面试官：请你谈谈用Redis实现一个轻量级的搜索引擎！

桃扇骨 2023-01-19 15:49 26阅读 0赞

![e26ca1622f6a2213bf8441eb5b7ea5bd.gif][]

![9c931220df3194a8366121c6b30e425c.png][]

大家如果是做后端开发的，想必都实现过列表查询的接口，当然有的查询条件很简单，一条 SQL 就搞定了。

但有的查询条件极其复杂，再加上库表中设计的各种不合理，导致查询接口特别难写，然后加班什么的就不用说了（不知各位有没有这种感受呢~）。

下面以一个例子开始，这是某购物网站的搜索条件，如果让你实现这样的一个搜索接口，你会如何实现？

当然你说借助搜索引擎，像 Elasticsearch 之类的，你完全可以实现。但我这里想说的是，如果要你自己实现呢？

![173b77e0534b83302d0ac9d4c116a2db.png][]

从上图中可以看出，搜索总共分为 6 大类，每大类中又分了各个子类。

这中间，各大类条件之间是取的交集，各子类中有单选、多选、以及自定义的情况，最终输出符合条件的结果集。

好了，既然需求很明确了，我们就开始来实现。

实现 1

率先登场是小 A 同学，他是写 SQL 方面的“专家”。小 A 信心满满的说：“不就是一个查询接口吗？看着条件很多，但凭着我丰富的 SQL 经验，这点还是难不倒我的。”

于是乎就写出了下面这段代码（这里以 MySQL 为例）：

select ... from table_1
    left join table_2
    left join table_3
    left join (select ... from table_x where ...) tmp_1
    ...
    where ...
    order by ...
    limit m,n

代码在测试环境跑了一把，结果好像都匹配上了，于是准备上预发。这一上预发，问题就开始暴露出来。

预发为了尽可能的逼真线上环境，所以数据量自然而然要比测试大的多。所以这么一个复杂的 SQL，它的执行效率可想而知。测试同学果断把小 A 的代码给打了回来。

实现 2

总结了小 A 失败的教训，小 B 开始对 SQL 进行了优化，先是通过了 explain 关键字进行 SQL 性能分析，对该加索引的地方都加上了索引。

同时将一条复杂 SQL 拆分成了多条 SQL，计算结果在程序内存中进行计算。

伪代码如下：

$result_1 = query('select ... from table_1 where ...');
    $result_2 = query('select ... from table_2 where ...');
    $result_3 = query('select ... from table_3 where ...');
    ...
    
    $result = array_intersect($result_1, $result_2, $result_3, ...);

这种方案从性能上明显比第一种要好很多，可是在功能验收的时候，产品经理还是觉得查询速度不够快。

小 B 自己也知道，每次查询都会向数据库查询多次，而且有些历史原因，部分条件是做不到单表查询的，所以查询等待的时间是避免不了的。

实现 3

小 C 从上面的方案中看到了优化的空间。他发现小 B 在思路上是没问题的，将复杂条件拆分，计算各个子维度的结果集，最后将所有的子结果集进行一个汇总合并，得到最终想要的结果。

于是他突发奇想，能否事先将各个子维度的结果集给缓存起来，这要查询的时候直接去取想要的子集，而不用每次去查库计算。

这里小 C 采用 Redis 来存储缓存数据，用它的主要原因是，它提供了多种数据结构，并且在 Redis 中进行集合的交并集操作是一件很容易的事情。

具体方案，如图所示：

![9879cb3464ad10bf7a9ab368c802eaf2.png][]

这里每个条件都事先将计算好的结果集 ID 存入对应的 Key 中，选用的数据结构是集合（Set）。

查询操作包括：

*  **子类单选：**直接根据条件 Key，获取对应结果集。
 *  **子类多选：**根据多个条件 Key，进行并集操作，获取对应结果集。
 *  **最终结果：**将获取的所有子类结果集进行交集操作，得到最终结果。

这其实就是所谓的反向索引。这里会发现，漏了一个价格的条件。从需求中可知，价格条件是个区间，并且是无穷举的。

所以上述的这种穷举条件的 Key-Value 方式是做不到的。这里我们采用 Redis 的另一种数据结构进行实现，有序集合（Sorted Set）：

![956b46789820e791bf9e4495bd22db7f.png][]

