現在人們的網絡生活已經離不開搜尋了，遇到不懂的問題，想知道的事情，搜尋一下，就知道答案。
在app中，最常見的搜尋情景就是搜尋使用者。隻有幾百，幾千的使用者量時，可以直接用用like這樣的模糊查詢，但是，如果資料有幾百萬，甚至上千萬的時候，一次like查詢資料庫就堵了。到了一定量級的時候，不得不考慮使用專門的搜尋技術。
有三行資料：
（1）近2周8成股民虧損超10%。
（2）滿倉中國夢。
（3）股民兩天虧一套三居。
例如，有個需求，從上面的3行資料中，把包含“股民”這個關鍵詞的資料找出來。
按照一般的做法，就是分别查找上面的每一行資料：
第一行資料從頭到尾查找一次，發現有“股民”這個關鍵詞。
第二行資料從頭到尾查找一次，沒有有“股民”這個關鍵詞。
第三行資料從頭到尾查找一次，發現有“股民”這個關鍵詞。
根據查找結果，第一，第三行資料包含“股民”這個關鍵詞。
按照上面的過程，每次查找，都需要把每行資料從頭到尾查一次。
如果需要從上百萬，千萬的資料中查找一個關鍵詞，讀者可以想象一下效率有多低。
我們看一下搜尋引擎的例子，在搜尋引擎搜尋“股民”這個關鍵詞的結果：
圖1
在搜尋引擎的搜尋結果中，是直接顯示了所有包含“股民”這個關鍵字的資料。
它是怎麼做到在海量的資訊中，快速搜尋中包含關鍵字的資訊的呢？
實作搜尋的關鍵，就是分詞和倒序索引。
如果我們知道每行資料中包含多少個關鍵字，然後建立一個映射表，把每個關鍵字出現在哪行資料中記錄下來，搜尋就變得很輕松。當知道一個關鍵字的時候，隻需要查找這個映射表，找到這個關鍵詞，根據這個關鍵詞建立的映射關系就能查到包含這個關鍵詞的資料。
知道每行資料中包含多少個關鍵字的過程，就是分詞。這裡有個問題，什麼是關鍵字？
關鍵字，其實就是一個詞語或句子，例如，當我有需要的時候，“股民”可以是搜尋的關鍵字，但是，“股”也可以是搜尋的關鍵字，“民”也可以是搜尋的關鍵字。什麼是關鍵字，要看使用者的需求。是以，為了能準确分析出一行資料到底包含多少個關鍵字，就需要一個包含了所有詞語或句子的詞典，用來分析資料中有什麼關鍵字。
建立一個映射表，把每個關鍵字出現在哪行資料中記錄下來，這個過程就是建倒序搜引。
下面舉個實際的例子，看看是怎麼分詞和建立倒序索引。
還是用回上面舉例的三行資料，左邊的是資料的編号，右邊的是資料的内容。
首先，把分析上面每行資料包含多少個關鍵詞（這裡為了簡化分詞過程，沒有把每個漢字或數字當成一個關鍵詞，例如，” 民”應該是個關鍵詞，但為了簡化分詞，沒有當成一個關鍵詞），結果如表1所示。
表1
下面根據表1的結果建立一個映射表表2，把每個關鍵字出現在哪行資料中記錄下來
表2
用上面的表2，我們很容易得知，“股民”這個關鍵詞在資料1,3中出現過。如果需要知道“中國”這個關鍵詞出現在哪，通過查找表2也很容易得知出現在資料2中。
在這麼幾行資料中，還不能體驗到倒序索引的高效。如果資料量到了上百萬，千萬，甚至上億，倒序索引的效率就非常明顯了。歸根到底，這種資料結構就是為了實作快速搜尋也建立的。
再進一步，表2的右側，除了記錄關鍵詞出現在哪行資料中，還能記錄在某行資料中出現的頻率，出現的位置等資訊，如果有興趣繼續深入了解搜尋引擎的技術，可閱讀《這就是搜尋引擎：核心技術詳解》（張俊林著），這篇文章隻是簡單介紹搜尋引擎的基本原理。
搜尋技術一點都不簡單，如果要我們從頭開始做，不知道要到哪年哪月才能用給app用上搜尋功能。幸好，大牛們已經為我們開源大量的搜尋軟體，隻要我們會使用這些搜尋軟體提供的api，就能給app背景整合搜尋技術。下面簡單介紹一下常見的搜尋軟體。
(1) Lucene
Lucene是apache軟體基金會4 jakarta項目組的一個子項目，是一個開放源代碼的全文檢索引擎工具包，即它不是一個完整的全文檢索引擎，而是一個全文檢索引擎的架構，提供了完整的查詢引擎和索引引擎，部分文本分析引擎（英文與德文兩種西方語言）。
