Документ представляет обзор различных open source решений для поиска на сайте, включая Elasticsearch, Solr и Sphinx, с акцентом на их функциональность и характеристики. Обсуждаются методы индексации, такие как инвертированный индекс и сегментированные индексы, а также важные аспекты поисковых запросов и их обработка. Упоминаются дополнительные функции, такие как автокоррекция, фасетная навигация и пространственный поиск, а также необходимость регулярной переиндексации для повышения производительности.

1. Поиск на своем сайте,
обзор open source решений
Алексей Рагозин

2. Поиск на своём сайте
• Искать SQLем по своей базе
o Вы наверное не слышали об альтернативах?
• Использовать поиск от /
o Отличный вариант для небольших сайтов
• Установить у себя поисковый движок
elasticserach сервер

3. Ингредиенты поиска
КОНТЕНТ / ДОКУМЕНТЫ
поисковые
ПОИСКОВЫЙ UI
запрос документы
парсер парсер
Индексный
спелчекер анализатор
движок
... стемер
результат
поиска
статистика

4. Поисковый документ
Термы
id:184647753295609857
author:pledbook tag:grails
tag:elasticserach text:look
text:use text:plugin
text:grails text:website
url:grails.org/plugin/...
Анализ документа: date:2012.03.27
токенизаиця , стеминг,
морфология, стоп-слова

5. Поисковый индекс
Типичная RDBMS
• Инвертированный индекс
• Индекс по одному полю или по композитному атрибуту
• Одно значение на атрибуту (full text – много значений)
• Обычно только один из индексов используется в select`е
• B-Tree – эффективная вставка/изменение

6. Поисковый индекс
Типичный поисковый движок
• Инвертированный индекс
• Все атрибуты в одном индексе
• Произвольное количество значений атрибута на документ
• Поиск происходит по всем атрибута запроса одним махом
• Интегрированное ранжирование
• Плотный бинарный формат индекса – read only

7. Поисковый запрос vs. SQL
SQL Поисковый запрос
• cложный запросы / joins • “плоский” select
• детерминированный • сложные комбинации
запрос атрибутов
• возвращает данные • нечёткие запросы
• ранжирование
• возвращает метаданные

8. Open Source
Lucene – библиотека / фреймворк - Java
• Solr – всё в одном, прицел на “enterprise”
• elasticsearch – простота
• IndexTank – crowd sourcing
Sphinx – скорость / простота - C++

9. Что нужно хотеть от поиска?
в дополнение к качественным
и релевантным результатам
• Фасетная навигация • Подсказки
(динамическая классификация) (автодополнение)
• Кластеризация • Пространственный поиск
• Автокоррекция • в т.ч. с фасетами
• “more like this”

10. Фасеты
Динамический набор
категорий
Активный фильтры
Число найденных документов
по запросу и фильтру

11. Кластеризация
Кластеры создаются
на основе текста
документов

12. Автокоррекция
n-gram индекс Нечёткий поиск
• Отдельный индекс для • Работает по основному
коррекции индексу
• Levinstein automata - Lucene

13. Подсказки
Похоже на автокоррекцию. Запрос “дописывается”
на основе словаря по индексу и дополняется
ключевыми словами на основе статистики.

14. Пространственный поиск
• Поддержка geodist – Lucene, Sphinx – зачёт
• Индекс по декартовой сетке - Solr

15. Что индексировать?
Файлы?
 Apache Tika – извлечение метаданных из файлов
определения типа контента
определение языка
определение кодовой страницы
Microsoft Office, Open Office, PDF, HTML, Unix mailbox, …
Достать тэги из mp3? - не вопрос

16. Что индексировать?
Индекс плоский, область поиска - не всегда
Каталог продуктов
• Джинсы Levis #559, индиго
• Джинсы Levis #559, индиго, размер 32x32
Что считать документом?

17. Когда индексировать?
Поисковые индексы нужно перестраивать
Периодическая переиндексация всех документов
• Динамические атрибуты (пример наличие на складе)
Сегментированный индекс
• Позволяет изменять набор документов без перестройки
всего индекса
• Требует регулярной “оптимизации” индекса

18. Индексные сегменты в Lucene
Логарифмическое слияние сегментов
#3 #5 #6
#7
#5
#2 #2 #4
#6 #6
#1 #1 #1 #1
Самые молодые сегменты можно не спешить писать на диск

19. Масштабирование
Производительность
• Упирается в CPU
• Сложные запросы могут быть очень CPU-ёмкими
Решение – несколько реплик индекса
• read-only файлы облегчают задачу

20. Масштабирование
Объём индекса
• Индекс должен помещаться в память
• Решение – партицирование индекса
• Каждая партиция выполняет скоринг независимо
• Результаты нужно агрегировать

21. Резюме: Lucene
• Фреймворк/библиотека
• Java API (нет сетевого интерфейса)
• Фундамент построения поисковой системы
• Встраиваемый (в т.ч. in-memory индексы)
• 3.x – примитивная модель ранжирования

22. Резюме: Solr
• Feature reach поиск из коробки
• Эффективная поддержка фасетов
• Кросс платформенные клиент (HTTP)
• Интеграция со многими CMS
• Управление распределённым индексом и репликацией
• Фокус - “enterprise” приложения
• ОБШИРНАЯ экосистема

23. Резюме: Sphinx
• Простой и быстрый
• Интеграция с MySQL
• Интеграция со многими CMS
• Базовый поисковый функционал
• DIY - фасеты, подсказки и т.п.
• Распределённый поиск (партицирование)

24. Резюме: elasticsearch
• Управление распределённым индексом
• Простой HTTP/JSON API
• Нет схемы
• Иcпользует Lucene, поиск, фасеты, “more like this”, …
• Фокус – простота и масштабируемость

25. Резюме: Index tank
Index tank появился как поисковый SaaS. После покупки
компании, код продукта был опубликован как open source.
• Фокус: социальный контент и crowd sourcing
• Ранжирование по динамическим атрибутам
(голоса, рейтинг и т.п.)
• Управление поисковым “облаком”

26. Спасибо
Алексей Рагозин
alexey.ragozin@gmail.com