将所有商品加入 Key 为价格的有序集合中，值为商品 ID，每个值对应的分数为商品价格的数值。

这样在 Redis 的有序集合中就可以通过 ZRANGEBYSCORE 命令，根据分数（价格）区间，获取相应结果集。

至此，方案三的优化已全部结束，将数据的查询与计算通过缓存的手段，进行了分离。

在每次查找时，只需要简单的查找 Redis 几次就能得出结果。查询速度上符合了验收的要求。

扩展

### **①分页** ###

###     ###

### 这里你或许发现了一个严重的功能缺陷，列表查询怎么能没有分页。是的，我们马上来看 Redis 是如何实现分页的。 ###

###     ###

### 分页主要涉及排序，这里简单起见，就以创建时间为例。如图所示： ###

![bebfeaa0a7f36ea4814914665df718cb.png][]

### 图中蓝色部分是以创建时间为分值的商品有序集合，蓝色下方的结果集即为条件计算而得的结果，通过 ZINTERSTORE 命令，赋结果集权重为 0，商品时间结果为 1，取交集而得的结果集赋予创建时间分值的新有序集合。 ###

### 对新结果集的操作即能得到分页所需的各个数据： ###

*  ### **页面总数为：**ZCOUNT 命令。 ###
 *  ### **当前页内容：**ZRANGE 命令。 ###
 *  ### **若以倒序排列：**ZREVRANGE命令。 ###

###     ###

### **②数据更新** ###

###     ###

### 关于索引数据更新的问题，有两种方式来进行。一种是通过商品数据的修改，来即时触发更新操作，一种是通过定时脚本来进行批量更新。 ###

###     ###

### 这里要注意的是，关于索引内容的更新，如果暴力的删除 Key，再重新设置 Key。 ###

###     ###

### 因为 Redis 中两个操作不会是原子性进行的，所以中间可能存在空白间隙，建议采用仅移除集合中失效元素，添加新元素的方式进行。 ###

###     ###

### **③性能优化** ###

###     ###

### Redis 是内存级操作，所以单次的查询会很快。但是如果我们的实现中会进行多次的 Redis 操作，Redis 的多次连接时间可能是不必要时间消耗。 ###

### 通过使用 MULTI 命令，开启一个事务，将 Redis 的多次操作放在一个事务中，最后通过 EXEC 来进行原子性执行。 ###

###     ###

### **注意：**这里所谓的事务，只是将多个操作在一次连接中执行，如果执行过程中遇到失败，是不会回滚的。 ###

总结

### 这里只是一个采用 Redis 优化查询搜索的一个简单 Demo，和现有的开源搜索引擎相比，它更轻量，学习成本页相应低些。 ###

### 其次，它的一些思想与开源搜索引擎是类似的，如果再加上词语解析，也可以实现类似全文检索的功能。 ###

![6e0aed8632e64cc1e57ebe6a7be01715.png][]

![f63d7098211e8eb5ac19845d82e8e53c.png][]

点个在看，吊打面试官

[e26ca1622f6a2213bf8441eb5b7ea5bd.gif]: /images/20221021/b55a04cef91c42ef9041c8e54ab24bb7.png
[9c931220df3194a8366121c6b30e425c.png]: /images/20221021/fc531259e1d245ac9e1b5517185a9b63.png
[173b77e0534b83302d0ac9d4c116a2db.png]: /images/20221021/2a4e4f5e87c849a1a76f453c8e713aa7.png
[9879cb3464ad10bf7a9ab368c802eaf2.png]: /images/20221021/dc1e7f35c5204d4eacbd59cfeb61ccb1.png
[956b46789820e791bf9e4495bd22db7f.png]: /images/20221021/263c21d567ac487eadc1a0e229dcd6f9.png
[bebfeaa0a7f36ea4814914665df718cb.png]: /images/20221021/97fcb1df3cb14cb9b4aa93d5636c4f18.png
[6e0aed8632e64cc1e57ebe6a7be01715.png]: /images/20221021/972793d5282a4aa89a92c2aef7e76eb0.png
[f63d7098211e8eb5ac19845d82e8e53c.png]: /images/20221021/17c65a8d452f423c8882042a35dfa704.png