Lucene的目的是為軟體開發人員提供一個簡單易用的工具包，以友善的在目标系統中實作全文檢索的功能，或者是以此為基礎建立起完整的全文檢索引擎。Lucene是一套用于全文檢索和搜尋的開源程式庫，由Apache軟體基金會支援和提供。Lucene提供了一個簡單卻強大的應用程式接口，能夠做全文索引和搜尋。在Java開發環境裡Lucene是一個成熟的免費開源工具。就其本身而言，Lucene是目前以及最近幾年最受歡迎的免費Java資訊檢索程式庫。
(2) Solr
Solr是一個高性能，采用Java5開發，基于Lucene的全文搜尋伺服器。同時對其進行了擴充，提供了比Lucene更為豐富的查詢語言，同時實作了可配置、可擴充并對查詢性能進行了優化，并且提供了一個完善的功能管理界面，是一款非常優秀的全文搜尋引擎。它對外提供類似于Web-service的API接口。使用者可以通過http請求，向搜尋引擎伺服器送出一定格式的XML檔案，生成索引；也可以通過Http Get操作提出查找請求，并得到XML格式的傳回結果。
(3) Elasticsearch
ElasticSearch是一個基于Lucene的搜尋伺服器。它提供了一個分布式多使用者能力的全文搜尋引擎，基于RESTful web接口。Elasticsearch是用Java開發的，并作為Apache許可條款下的開放源碼釋出，是第二流行的企業搜尋引擎。
(4) Sphinx
Sphinx是一個基于SQL的全文檢索引擎，可以結合MySQL,PostgreSQL做全文搜尋，它可以提供比資料庫本身更專業的搜尋功能，使得應用程式更容易實作專業化的全文檢索。Sphinx特别為一些腳本語言設計搜尋API接口，如PHP,Python,Perl,Ruby等，同時為MySQL也設計了一個存儲引擎插件。
(5) Coreseek
Coreseek 是一款中文全文檢索/搜尋軟體，以GPLv2許可協定開源釋出，基于Sphinx研發并獨立釋出，專攻中文搜尋和資訊處理領域，适用于行業/垂直搜尋、論壇/站内搜尋、資料庫搜尋、文檔/文獻檢索、資訊檢索、資料挖掘等應用場景，使用者可以免費下載下傳使用。
Coreseek曾經在本人架構過兩個app背景深度使用過，配置簡單，性能高效，整合了Sphinx和中文分詞，快速完成了搜尋子產品的開發。但最大的缺點是穩定版不支援實時索引，測試版是支援了，但沒在生産環境中用過。
Coreseek的原理如下圖3所示：
圖2
Coreseek有兩個核心子產品 Indexer和Search。
Indexer: 負責從mysql中拉取資料源，把資料源分詞，建立索引
Search：搜尋子產品
整個工程的流程如下：
1. Indexer子產品從mysql中拉取資料
2. Indexer子產品把資料經過中文分詞，建立索引
3. 用戶端向Search子產品發起搜尋請求
4. Seach子產品查找索引中的資料
5. Seach子產品得到索引中符合要求的資料的id等資料
6. 把資料傳回給用戶端
另外，有個小小的經驗分享，搜尋的時候，有的使用者直接通過輸入拼音來代替漢字的，如下圖2：
圖3
這種情況，就是要在記錄關鍵字的同時，也要記錄下關鍵字的拼音，把拼音也建索引，就能實作用拼音搜尋。
參考資料：
1. http://baike.baidu.com/link?url=rNBW3tzH-oJYeBoPSUvWZPGz-stIkE5zFQsjAtV234HFFPJKyeyr3dJjJrbZKRSCBg2NGZv-lA7DFqHF5XBEoq
4. http://www.coreseek.cn/
如何聯系我：【萬裡虎】www.bravetiger.cn
【QQ】3396726884 （咨詢問題100元起，幫助解決問題500元起）
【部落格】http://www.cnblogs.com/kenshinobiy/