搜索引擎优化 pdf(全文搜索什么是全文搜索引擎？搜索云项目不稳定)

　　搜索引擎优化 pdf(全文搜索什么是全文搜索引擎？搜索云项目不稳定)

　　近日，项目组安排了一项任务。项目中使用了基于 Solr 的全文搜索。但是Solr搜索云项目不稳定，经常查询不到数据，需要手动全同步。

　　而且还是由其他队伍维护，依赖性太强了。Solr服务一出故障，我们的项目就基本瘫痪了，因为所有的依赖查询都没有结果数据。

　　所以考虑开发一个适配层。如果 Solr 搜索失败，它会自动切换到新的搜索 ES。其实这个问题可以通过Solr集群或者服务容错设计来解决。

　　但是不管设计本身的合理性，leader需要开发，所以我从头开始搭建ES服务，因为之前没接触过ES，所以通过这个系列记录了我的开发过程。

　　本文的整体内容大致如下：

　　

　　由 ReyCG 精心绘制和提供

　　什么是全文搜索

　　什么是全文搜索引擎？百度百科中的定义：

　　全文搜索引擎是目前应用广泛的主流搜索引擎。它的工作原理是计算机索引程序扫描文章中的每个词，并为每个词建立一个索引，表明该词在文章中的数量和位置。当用户查询时，检索程序会根据预先建立的索引进行检索。搜索并将搜索结果反馈给用户的搜索方法。这个过程类似于通过字典中的搜索词列表查找字符的过程。

　　从定义上，我们已经可以大致了解全文检索的思想了。为了更详细的讲解，先从生活中的数据说起。

　　在我们的生活中有两种类型的数据：

　　当然，有些地方还会有第三种：半结构化数据，如XML、HTML等，可以根据需要处理为结构化数据，也可以提取纯文本作为非结构化数据处理。

　　根据两种数据类型，搜索分为结构化数据搜索和非结构化数据搜索两种。

　　对于结构化数据，我们一般可以通过关系数据库（MySQL、Oracle等）的表进行存储和搜索，或者创建索引。

　　对于非结构化数据，即搜索全文数据，主要有两种方法：

　　顺序扫描：也可以通过文字名称知道一般的搜索方式，即在顺序扫描中搜索特定的关键字。

　　比如给你一份报纸，找出报纸上“RNG”这个词出现在什么地方。您肯定需要从头到尾扫描报纸，然后标记关键字出现的部分以及出现的位置。

　　这种方法无疑是最耗时、效果最差的。如果报纸排版小，版面比较多，甚至是多份报纸，扫一眼后几乎是一样的。

　　全文搜索：非结构化数据的顺序扫描很慢。我们可以优化它吗？想办法让我们的非结构化数据有一定的结构还不够吗？

　　对非结构化数据中的部分信息进行提取、重组，使其具有一定的结构，然后对具有一定结构的数据进行搜索，从而达到比较快速搜索的目的。

　　这种方式构成了全文检索的基本思想。这部分信息是从非结构化数据中提取出来然后重新组织起来的，我们称之为索引。

　　以阅读报纸为例。我们要关注英雄联盟S8全球总决赛的消息。如果我们都是RNG的粉丝，如何快速找到RNG新闻的报纸和栏目？

　　全文检索法是从所有报纸的所有版块中提取关键词，如“EDG”、“RNG”、“FW”、“战队”、“英雄联盟”等。

　　然后对这些关键词进行索引，通过索引我们可以对应出现在关键词中的报纸和栏目。注意目录搜索引擎之间的区别。

　　为什么要使用全文搜索搜索引擎

　　之前有同事问我，为什么要用搜索引擎？我们所有的数据都在数据库中，Oracle、SQL Server等数据库也可以提供查询检索或聚类分析功能。直接通过数据库查询还不够吗？

　　事实上，我们的大部分查询功能都可以通过数据库查询获得。如果查询效率低，还可以通过建立数据库索引、优化SQL等方式来提高效率，甚至可以通过引入缓存来加速数据返回。

　　如果数据量较大，可以拆分数据库和表来分担查询压力。那为什么还需要全文搜索引擎呢？我们主要分析以下原因：

　　数据类型

　　全文索引搜索支持对非结构化数据的搜索，可以更好地快速搜索大量存在的任何词或词组的非结构化文本。

　　比如谷歌、百度等网站搜索，都是根据网页中的关键字生成索引的。当我们在搜索时输入关键字，他们会返回所有与关键字匹配的网页，即索引；还有常见的项目在应用程序日志中搜索等。

　　对于这些非结构化数据文本，关系数据库搜索没有得到很好的支持。

　　索引维护

　　在一般的传统数据库中，全文搜索是很鸡肋的，因为一般没有人使用数据清单文本字段。

　　全文搜索需要扫描整个表。如果数据量很大，即使优化了SQL语法，也收效甚微。

　　索引建立了，但是维护起来也很麻烦。将为插入和更新操作重建索引。

　　何时使用全文搜索引擎：

　　Lucene、Solr、ElasticSearch？

　　目前主流的搜索引擎大概有：Lucene、Solr、ElasticSearch。

　　

