solr入门之搜索建议的几种实现方式和最终选取实现思路

问题背景

搜索关键字智能提示是一个搜索应用的标配，主要作用是避免用户输入错误的搜索词，并将用户引导到相应的关键词上，以提升用户搜索体验。

美团CRM系统中存在数以百万计的商家，为了让用户快速查找到目标商家，我们基于solrcloud实现了商家搜索模块。用户在查找商家时主要输入 商户名、商户地址进行搜索，为了提升用户的搜索体验和输入效率，本文实现了一种基于solr前缀匹配查询关键字智能提示(Suggestion)实现。

需求分析

• 支持前缀匹配原则
  在搜索框中输入“海底”，搜索框下面会以海底为前缀，展示“海底捞”、“海底捞火锅”、“海底世界”等等搜索词；输入“万达”，会提示“万达影城”、“万达广场”、“万达百货”等搜索词。

• 同时支持汉字、拼音输入
  由于中文的特点，如果搜索自动提示可以支持拼音的话会给用户带来更大的方便，免得切换输入法。比如，输入“haidi”提示的关键字和输入“海底”提示的一样，输入“wanda”与输入“万达”提示的关键字一样。

• 支持多音字输入提示
  比如输入“chongqing”或者“zhongqing”都能提示出“重庆火锅”、“重庆烤鱼”、“重庆小天鹅”。

• 支持拼音缩写输入
  对于较长关键字，为了提高输入效率，有必要提供拼音缩写输入。比如输入“hd”应该能提示出“haidi”相似的关键字，输入“wd”也一样能提示出“万达”关键字。

• 基于用户的历史搜索行为，按照关键字热度进行排序
  为了提供suggest关键字的准确度，最终查询结果，根据用户查询关键字的频率进行排 序，如输入[重庆,chongqing,cq,zhongqing,zq] —> [“重庆火锅”(f1),“重庆烤鱼”(f2),“重庆小天鹅”(f3)，…]，查询频率f1 > f2 > f3。

解决方案

• 关键字收集
  当用户输入一个前缀时，碰到提示的候选词很多的时候，如何取舍，哪些展示在前面，哪些展示在 后面？这就是一个搜索热度的问题。用户在使用搜索引擎查找商家时，会输入大量的关键字，每一次输入就是对关键字的一次投票，那么关键字被输入的次数越多， 它对应的查询就比较热门，所以需要把查询的关键字记录下来，并且统计出每个关键字的频率，方便提示结果按照频率排序。搜索引擎会通过日志文件把用户每次检 索使用的所有检索串都记录下来，每个查询串的长度为1-255字节。

• 汉字转拼音
  用户输入的关键字可能是汉字、数字，英文，拼音，特殊字符等等，由于需要实现拼音提示，我们需要把汉字转换成拼音，java中考虑使用pinyin4j组件实现转换。

• 拼音缩写提取
  考虑到需要支持拼音缩写，汉字转换拼音的过程中，顺便提取出拼音缩写，如“chongqing”,"zhongqing"--->"cq",”zq”。

• 多音字全排列
  要支持多音字提示，对查询串转换成拼音后，需要实现一个全排列组合，字符串多音字全排列算法如下：

  public static List getPermutationSentence(List<list> termArrays,int start) {

  1.  
     if (CollectionUtils.isEmpty(termArrays))
  2.  
     return Collections.emptyList();
  3.  
      
  4.  
     int size = termArrays.size();
  5.  
     if (start < 0 || start >= size) {
  6.  
     return Collections.emptyList();
  7.  
     }
  8.  
      
  9.  
     if (start == size-1) {
  10.  
      return termArrays.get(start);
  11.  
      }
  12.  
       
  13.  
      List<String> strings = termArrays.get(start);
  14.  
       
  15.  
      List<String> permutationSentences = getPermutationSentence(termArrays, start + 1);
  16.  
       
  17.  
      if (CollectionUtils.isEmpty(strings)) {
  18.  
      return permutationSentences;
  19.  
      }
  20.  
       
