音乐搜索的极致
唐福林
tangfulin@gmail.com
http://blog.fulin.org

目录

项目简介

需求描述

搜索实现

查询示例

持续改进

项目简介 (1/3)

中国移动

12530

咪咕

Miniportal

搜索

Out source : edadao

项目简介 (2/3)

时间： 2009 年 9 月 12 日到 10 月 22 日

地点：成都，郫县，犀浦，移动音乐基
地

参与人员：

需求提供： wangquanli@12530,
zhengchangsong@12530

开发人员： mike,tangfulin,xww,wanghui

特别贡献： dave

项目简介 (3/3)

部署情况：

位置：移动音乐基地，西区枢纽机房

机器：

建索引： 227.98

搜索： 227.221

Dual­Core AMD Opteron(tm) Processor 8218 2.6G * 8

8G mem

Red Hat Enterprise Linux Server release 5.3 (Tikanga)

Linux 2.6.18­128.el5PAE #1 SMP i686 athlon GNU/Linux

索引大小： 3 个索引目录共 1.2G

流量：

机器负载情况：

需求描述

搜索字段：歌手，歌曲，专辑，歌词

搜索方式：

精确匹配

前缀匹配

分词匹配

模糊匹配

拼音全量匹配

拼音首字母匹配

拼音同音匹配

拼音纠错匹配

关键词提示：
•
搜索框下拉提示
•
纠错提示

需求－精确匹配

规则：精确匹配或过滤所有特殊字符后精
确匹配

单个字段：

歌手：阿唬 , 80 前后

歌曲：爱情 BT 大讲堂

专辑： Alive!

多个字段联合：

歌手名＋歌曲名：刘德华 今天

歌手名＋专辑名：许茹芸 爱 . 旅行 . 一公里

需求－前缀匹配

规则：过滤所有特殊字符后前缀匹配

单个字段：

歌手：刘德，张学

歌曲：

专辑：

需求－分词匹配

规则：过滤所有特殊字符后分词匹配

单个字段：

歌手：德华，杰伦，学友

歌曲：

专辑：

歌词：

多个字段联合：先 Must ，再 Should

歌手名＋歌曲名＋专辑名：

歌手名＋专辑名：

需求－模糊匹配

规则：一定模糊度的词匹配（注：很
慢）

单个字段：

歌手：刘大华

歌曲： beautful, califonia

专辑：

需求－拼音全量匹配

规则：用户输入拼音匹配

单个字段：

歌手： liudehua, zhangxueyou

歌曲：

专辑：

需求－拼音首字母匹配

规则：用户输入拼音首字母匹配

单个字段：

歌手： ldh, zxy

歌曲：

专辑：

需求－拼音同音匹配

规则：用户拼音输入法，输入错误的同
音字匹配

单个字段：

歌手：柳的话，两用器

歌曲：

专辑：

需求－拼音纠错匹配

规则：用户拼音输入法输入错误的字，
或直接输入错误的拼音

n­l,h­f,z­zh,c­ch,s­sh,an­ang,en­eng,in­ing

单个字段：

歌手：牛德华， niudehua

歌曲：

专辑：

搜索实现

建索引策略

冗余字段

中文将拼音，首字母也建进索引里

搜索 Query 策略

弃用多次查询的策略

采用多个 Query 拼装成一个
BooleanQuery ，设置不同的权值，
一次查询的策略

搜索实现：建索引策略 (1/2)

歌手： singer_name

singer_name_save: 保存字段， trim 后，原封不动

singer_name_filtered: 过滤字段，过滤所有的特殊字符，转小写

singer_name_analyzed: 分词字段

singer_name_notanalyzed: 不分词字段，前缀匹配使用

singer_name_full: 拼音全量字段

singer_name_first: 拼音首字母字段

歌曲： song_name

专辑： album_name

搜索实现：建索引策略 (2/2)

关键词： keyword

所有的歌手名，歌曲名，专辑名，
歌手＋歌曲，歌手＋专辑，都视为
关键词

单独一个索引文件

供下拉提示和搜索无结果时的纠错
提示使用

也提供拼音全量，拼音首字母，拼
音纠错等功能

搜索实现：搜索策略 (1/6)

