Tangseng 基于Go语言的搜索引擎

项目详细内容地址点击这里

项目大体框架&功能

1. gin作为http框架，grpc作为rpc框架，etcd作为服务发现。
2. 总体服务分成用户模块、收藏夹模块、索引平台、搜索引擎(文字模块)、搜索引擎(图片模块)。
3. 分布式爬虫爬取数据，并发送到kafka集群中，再落库消费。 (虽然爬虫还没写，但不妨碍我画饼...)
4. 搜索引擎模块的文本搜索单独设立使用boltdb存储index，mapreduce加速索引构建并使用roaring bitmap存储索引。
5. 使用trie tree实现词条联想(后面打算加上算法模型辅助词条联想)。
6. 图片搜索使用ResNet50来进行向量化查询 + Milvus or Faiss 向量数据库的查询 (开始做了... DeepLearning也太难了...)。
7. 支持多路召回，go中进行倒排索引召回，python进行向量召回。通过grpc调用连接，进行融合。
8. 支持TF-IDF，BM25等等算法排序。

🧑🏻‍💻 前端地址

all in react, but still coding

react-tangseng

未来规划

架构相关

• 引入降级熔断
• 引入jaeger进行全链路追踪(go追踪到python)
• 引入skywalking or prometheus进行监控
• 抽离dao的init，用key来获取相关数据库实例
• 冷热数据分离(参考es的方案,关键在于判断冷热的标准,或许可以写在中间件里面？)
• 目前来说mysql已经足够存储正排索引，但后续可能直接一步到位到OLAP，starrocks单表亿级数据也能毫秒查询，mysql到这个级别早就分库分表了..

功能相关

• 构建索引的时候太慢了.后面加上并发，建立索引的地方加上并发
• 索引压缩，inverted index，也就是倒排索引表，后续改成存offset,用mmap
• 相关性的计算要考虑一下，TFIDF，bm25
• 使用前缀树存储联想信息
• 哈夫曼编码压缩前缀树
• 建索引的时候，传文件地址改成传文件流
• python 引入 bert 模型进行分词的推荐词并提供 grpc 接口
• inverted 和 trie tree 的存储支持一致性hash分片存储
• 词向量
• pagerank
• 分离 trie tree 的 build 和 recall 过程
• 分词加入ik分词器
• 构建索引平台，计算存储分离，构建索引与召回分开
• 并且差运算 (位运算)
• 分页
• 排序
• 纠正输入的query,比如“陆加嘴”-->“陆家嘴”
• 输入进行词条可以进行联想，比如 “东方明” 提示--> “东方明珠”
• 目前是基于块的索引方法，后续看看能不能改成分布式mapreduce来构建索引 (6.824 lab1)
• 在上一条的基础上再加上动态索引（还不知道上一条能不能实现...）
• 改造倒排索引，使用 roaring bitmap 存储docid (好难)
• 实现TF类
• 搜索完一个接着搜索，没有清除缓存导致结果是和上一个产生并集
• 排序器优化

快速开始

环境启动！

make env-up

小小数据集就在 source_data/movies_data.csv

Python 启动!

1. 确保电脑已经安装了python,确保python version>=3.9,我的版本是3.10.2

   python --version

2. 安装venv环境

   python -m venv venv

3. 激活 venv python 环境

   macos:

   source venv/bin/activate

   windows:

   等我清完C盘再兼容一下...还没在win上跑过...

4. 安装第三方依赖

   pip install -r requirements.txt

Golang 启动!

golang version >= go 1.16 即可。我的go版本是 1.18.6

1. 下载第三方依赖包

   go mod tidy

2. 目录下执行

   make run-xxx(user,favortie ...)
   # e.g:
   # make run-user
   # make run-favorite
   # 具体看makefile文件

开源贡献

在提交pr之前，请查看 CONTRIBUTING_CN.md