索服务。其中，最重要的就是提取关键词，建立索引库和   索引。根据应用场景的不同，其他可能的处理还包括去除重复网页、分词（中文）、判断网   页类型、分析超链接、计算网页的重要度/丰富度等。

提供检索服务，由检索器根据用户输入的查询关键字，提供检索服务。接受到关键词后，   系统在索引库中快速检出文档，进行文档与查询的相关度评价，对将要输出的结果进行排序，   并将查询结果返回给用户。通常，为了用户便于判断，除了网页标题和
URL 外，还会提供一段来自网页的摘要及其他信息。

其实搜索已经是一项非常成熟的技术，这里不打算展开讨论了，只介绍几个在搜索技术  架构上比较重要的技术点：分布式索引、分布式搜索。

分布式索引，就是通过很多普通配置的硬件，同时进行索引建立的工作，最后进行索引  的合并操作。这样处理的好处在于，具备可扩展性，当数据增加的时候，无须增加单台机器的存储设备，而是通过水平扩展，增加配置普通的机器来解决。建立分布式索引，可采用

Hadoop 这类分布式系统进行构建，Hadoop 实现了一个分布式文件系统（Hadoop Distributed
File System），简称 HDFS。HDFS 有高容错性的特点，并且设计用来部署在低廉的硬件上；
同时它提供高传输率来访问应用程序的数据，适合那些有着超大数据集的应用程序。HDFS
的上一层是 MapReduce 引擎，用于大规模数据集的并行运算。概念 Map（映射）和 Reduce（规约），和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。基于这些分布式特性，搜索索引建立可以非常容易地通过它来进行扩展。利用

Hadoop 的平台和 MapReduce
的机制，来实现建立分布式搜索索引，是非常好的实践。

分布式搜索，是将原来的单个索引文件划分成 n
个切片（shards）。搜索时，并行的搜索这 n
个切片，每个切片返回当前 shard 的 topK
命中结果；然后将 n
个切片的局部 topK 进行归并排序，得到全局的 topK 排序结果。分布式搜索的好处在于：更好的可扩展性，在用户访问次数和索引大小两个维度都具有水平扩展能力；更高的稳定性，容许部分失败，调用成功率显著提高；更灵活的全量更新策略，可针对不同类型的数据；更灵活的排序算法，可   以针对不同类目，做定制化的排序；更好的可维护性和通用性，支持不同类型的搜索。

大数据平台架构设计

        近年来，大家对大数据的关注度和使用频率越来越高，软件产品中的各类数据都被记录  下来，以便更好地研究和分析。在电商企业中，每天系统记录下来的运营数据，达到几百

GB 增量的规模，为了保证所有数据能集中存储并且可随时访问，越来越多的企业把离线数据体系从商用的 Exadata 等解决方案，全面转向开放的 Hadoop 体系当中，以谋求成本与扩展性的平衡。