策略列表：
1. 精确匹配：歌手，歌曲，专辑，不分词字段，去掉前后多余空格，精确匹配
2. 过滤后的精确匹配：歌手，歌曲，专辑，过滤字段，去掉所有特殊字符，英文转成小
写，精确匹配
3. 拼音全量匹配：歌手，歌曲，专辑，拼音全量字段，去掉所有非英文字符，英文转成小
写，精确匹配
4. 同音纠错匹配：歌手，歌曲，专辑，拼音全量字段，只对含中文的搜索词使用，中文转
拼音，英文转小写，去掉所有特殊字符，精确匹配
5. 拼音首字母匹配：歌手，拼音首字母字段，中文转拼音首字母，英文转小写，去掉所有
特殊字符，精确匹配
6. 前缀匹配：歌手，歌曲，专辑，不分词字段，去掉前后多余空格，英文转小写，前缀匹
配
7. 分词 Must 匹配：歌手，歌曲，专辑，（歌词），分词字段，分词，词之间使用 Must 连
接，分词匹配

搜索实现：搜索策略 (2/6)

策略列表（续）：
1. 分词 Should 匹配：歌手，歌曲，专辑，（歌词），分词字段，分词，词之间使用
Should 连接，分词匹配
2. 合并分词 (must) 匹配：歌手＋歌曲＋专辑 分词字段，分词，（当前使用 must 连
接），分词匹配
3. 合并分词 (should) 匹配：歌手＋歌曲＋专辑 分词字段，分词，（当前使用 Should 连
接），分词匹配
4. 拼音纠错匹配查询（忽略掉鼻音等） : 歌手，歌曲，专辑，分词字段，去掉前后多余空
格，英文转小写 .
5. 中文模糊匹配 ，中文时模糊度： 0.65: 歌手，歌曲，专辑，分词字段，去掉前后多余空
格，英文转小写 .
6. 英文模糊匹配，英文模糊度： 0.85: 歌手，歌曲，专辑，分词字段，去掉前后多余空
格，英文转小写 .

搜索实现：搜索策略 (3/6)

精度选择

只搜索精确匹配结果

精确匹配，过滤后精确匹配，前缀匹配

拼音全量，首字母

分词全部命中

只搜索模糊匹配结果

分词部分命中

同音纠错，拼音纠错

模糊匹配

去掉精确匹配的结果

搜索全部结果

搜索实现：搜索策略 (4/6)

字段选择

只搜索歌手

只搜索歌曲

只搜索专辑

只搜索歌词

搜索关键词字段

搜索全部字段（暂时不包括关键词
和歌词）

搜索实现：搜索策略 (5/6)

设置权值

将所有的策略置入一个有序列表中

列表中相邻的两个策略之间权值相差常数倍（当前
设置为 10 ）。过大可能会导致 lucene 评分溢出，过
小可能会导致不同策略命中的结果集重叠

调整列表中策略的先后次序以调整结果集中各种命
中的出现顺序

二级权值：在搜索全部的时候，歌手 > 歌曲 > 专
辑，所以需要在同一个策略内部再设置字段权值

中文分词命中的权值设置： Lucene 默认打分策略
中，并没有考虑命中的词的长度。为了优先显示长
的词命中的结果，对分词 Query 中每个词根据长度
设置不同的权值

搜索实现：搜索策略 (6/6)