　　图片

　　他们的索引创建是根据倒排索引的方法来生成索引的，什么是倒排索引？

　　维基百科：倒排索引（英文：Inverted index），也常被称为倒排索引、倒排文件或倒排文件，是一种索引方法，用于在全文搜索下存储文档中的某个词或一个存储位置的映射。一套文件。它是文档检索系统中最常用的数据结构。

　　琉森

　　Lucene 是一个 Java 全文搜索引擎，完全用 Java 编写。Lucene 不是一个完整的应用程序，而是一个代码库和 API，可轻松用于向应用程序添加搜索功能。Lucene 通过简单的 API 提供了强大的功能：

　　可扩展的高性能指标：

　　强大、准确、高效的搜索算法：

　　跨平台解决方案：

　　Apache 软件基金会：

　　索尔

　　Apache Solr 是一个基于名为 Lucene 的 Java 库的开源搜索平台。它以用户友好的方式提供了Apache Lucene的搜索功能。

　　作为近十年的行业参与者，是一款成熟的产品，拥有强大而广泛的用户群体。

　　它提供分布式索引、复制、负载平衡查询以及自动故障转移和恢复。如果部署得当，管理得当，它可以成为一个高度可靠、可扩展、容错的搜索引擎。

　　许多互联网巨头，例如 Netflix、eBay、Instagram 和亚马逊 (CloudSearch) 都使用 Solr，因为它可以索引和搜索多个站点。

　　主要功能列表包括：

　　弹性搜索

　　Elasticsearch 是一个开源（Apache 2 许可）、基于 Apache Lucene 库的 RESTful 搜索引擎。

　　Elasticsearch 是在 Solr 几年后推出的。它提供了一个分布式、多租户全文搜索引擎，带有 HTTP Web 接口（REST）和非结构化 JSON 文档。

　　Elasticsearch 的官方客户端库提供 Java、Groovy、PHP、Ruby、Perl、Python、.NET 和 Javascript。

　　分布式搜索引擎收录

的索引可以分为段，每个段可以有多个副本。

　　每个 Elasticsearch 节点可以有一个或多个分片，它的引擎也可以充当协调器，将操作委托给正确的分片。

　　Elasticsearch 可以通过近乎实时的搜索进行扩展。它的主要功能之一是多​​租户。主要功能列表包括：

　　Elasticsearch 与 Solr 的选择

　　由于Lucene的复杂性，一般很少将其作为搜索的首选。排除部分公司需要自己开发搜索框架，底层需要依赖Lucene。

　　那么在这里我们重点讨论哪个更好？它们之间有什么区别？你应该使用哪一个？

　　

　　图片

　　历史比较

　　Apache Solr 是一个成熟的项目，拥有庞大而活跃的开发和用户社区，以及 Apache 品牌。

　　Solr 于 2006 年首次发布开源。它长期以来一直统治着搜索引擎领域，是任何需要搜索功能的人的首选引擎。

　　它的成熟转化为丰富的功能，而不仅仅是简单的文本索引和搜索；如分面、分组、强大的过滤、可插入的文档处理、可插入的搜索链组件、语言检测等。

　　Solr 多年来一直统治着搜索领域。然后，在 2010 年左右，Elasticsearch 成为市场上的另一种选择。

　　当时，它远不如 Solr 稳定，没有 Solr 的功能深度，没有分享想法，品牌推广等等。

　　Elasticsearch虽然很年轻，但也有自己的一些优势。Elasticsearch 建立在更现代的原则之上，针对更现代的用例，旨在更轻松地处理大型索引和高查询率。

　　另外，因为它太年轻，没有社区可以合作，它可以在没有任何共识或与其他人（用户或开发者）合作，向后兼容，或任何其他更成熟的软件通常必须处理的情况下自由前进。

　　所以在Solr之前就公开了一些非常流行的功能（比如near real-time search，英文：Near Real-Time Search）。

　　从技术上讲，NRT 搜索的能力确实来自 Lucene，它是 Solr 和 Elasticsearch 使用的基本搜索库。

　　具有讽刺意味的是，由于 Elasticsearch 首先公开了 NRT 搜索，人们将 NRT 搜索与 Elasticsearch 联系起来。

　　尽管 Solr 和 Lucene 是同一个 Apache 项目的一部分，但人们首先会期望 Solr 具有如此苛刻的功能。

　　功能差异对比

　　这两个搜索引擎都是流行的高级开源搜索引擎。它们都是围绕核心底层搜索库Lucene构建的，但又有所不同。

　　像所有事物一样，每个事物都有其优点和缺点，并且根据您的需求和期望，每个事物都可能更好或更糟。

　　Solr 和 Elasticsearch 都在快速发展，所以不多说，我们来看看它们之间的差异列表：

　　

　　图片