写点什么

悟空:用 Go 语言编写的全文搜索引擎

  • 2015-09-02
  • 本文字数:2355 字

    阅读完需:约 8 分钟

最近 Go 语言 1.5 版正式发布,国内关于 Go 语言的学习和应用也逐渐火热,InfoQ 也将关注并推动国内 Go 语言社区的发展。悟空开源项目是用 Go 语言编写的全文搜索引擎,InfoQ 记者采访了它的作者陈辉,了解了这个项目背后的一些信息。

悟空搜索引擎的特点是高度可定制,具有如下特性:

项目的架构如下图:

引擎中处理用户请求、分词、索引和排序分别由不同的协程(goroutines)完成。

  1. 主协程,用于收发用户请求
  2. 分词器(segmenter)协程,负责分词
  3. 索引器(indexer)协程,负责建立和查找索引表
  4. 排序器(ranker)协程,负责对文档评分排序

具体的原理可以在入门教程里查看,并且在这个教程里,作者用不到 200 行 Go 代码实现一个微博搜索网站。

这个项目的作者是陈辉,以前在 Google 美国工作,2014 年回国后加入阿里巴巴,现在是阿里巴巴广告事业部的大数据营销总经理。

在这篇文档里,他谈到了创建悟空搜索引擎的初衷:

知识应该容易获得

……

通用的搜索引擎并不能解决这个问题:首先,不能有针对性的垂直搜索,对内容的抓取和索引简单粗暴,无法得到结构化数据,看不到隐藏的内容属性;其次,通用搜索引擎对内容的排序无法进行定制,实时性不够,无法成为网站社区的有机的一部分。

一个好的网络社区应该允许用户在阅读时搜索,搜索成为阅读的一部分;网站内部的流量应该是个性化的、有机的,而不应该由生硬的推荐系统主导用户阅读的方向。很可惜这样的网络社区很少,这种局面的造成一部分是因为缺乏一个开源的、容易定制的、高效的搜索引擎的存在。

他的另一个初衷是认为搜索引擎技术应该普及:“所有大数据领域的工程师都应该在职业生涯的某个时刻试着重写一个搜索引擎,了解一下其中的技术问题,并尝试去解决这些问题。”

InfoQ 记者对他进行了采访,了解了他对 Go 语言的看法,以及悟空搜索引擎背后的一些故事。

InfoQ:您是如何和 Go 语言结缘的,现在是否仍然关注 Go 语言?

陈辉:最早是从 Google 内部的海报上知道 Rob Pike 给的 TechTalk,关于一种新的编程语言,我对新的编程语言一直比较感兴趣,于是就去听了一下。

当时在 Google 内部有一种鄙视 Python 的风气,有个资深的工程师还写了一篇文章《为什么你不应该用 Python》,认为超过 100 行的代码就不应该用 Python 写。我自己在使用 Python 时也很头疼,感觉这就是一种 ad hoc 的语言,写出来的代码很不好维护,更要命的是还很丑陋,写完就不想再多看一眼。

听完 TechTalk 的第一感觉就是 Go 可以取代 Python 进行快速开发,于是用 Go 写了几个内部小项目,非常顺手,当时 Rob Pike 还亲自 review 了我的代码,给了不少使用规范的建议。

后来我的开源项目基本上都用 Go 写了,包括中文分词,机器学习等,见我的 GitHub 项目列表

现在因为工作比较忙很少再写,不过如果有人想重头创作一个项目,我仍然会向他推荐 Go。

InfoQ:说说您使用 Go 语言的体会,它有哪些优缺点?

陈辉:最大的优点是易于维护,代码写完之后几个月再去看完全没有生疏感,仿佛在 Go 中实现一个功能只有这么一种写法。而且还有 gofmt 这个格式化工具,让团队中所有人的代码风格都是一样的。Go 是一种不会让团队其他小伙伴看代码时皱眉头的语言,没有什么比这更重要了。

其次 Go 语言有 C 语言的优势,但没有 C++ 的弱点。首先是强类型语言,任何严肃的软件项目都不应该选择使用弱类型语言。然后 Go 的 interface 能满足 90% 以上的 OOP 需求,但又没有 C++ 的种种陷阱。最后,执行速度足够快。

然后,Go 有很好的代码管理、build 和 profiling 功能。import 一个 GitHub 的就好像使用本地目录一样,这天然解决了开源软件中的协同开发的问题。profiling 的能力强大,加上 build 体系替代了一个好的 IDE 的最主要的功能。

最后,goroutines 提供了天然的并发编程支持,这也是我最喜欢使用的功能之一。

当然它也不是没有缺点,在我眼里 Go 的缺点:对 virtual function 的支持不是很好(或者不存在?),无法通过继承实现代码复用。另外,pointer 的使用有时候让人困惑。

InfoQ:请介绍一下“悟空”开源项目的开发历史。

陈辉:最早是 13 年 7 月开始写的,基本上是利用周末的时间,花了一个月写完了悟空最主要的代码,8 月初扔到了 GitHub 上。14 年一月份给引擎添加了持久存储,中间有几位 contributor 贡献了代码。

透露一下,阿里巴巴内部有使用悟空。

InfoQ:悟空和其它搜索引擎相比,有哪些特点?