索引文件划分

搜索歌曲索引

搜索专辑索引

搜索关键词索引

排序策略

编辑置顶

Lucene 评分

业务量（点击，订阅，播放等）

关键词词频

搜索示例

歌曲索引，全部字段，精确搜索

搜 刘德华，结果条数： 329

QUERY:(((singer_name_notanslysis: 刘德华 ^9.0
song_name_notanslysis: 刘德华 ^4.0 album_name_notanslysis: 刘德
华 ))^10000.0) (((singer_name_filtered: 刘德华 ^9.0 song_name_filtered:
刘德华 ^4.0 album_name_filtered: 刘德华 ))^1000.0)
(((singer_name_filtered: 刘德华 *^9.0 song_name_filtered: 刘德华 *^4.0
album_name_filtered: 刘德华 *))^100.0) ((((((+singer_name_anslysis: 刘
德华 +singer_name_anslysis: 德华 )^9.0) ((+song_name_anslysis: 刘德
华 +song_name_anslysis: 德华 )^4.0) (+album_name_anslysis: 刘德华
+album_name_anslysis: 德华 ))))^10.0) ((((+singer_song_album: 刘德华
+singer_song_album: 德华 ))))

搜索示例

歌曲索引，全部字段，精确搜索

搜 ldh ，结果条数： 401 （命中刘德华，刘大浩等）

QUERY:(((singer_name_notanslysis:ldh^9.0
song_name_notanslysis:ldh^4.0
album_name_notanslysis:ldh))^1000.00006)
(((singer_name_filtered:ldh^9.0 song_name_filtered:ldh^4.0
album_name_filtered:ldh))^100.00001) (((singer_name_full:ldh^9.0
song_name_full:ldh^4.0 album_name_full:ldh))^10.000001)
(((singer_name_first:ldh))^1.0000001) (((singer_name_filtered:ldh*^9.0
song_name_filtered:ldh*^4.0 album_name_filtered:ldh*))^0.10000001)
((((((+singer_name_anslysis:ldh)^9.0) ((+song_name_anslysis:ldh)^4.0)
(+album_name_anslysis:ldh))))^0.010000001)
(((((+singer_song_album:ldh))))^0.0010)

搜索示例

歌曲索引，全部字段，精确搜索

搜 liudehua ，结果条数： 324 （歌名《我不是刘德华》无法命中）

QUERY:(((singer_name_notanslysis:liudehua^9.0
song_name_notanslysis:liudehua^4.0
album_name_notanslysis:liudehua))^1000.00006)
(((singer_name_filtered:liudehua^9.0 song_name_filtered:liudehua^4.0
album_name_filtered:liudehua))^100.00001)
(((singer_name_full:liudehua^9.0 song_name_full:liudehua^4.0
album_name_full:liudehua))^10.000001)
(((singer_name_filtered:liudehua*^9.0 song_name_filtered:liudehua*^4.0
album_name_filtered:liudehua*))^1.0000001)
((((((+singer_name_anslysis:liudehua)^9.0)
((+song_name_anslysis:liudehua)^4.0)
(+album_name_anslysis:liudehua))))^0.10000001)
(((((+singer_song_album:liudehua))))^0.010000001)
(((singer_name_first:liudehua))^0.0010)

搜索示例

歌曲索引，全部字段，模糊搜索

搜 刘德华，结果条数： 44 （命中爱德华，杨德华等）

QUERY:­((((singer_name_notanslysis: 刘德华 ^9.0 song_name_notanslysis: 刘德华 ^4.0
album_name_notanslysis: 刘德华 ))^10000.0) (((singer_name_filtered: 刘德华 ^9.0
song_name_filtered: 刘德华 ^4.0 album_name_filtered: 刘德华 ))^1000.0)
(((singer_name_filtered: 刘德华 *^9.0 song_name_filtered: 刘德华 *^4.0
album_name_filtered: 刘德华 *))^100.0) ((((((+singer_name_anslysis: 刘德华
+singer_name_anslysis: 德华 )^9.0) ((+song_name_anslysis: 刘德华 +song_name_anslysis:
德华 )^4.0) (+album_name_anslysis: 刘德华 +album_name_anslysis: 德华 ))))^10.0)
((((+singer_song_album: 刘德华 +singer_song_album: 德华 ))))) +(((((singer_song_album:
刘德华 ^9.0 singer_song_album: 德华 ^4.0)))^10000.0) (((((singer_name_anslysis: 刘德华
^9.0 singer_name_anslysis: 德华 ^4.0)^9.0) ((song_name_anslysis: 刘德华 ^9.0
song_name_anslysis: 德华 ^4.0)^4.0) (album_name_anslysis: 刘德华 ^9.0
album_name_anslysis: 德华 ^4.0)))^1000.0) (((((singer_name_full:liudehua)^9.0)
((song_name_full:liudehua)^4.0) (album_name_full:liudehua)))^100.0) ((())^10.0)
((singer_name_anslysis: 刘德华 ~0.65^9.0 song_name_anslysis: 刘德华 ~0.65^4.0
album_name_anslysis: 刘德华 ~0.65)))

