wwsearch简介
wwsearch是企业微信后台自研的全文检索引擎。它为海量用户下的全文快速检索而设计，底层支持可插拔的lsm tree存储引擎。目前覆盖企业微信所有在线检索场景：企业员工通讯录、审批、日报、周报、汇报、企业素材检索，也包括企业邮箱的全文邮件检索。 最大业务场景有300+亿条记录，索引词项万亿+，存储容量几十TB，支撑实时在线用户检索。
功能介绍
- 实时数据修改：数据写入即实时可查。对外提供插入、更新、删除、覆盖写等接口，可适应更新频繁场景，也适应于少改或不改场景。
- 支持灵活Query：支持词的等值、前缀、模糊匹配。多个Query通过And 、Or进行组合，满足不同场景的检索需求。Query还可以按指定field进行检索。
- 后置过滤：支持对检索索引后的结果进行二次过滤，支持等值、数值范围、数组元素查找、字符串模糊等过滤特性。适用于如无法建立高区分度索引的字段过滤、带有业务特定场景的过滤。
- 灵活排序：支持按多个field的属性值组合排序，类似order by语义。
- 检索功能可扩展：场景需要时，可以扩展各类聚合函数（sum/avg…）,也可以支持场景文本打分。
实现剖析
接口说明
具体使用例子参考example/example.cpp。 这里简单对接口字段进行说明。
Index
主要涉及6个接口，分别是：
- AddDocuments：仅当文档id不存在时添加；
- UpdateDocuments：仅当文档id存在时更新；更新时会保留旧文档存在的未更新field内容；
- AddOrUpdateDocuments：若文档id不存在则添加，若存在则更新；
- ReplaceDocuments：仅当文档id存在时替换；
- DeleteDocuments：仅当文档id存在时删除；
- AddDocumentsWithoutRead：文档id不存在则添加，存在则覆盖；
下面以用户常用的AddOrUpdateDocuments为例说明用法。
// wwsearch/index_writer.h
bool AddOrUpdateDocuments(const TableID &table,
std::vector &documents,
std::string *store_buffer = nullptr,
SearchTracer *tracer = nullptr);
// wwsearch/document.h
class DocumentUpdater {
...
Document new_document_;
...
};
class Document {
...
std::vector fields_;
DocumentID document_id_;
...
};
// wwsearch/index_field.h
class IndexField {
...
FieldID field_id_;
IndexFieldFlag field_flag_;
kIndexFieldType field_type_;
uint64_t numeric_value_;
std::string string_value_;
...
}
用户使用涉及主要字段说明:
- TableID : bussiness_type(uint8_t) + partition_set(uint64_t)组成，分表；
- DocumentID : uint64_t，文档id，文档的唯一标识；
-
IndexField ： 文档列的信息，包括列属性和值。
- field_id_，field的ID
-
field_flag_，索引标记
- kTokenizeFieldFlag，是否分词
- kStoreFieldFlag，是否存储原始数据
- kDocValueFieldFlag，是否存储列值属性
- kSuffixBuildFlag，是否后缀展开
- kInvertIndexFieldFlag，是否建立倒排索引
-
field_type_，值类型
- kUint32IndexField
- kUint64IndexField
- kStringIndexField
- numeric_value_/ string_value_，字段原始值
Query
主要涉及接口：
// wwsearch/searcher.h
SearchStatus DoQuery(const TableID &table, Query &query, size_t top,
std::vector *filter,
std::vector *sorter,
std::list &docs,
uint32_t min_match_filter_num = 0)
用户使用涉及主要字段说明：
- TableID : bussiness_type(uint8_t) + partition_set(uint64_t)组成，分表；
- Query ：构建查询的字段信息，可支持AndQuery和OrQuery的嵌套格式，支持PrefixQuery前缀查询；参考
- Filter ：过滤器，支持数字/字符串/数组/多字符串条件过滤；
- SortCondition ：对查询得到的文档输出做排序，支持指定field做排序，目前只支持指定数字的field排序；
- min_match_filter_num设置最小匹配的filter数，只要匹配的filter大于此数的文档才能输出。
构建方法
依赖模块说明
依赖模块为：
# wwsearch/deps/
protobuf-2.4.1
snappy-1.0.4
rocksdb-v5.16.6
tokenizer-mmseg
仓库中已提前编译生成依赖库，您也可以根据编译环境重新编译依赖的第三方模块。
构建方法：
需要使用支持c++ 11的编译环境构建
mkdir build
cd build
cmake ..
make -j32
cp ../deps/tokenizer/etc/wwsearch_* .
编译完成将可以看到：
- wwsearch_ut : 单元测试；
- wwsearch_example : 简单示例，包括index和query。
接下来可以愉快使用啦，enjoy it!
贡献代码
提交pull request贡献代码前，请参考 Contributing.md 。 wwsearch基于c++11开发，遵循Google C++ Style Guide代码风格，提交代码前需要使用附带的.clang-format格式化代码；
反馈问题
使用中遇到问题，可以有以下途径反馈：
- 直接在[issues]提问；
开源协议
wwsearch 开源协议为 Apache License Version 2.0 ，详细的 License 请参考 LICENSE.TXT