陈辉:据我所知还有一个 Go 写的搜索引擎,Bleve,不过好像不支持中文分词。

悟空不是一个完整的搜索引擎,我也从来不打算让它变完整。我只想写一些容易被修改的、能融入你的业务需求的基础代码,这些代码只实现基本功能,同时也足够精简,让你能了然于心,可以快速修改实现你想要的功能。换句话说,你只要花一天时间就可以熟悉悟空的代码,让它成为你自己的搜索引擎。

InfoQ:能否介绍一下悟空搜索引擎应用到高并发和大数据量场景下,可能会出现的性能瓶颈?以及有哪些优化手段?

陈辉:目前悟空的索引结构都是基于内存的,单机的内存大小成为瓶颈。解决方式有两个,一是引入 SSD 等存储,二是分布到多台机器上。我比较倾向于后者,因为内存会越来越便宜。

InfoQ:悟空搜索引擎未来有什么开发计划?

陈辉:如果有时间,可能会加入 docker 的支持。

如果你想了解更多关于悟空搜索引擎,这里有.NET 社区知名开发者 Oren Eini 的一篇探索它代码的文章,感兴趣的读者可以阅读。

2015-09-02 00:2812474
用户头像

发布了 164 篇内容, 共 111.5 次阅读, 收获喜欢 392 次。

关注

评论

发布
暂无评论
发现更多内容

网络安全之渗透实战学习

网络安全学海

网络安全 信息安全 渗透测试 WEB安全 安全漏洞

工信部等三部委:推进区块链等新一代信息技术在养老场景集成应用

CECBC

区块链专利正从量向质转变 智慧金融、医疗健康和能源三领域质量最高

CECBC

029云原生之开发工具介绍

穿过生命散发芬芳

云原生 10月月更

浪潮云说丨构建全域业务联动枢纽,挖掘数据要素创新价值

云计算

打破数据壁垒,北鲲云超算混合云模式激活人工智能数据价值

北鲲云

产学互为表里,携手方见大道:华为云AI院长峰会的价值思考

脑极体

无人驾驶与环卫革命

脑极体

学生管理系统架构和微信业务架构

Geek_nlp小咖

微信 架构 微信业务架构 学生管理系统架构

打破 Serverless 落地边界,阿里云 SAE 发布 5 大新特性

阿里巴巴云原生

阿里云 Serverless 云原生 Serverless Kubernetes

架构实战营 - 第三期 - 模块一作业

lucian

架构实战营

微信朋友圈高性能复杂度分析

deng

架构实战营

使用 Spring Boot 和 @WebMvcTest 测试 MVC Web Controller

码语者

Java Spring Boot test

通过题目来讲一讲指令系统相关知识 1 | 计算机组成与系统结构专题

Regan Yue

计算机组成原理 10月月更

架构训练营-第一周作业

焦龙

架构实战营

精细运营|营销获客自动化‘攻心’

海比研究院

CRM

这才是责任链模式的优雅使用方式

Tom弹架构

Java 架构 设计模式

资讯|WebRTC M94 更新

网易云信

大前端 chrom

模块一作业

hpl

模块2总结

Asha

架构实战营

自定义ViewGroup的触摸反馈

Changing Lin

10月月更

借助人工智能、区块链 传统农业告别“靠天吃饭”

CECBC

微信业务架构图

罗赟

「架构实战营」

RubyInstaller 在 Windows 环境下的安装

HoneyMoose

官方线索 | 1024新华三服务器性能调优挑战赛

穿过生命散发芬芳

1024我在现场

微信业务+学生毕设架构设计

慧慧Alina酱

如何在新消费时代提升开店数量和营业额

石云升

学习笔记 10月月更

你正在选择实时互动云服务?以下是关于安全合规的七个建议

声网

人工智能 数据安全

Jekyll 运行的时候提示错误 cannot load such file -- webrick (LoadError)

HoneyMoose

空调可视化运营中心,赋能精细化运营管理

ThingJS数字孪生引擎

模块2

Asha

悟空:用Go语言编写的全文搜索引擎_架构_徐川_InfoQ精选文章