一淘网的系统架构

系统架构

一淘的系统架构如上图所示。可以看到，一淘有三个数据来源：互联网、外部合作方和淘宝主站。其中，互联网数据通过crawl的方式获得，而后两者则通过feed的方式提供。抓取系统的功能包括：网页抓取、抓取调度、域名解析、死链检测、JavaScript执行等。目前，一淘的资讯、话题、问答combo中的大部分数据都是通过抓取系统从互联网获得的。它是一淘一个重要的“原料厂”。离线处理系统是一个功能众多、可灵活定制的Pipeline，其主要功能有：网页编码识别与转换、网页解析与内容抽取、购物相关站点发现、列表页识别、网页分类与消重、链接提取与合并、关键词提取、众多网页静态feature的提取。它是一淘的“加工厂”。存储系统负责存储抓取系统和离线处理系统的产出，同时向这两个“厂”提供高性能、大容量的存取服务。目前我们采用的是Hadoop+HBase的体系结构，将网页、链接、图片进行了分类存放。存储系统是一淘存放原料、半成品的“核心仓库”。 在 线引擎负责对一淘前端搜索请求返回查询结果，它生成索引的数据来自存储系统。在线引擎是一淘面向用户的“成品生产车间”。值得一提的是，一淘采用了阿里集 团新一代的HA2引擎技术，HA2结合了开源引擎和阿里上一代引擎技术的设计优点，在支持全文检索的同时，兼备了商品搜索的各种功能。它目前提供的主要特 性有：

• 数据规模：支持的数据规模从一台机器(partition)到几百台机器；
• 更新速度：支持全量数据更新，以及最快支持分钟级的增量更新；
• 数据类型：允许用户定义各种的数据类型，从单字段到几十个字段。字段的类型可以是text, string, number等；
• 查询语法：支持简单的单一条件查询， 以及复杂的各种条件组合查询、过滤；
• 相关性计算：支持最多三阶段相关性计算，提供丰富的信息供用户自定义每一个阶段的算分方法；
• 统计导航：支持对检索到的结果做灵活的分组统计和智能导航。

一淘前端负责向终端用户展现搜索结果页，它是一淘的“门店”，设有各式各样橱窗：商品、淘吧、资讯、论坛、问答、图片、网页等。保证这个门店正常运转的机制包括：

• Bootstrap：负责查询词合法性检查、编码识别与转换、停止词和违禁词过滤。
• Query Planner：负责查询词重写（Query Rewrite）、主辅词识别、商品类目预测、Combo排序、大小写转换、同义词和多义词，等等。
• RMOD：负责向各类后端服务接口发起并发请求，并将返回结果进行整合用于页面展现。
• Cache：负责分布式缓存搜索结果数据，从而缩短响应时间，提高前端系统的吞吐量。

此外，为了一淘团队的运营效率，我们还在构建一套“从收集Query和Click日志开始，进行数据统计、关联分析、异常报警和人工调整等相关流程”的以Query为中心的运营工具。一 淘的小二们深知：如何使我们打造的这些橱窗所展现的内容具有越来越精准的 “导购相关性”，是一淘面向用户的核心价值。如何进入朝这个方向持续发展的正循环呢？我们目前的思路是：构建一套结合“Query分析”和“网页分析”的 多层次排序模型，在保证相关性的前提下，灵活快速地调整模型结构以适应变化的业务需求。 Query分析的目的是理解用户的查询意图，并将此意图转化成排序时可用的信息影响最终排序结果，如：

• 浏览型：没有明确的购物对象和意图，边看边买，用户比较随意和感性。Query例如：”2010年10大香水排行”，”2010年流行毛衣”， “zippo有多少种类？”；
• 查询型：有一定的购物意图，体现在对属性的要求上。Query例如：”适合老人用的手机”，”500元 手表”；
• 对比型：已经缩小了购物意图，具体到了某几个产品。Query例如：”诺基亚E71 E63″，”akg k450 px200″；
• 确定型：已经做了基本决定，重点考察某个对象。Query例如：”诺基亚N97″，”IBM T60″。

随着一淘用户越来越多，我们也会进一步挖掘用户查询需求，拓展意图分析种类。 网页分析期望得到：网页质量、所在站点的权威度、内容的主题词、是否为购物类文章等。这些信息将和Query分析的产出合并，一起在不同层次参与搜索结果相关性的排序过程。一淘正在建立一套“用户行为/模型提升”的自循环体系，这其中以用户行为为主、辅以完善模型改进流程和丰富相关平台工具，期望这样可以越来越自动化地、持续地提升相关性效果，更加智能地满足用户的搜索意图。

与淘宝的关系

就淘宝目前绝对领先的市场占用率而言，能充分利用好淘宝的站内数据，对一淘来说无疑是很重要、也很幸运的。从系统架构上讲，一淘有很多 大数据量的离线计算任务是在淘宝上千台基于Hadoop的分布式计算平台上完成的，在其上获取淘宝的商品、交易和用户数据是一件非常便捷的事情，平台强大 的计算和存储能力也进一步激发了一淘工程师们的想象力和创造力。比如：一淘首次将淘宝用户的搜索查询词和直接购买的宝贝相关联，并实现了分钟级别的引擎更 新，这为用户们提供了最及时导购风向标。此外，一淘还直接调用了很多线上服务的接口，例如：宝贝搜索、产品搜索、合并同款等。 从 产品服务上讲，一淘是淘宝主站与全网电子商务网站联系的重要纽带。简单地讲，淘宝站内数据（如：产品库、类目体系）可以保障一淘的导购搜索相关性有非常正 向的促进作用；一淘通过Open Search和外网商品信息抓取，也可以为其他电子商务网站带去更多高质量的商业流量；而互联网的商品、资讯、论坛等信息又有助于一淘的搜索结果更全面、 信息更权威；一淘搜索质量的提高反过来可以帮助改善淘宝的用户体验（如：无结果页、购前调研），一淘的用户行为分析和趋势预测也可以作为淘宝运营收集反馈 信息的重要通道。

结束语

通过上面的介绍，我们不难理解一淘对于所采用技术的实用性、高效性和扩展性方面都会有业界领先的要求。这其中主要涉及的领域包括：

• 海量网页的抓取和抽取
• 分布式存储和计算平台
• 大规模数据（网页/商品）处理与分析
• 购物搜索相关性体系
• 高性能可定制的全文检索引擎
• 快速响应业务需求的前端架构

来自：http://itbidu.com/2014/01/%E4%B8%80%E6%B7%98%E7%BD%91%E7%9A%84%E7%B3%BB%E7%BB%9F%E6%9E%B6%E6%9E%84/