搜索示例

歌曲索引，全部字段，模糊搜索

搜 牛德华，结果条数： 840 （命中刘德华，爱德华，杨德华等）

QUERY:­((((singer_name_notanslysis: 牛德华 ^9.0 song_name_notanslysis: 牛德华 ^4.0
album_name_notanslysis: 牛德华 ))^10000.0) (((singer_name_filtered: 牛德华 ^9.0
song_name_filtered: 牛德华 ^4.0 album_name_filtered: 牛德华 ))^1000.0)
(((singer_name_filtered: 牛德华 *^9.0 song_name_filtered: 牛德华 *^4.0
album_name_filtered: 牛德华 *))^100.0) ((((((+singer_name_anslysis: 牛
+singer_name_anslysis: 德华 )^9.0) ((+song_name_anslysis: 牛 +song_name_anslysis: 德
华 )^4.0) (+album_name_anslysis: 牛 +album_name_anslysis: 德华 ))))^10.0)
((((+singer_song_album: 牛 +singer_song_album: 德华 ))))) +(((((singer_song_album: 牛
singer_song_album: 德华 ^4.0)))^10000.0) (((((singer_name_anslysis: 牛
singer_name_anslysis: 德华 ^4.0)^9.0) ((song_name_anslysis: 牛 song_name_anslysis: 德华
^4.0)^4.0) (album_name_anslysis: 牛 album_name_anslysis: 德华 ^4.0)))^1000.0)
(((((singer_name_full:niudehua)^9.0) ((song_name_full:niudehua)^4.0)
(album_name_full:niudehua)))^100.0) ((())^10.0) ((singer_name_anslysis: 牛德华 ~0.65^9.0
song_name_anslysis: 牛德华 ~0.65^4.0 album_name_anslysis: 牛德华 ~0.65)))

搜索示例

歌曲索引，全部字段，模糊搜索

搜 niudehua ，结果条数： 324

QUERY:­((((singer_name_notanslysis:niudehua^9.0 song_name_notanslysis:niudehua^4.0
album_name_notanslysis:niudehua))^1000.00006) (((singer_name_filtered:niudehua^9.0
song_name_filtered:niudehua^4.0 album_name_filtered:niudehua))^100.00001)
(((singer_name_full:niudehua^9.0 song_name_full:niudehua^4.0
album_name_full:niudehua))^10.000001) (((singer_name_filtered:niudehua*^9.0
song_name_filtered:niudehua*^4.0 album_name_filtered:niudehua*))^1.0000001)
((((((+singer_name_anslysis:niudehua)^9.0) ((+song_name_anslysis:niudehua)^4.0)
(+album_name_anslysis:niudehua))))^0.10000001)
(((((+singer_song_album:niudehua))))^0.010000001)
(((singer_name_first:niudehua))^0.0010)) +(((((singer_song_album:niudehua^64.0)))^1000.0)
(((((singer_name_anslysis:niudehua^64.0)^9.0) ((song_name_anslysis:niudehua^64.0)^4.0)
(album_name_anslysis:niudehua^64.0)))^100.0) (((((singer_name_full:niudefua
singer_name_full:liudehua)^9.0) ((song_name_full:niudefua song_name_full:liudehua)^4.0)
(album_name_full:niudefua album_name_full:liudehua)))^10.0)
((singer_name_anslysis:niudehua~0.85^9.0 song_name_anslysis:niudehua~0.85^4.0
album_name_anslysis:niudehua~0.85)))