  21.  
      if (CollectionUtils.isEmpty(permutationSentences)) {
  22.  
      return strings;
  23.  
      }
  24.  
       
  25.  
      List<String> result = new ArrayList<String>();
  26.  
      for (String pre : strings) {
  27.  
      for (String suffix : permutationSentences) {
  28.  
      result.add(pre+suffix);
  29.  
      }
  30.  
      }
  31.  
       
  32.  
      return result;

  }

• 索引与前缀查询

方案一 Trie树 + TopK算法
Trie树即字典树，又称单 词查找树或键树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计和排序大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频 统计。它的优点是：最大限度地减少无谓的字符串比较，查询效率比哈希表高。Trie是一颗存储多个字符串的树。相邻节点间的边代表一个字符，这样树的每条 分支代表一则子串，而树的叶节点则代表完整的字符串。和普通树不同的地方是，相同的字符串前缀共享同一条分支。例如，给出一组单词inn, int, at, age, adv, ant, 我们可以得到下面的Trie：

从 上图可知，当用户输入前缀i的时候，搜索框可能会展示以i为前缀的“in”，“inn”，”int"等关键词，再当用户输入前缀a的时候，搜索框里面可能 会提示以a为前缀的“ate”等关键词。如此，实现搜索引擎智能提示suggestion的第一个步骤便清晰了，即用trie树存储大量字符串，当前缀固 定时，存储相对来说比较热的后缀。

TopK算法用于解决统计热词的问题。解决TopK问题主要有两种策略：hashMap统计+排序、堆排序
hashmap 统计: 先对这批海量数据预处理。具体方法是：维护一个Key为Query字串，Value为该Query出现次数的HashTable，即 hash_map(Query，Value)，每次读取一个Query，如果该字串不在Table中，那么加入该字串，并且将Value值设为1；如果该 字串在Table中，那么将该字串的计数加一即可，最终在O(N)的时间复杂度内用Hash表完成了统计。
堆排序：借助堆这个数据结构，找出 Top K，时间复杂度为N‘logK。即借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此，维护一个K(该题目中是10)大小的小根堆，然后遍 历300万的Query，分别和根元素进行对比。所以，我们最终的时间复杂度是：O（N） + N‘ * O（logK），（N为1000万，N’为300万）。

该方案存在的问题是：

• 建索引和查询的时候都要把汉字转换成拼音，查询完成后还得把拼音转换成汉字显示，且需要考虑数字和特殊字符。
• 需要维护拼音、缩写两棵Trie树。

方案二 Solr自带Suggest智能提示
Solr作为一个应用广泛的搜索引擎系统，它内置了智能提示功能，叫做Suggest模块。该模块可选择基于提示词文本做智能提示，还支持通过针对索引的某个字段建立索引词库做智能提示。 (详见solr的wiki页面http://wiki.apache.org/solr/Suggester)

该方案存在的问题是：

• 返回的结果是基于索引中字段的词频进行排序，不是用户搜索关键字的频率，因此不能将一些热门关键字排在前面。
• 拼音提示，多音字，缩写还是要另外加索引字段。

方案三 Solrcloud建立单独的collection,利用solr前缀查询实现
如前所述，以上 两个方案在实施起来都存在一些问题，Trie树+TopK算法，在处理汉字suggest时不是很优雅，且需要维护两棵Trie树，实施起来比较复 杂；Solr自带的suggest智能提示组件存在问题是使用freq排序算法，返回的结果完全基于索引中字符的出现次数，没有兼顾用户搜索词语的频率， 因此无法将一些热门词排在更靠前的位置。于是，我们继续寻找一种解决这个问题更加优雅的方案。

至此，我们考虑专门为关键字建立一个索引collection，利用solr前缀查询实现。solr中的copyField能很好解决我们同时索引 多个字段(汉字、pinyin, abbre)的需求，且field的multiValued属性设置为true时能解决同一个关键字的多音字组合问题。配置如下：

1.  
   schema.xml:
2.  
    