搜索示例

歌曲索引，歌手字段，精确搜索

搜 杰伦，结果条数： 270

QUERY:(((singer_name_notanslysis: 杰伦 ))^1000.0) (((singer_name_filtered: 杰伦 ))^100.0)
(((singer_name_filtered: 杰伦 *))^10.0) ((((+singer_name_anslysis: 杰伦 ))))

搜索示例

歌曲索引，歌曲字段，模糊搜索

搜 li ，结果条数： 117 （命中 你 ）

QUERY:­((((song_name_notanslysis:li))^10000.0) (((song_name_filtered:li))^1000.0)
(((song_name_full:li))^100.0) (((song_name_filtered:li*))^10.0)
((((+song_name_anslysis:li))))) +(((((song_name_anslysis:li^4.0)))^100.0)
((((song_name_full:ni)))^10.0) ((song_name_anslysis:li~0.85)))

搜索示例

关键词索引，搜索歌曲

搜 liu ，结果：

流浪 流星 留恋 六月雪 浏阳河 流浪狗 流浪者之歌 留不住你的温柔

QUERY:+keyword_type:2 ­keyword_word_notanslysis:liu +
(((keyword_word_filtered:liu*)^100.0) ((keyword_word_full:liu*)^100.0)
((keyword_word_first:liu*)^100.0))

搜索示例

关键词索引，搜索歌手

搜 liu ，结果：

刘德华 刘冠群 刘亦敏 刘韵 刘若英 刘基俊 刘益中 刘芳 刘庆

QUERY:+keyword_type:1 ­keyword_word_notanslysis:liu +
(((keyword_word_filtered:liu*)^100.0) ((keyword_word_full:liu*)^100.0)
((keyword_word_first:liu*)^100.0))

搜索示例

关键词索引，搜索全部字段

搜 zhoujie ，结果：（有歌手＋歌曲的命中）

周杰伦 周杰磊 周杰伦我求求你了 周杰伦传递祝福 周杰伦春节祝福 周杰伦情人节祝福

周杰伦 蒲公英的约定

周杰伦 最长的电影

周杰伦 阳光宅男

周杰伦 甜甜的

QUERY:+(keyword_type:1 keyword_type:2 keyword_type:3)
­keyword_word_notanslysis:zhoujie +(((keyword_word_filtered:zhoujie*)^100.0)
((keyword_word_full:zhoujie*)^100.0) ((keyword_word_first:zhoujie*)^100.0))

搜索示例

关键词索引，搜索全部字段

搜 柳的话，结果：（拼音同音命中）

刘德华 留得华

刘德华 冰雨

刘德华 中国人

刘德华 幸福这么远那么甜

刘德华 百分百好戏

刘德华 笑着哭

刘德华 谢谢你的爱

刘德华 爱你一万年

刘德华 情义俩心坚

QUERY:+(keyword_type:1 keyword_type:2 keyword_type:3) ­keyword_word_notanslysis:
柳的话 +(((keyword_word_filtered: 柳的话 *)^100.0)
(((keyword_word_full:liudehua*)^100.0) ((keyword_word_full:liudihua*)^100.0)))

持续改进

性能调优： resin ，内存， cache

汉字转拼音：多音字，特殊符号

拼音纠错：另一种思路，标准化 vs 排列组合

关键词： Trie 树，按词频排序，加入歌词数据

业务要求以频繁更新的业务量作为排序依据

标签搜索：新需求

搜索关键词，保持先后顺序

自定义打分算法的尝试

Lucene 升级到 2.9.1 ， bug 1974 ， explain 显示 0 或者 NaN

显示时最佳片段截取， html 实体截断问题

标红，按策略的山寨标红与 Lucene 自带标红的优劣比较及取舍

性能调优
•
目标：单台机器，百万数量级的索引， 1000 个并发
下， 99% 0.5 秒内返回
•
优势：
•
索引更新不是很频繁，可以忽略不计
•
服务器性能不错， 8cpu ， 8G 内存
•
劣势：
•
并发大，返回时间 0.5 秒要求太苛刻
•
一期代码有很多不合理的地方
•
项目时间紧张
•
使用了 resin 作为容器，有太多不可控因素

汉字转拼音
•
Pinyin4j 的词库
•
自己整理的多音字表
•
当前将所有多音字的组合都建在索引里
•
莫文蔚： mowenwei, mowenyu
•
优点：保证能查到
•
缺点：输入 mowenyu 能查到莫文蔚，而且一个歌
名中如果有好几个多音字，排列组合的数量比较
可观
•
拼音首字母，而不是拼音声母
•
张学友： zxy ，不是 zhxy

拼音纠错
•
规则：
•
n­l,h­f,z­zh,c­ch,s­sh,an­ang,en­eng,in­ing (on­ong)
•
当前实现：
•
将用户输入的搜索词中的每个出现，依次替换成对应的纠
错，联合成一个 Should Query
•
如： liudehua: niudehua, liudefua
•
另一种思路：标准化
•
规定规则中的替换只能单向： n­>l,z­>zh 等
•
在索引中增加一个标准化拼音字段，如曾经最美，该字段
存储的值为 chengjingzhuimei
•
用户输入关键词，也经过同样的标准化后，在该字段进行
查询

关键词
•
关键词当前使用 Lucene 的索引前缀查询的方式实现
•
也包括拼音，首字母，纠错等 Query
•
本来还有模糊查询的 Query ，但后来发现太影响查询
速度了，于是就暂时去掉了
•
当前没有把歌词数据建到关键词索引中去。如果把歌
词建进去，这个索引就太大了，必须要进行分拆
•
考虑使用 Trie 树：
•
多棵树，拼音，首字母，中文需要各自建树
•
模糊查询的问题

排序 vs 更新
•
业务需求希望能以歌曲的业务量（播放，下载等量）
作为排序的一个依据
•
意味着需要频繁的更新索引，而且为了更新这样一个
数字字段，需要将整个文档删除重新添加，不划算
•
打算重载 Lucene 的 Collection 类，自己实现排序字
段值的加载，不从索引里面读取
•
问题： 2.4 与 2.9 在这个地方的实现上有很大的不
同，没法无缝切换

标签搜索
•
固定维度的标签，编辑填写，非用户产生内容
•
如：奥运，免费，铃声，开心，悲伤等
•
关键是产品设计，非技术实现
•
参考： google 泡泡挑歌

保持搜索关键词的顺序
•
延后实现的一个需求
•
只命中跟用户输入的多个关键词之间的顺序一致的结果
•
如：
•
用户输入 “谢谢 爱”命中“谢谢你的爱”，但输入
“爱 谢谢”不命中
•
用户输入 “眼睛 背叛 心”命中“你的眼睛背叛了
你的心”，但输入“心 背叛 眼睛”不命中
•
实现：
•
分词命中，无法保留顺序信息
•
模糊查询，效率太差
•
？？？

打分算法
 需求：
• 产品人员对 Lucene 打分算法的不理解，要求单纯的以某一个
依据来进行排序，如命中的词的个数
• 拼多个 Query 查询的副作用：多个 Query 的评分累加得到的
最后得分，会导致各个 Query 的命中结果重叠（想法：把
累加改成取最大值？）
• 一个想法：同样的分词命中，命中较长的词的结果排前面
 教训：
• 没有金刚钻，别揽瓷器活！不要轻易的去改 Lucene 的评分算法

Lucene 版本的选择
•
首选 2.9.0
•
Bug 1974 ：
https://issues.apache.org/jira/browse/LUCENE­1974
•
换成了 2.4.1
•
为了性能及长远打算，还是希望换回 2.9.1
•
Explain 函数调用返回评分 0 或 NaN

摘要截取
•
Miniportal 空间有限，歌曲，专辑，甚至歌手名都可
能需要截断
•
截断时需要考虑标红问题
•
截断时需要考虑 html 实体的问题

标红
•
Lucene 标红的优点与不足
•
优点：正统，可升级
•
缺点：不能满足需求，前缀标红，拼音标红等
•
山寨标红
•
按照每种 Query 进行相应的标红，最后合并
•

更多讨论
http://blog.fulin.org