3.  
   <field name="kw" type="string" indexed="true" stored="true" />
4.  
   <field name="pinyin" type="string" indexed="true" stored="false" multiValued="true"/>
5.  
   <field name="abbre" type="string" indexed="true" stored="false" multiValued="true"/>
6.  
   <field name="kwfreq" type="int" indexed="true" stored="true" />
7.  
   <field name="_version_" type="long" indexed="true" stored="true"/>
8.  
   <field name="suggest" type="suggest_text" indexed="true" stored="false" multiValued="true" />
9.  
   ------------------multiValued表示字段是多值的-------------------------------------
10.  
    <uniqueKey>kw</uniqueKey>
11.  
    <defaultSearchField>suggest</defaultSearchField>
12.  
     
13.  
    说明：
14.  
    kw为原始关键字
15.  
    pinyin和abbre的multiValued=true,在使用solrj建此索引时，定义成集合类型即可：如关键字“重庆”的pinyin字段为{chongqing,zhongqing}, abbre字段为{cq, zq}
16.  
    kwfreq为用户搜索关键的频率，用于查询的时候排序
17.  
     
18.  
    -------------------------------------------------------
19.  
     
20.  
    <copyField source="kw" dest="suggest" />
21.  
    <copyField source="pinyin" dest="suggest" />
22.  
    <copyField source="abbre" dest="suggest" />
23.  
     
24.  
    ------------------suggest_text----------------------------------
25.  
     
26.  
    <fieldType name="suggest_text" class="solr.TextField" positionIncrementGap="100" autoGeneratePhraseQueries="true">
27.  
    <analyzer type="index">
28.  
    <tokenizer class="solr.KeywordTokenizerFactory" />
29.  
    &lt;filter class="solr.SynonymFilterFactory"
30.  
    synonyms="synonyms.txt"
31.  
    ignoreCase="true"
32.  
    expand="true" />
33.  
    <filter class="solr.StopFilterFactory"
34.  
    ignoreCase="true"
35.  
    words="stopwords.txt"
36.  
    enablePositionIncrements="true" />
37.  
    <filter class="solr.LowerCaseFilterFactory" />
38.  
    <filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
39.  
    </analyzer>
40.  
    <analyzer type="query">
41.  
    <tokenizer class="solr.KeywordTokenizerFactory" />
42.  
    <filter class="solr.StopFilterFactory"
43.  
    ignoreCase="true"
44.  
    words="stopwords.txt"
45.  
    enablePositionIncrements="true" />
46.  
    <filter class="solr.LowerCaseFilterFactory" />
47.  
    <filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
48.  
    </analyzer>
49.  
    </fieldType>

KeywordTokenizerFactory：这个分词器不进行任何分词！整个字符流变为单个词元。String域类型也有类似的效果，但是它 不能配置文本分析的其它处理组件，比如大小写转换。任何用于排序和大部分Faceting功能的索引域，这个索引域只有能一个原始域值中的一个词元。

前缀查询构造:

1.  
   private SolrQuery getSuggestQuery(String prefix, Integer limit) {
2.  
   SolrQuery solrQuery = new SolrQuery();
3.  
   StringBuilder sb = new StringBuilder();
4.  
   sb.append(“suggest:").append(prefix).append("*");
5.  
   solrQuery.setQuery(sb.toString());
6.  
   solrQuery.addField("kw");
7.  
   solrQuery.addField("kwfreq");
8.  
   solrQuery.addSort("kwfreq", SolrQuery.ORDER.desc);
9.  
   solrQuery.setStart(0);
10.  
    solrQuery.setRows(limit);
11.  
    return solrQuery;
12.  
    }

效果如下图所示：

参考

• 从Trie树谈到后缀树 http://blog.csdn.net/v_july_v/article/details/6897097
• 搜索智能提示suggestion，附近地点搜索 http://blog.csdn.net/v_july_v/article/details/11288807
• solr suggester http://wiki.apache.org/solr/Suggester