?

?

導(dǎo)讀：在 IM 場景的客戶端需求上，基于本地?cái)?shù)據(jù)的全文檢索（Full-text search）扮演著重要的角色。本文具體來聊聊網(wǎng)易云信是如何實(shí)現(xiàn)全文檢索的。

?

文｜李寧 網(wǎng)易云信高級前端開發(fā)工程師

所謂全文檢索，就是要在大量文檔中找到包含某個(gè)單詞出現(xiàn)位置的技術(shù)。在以往的關(guān)系型數(shù)據(jù)庫中，只能通過 LIKE 來實(shí)現(xiàn)，這樣有幾個(gè)弊端：

• 無法使用數(shù)據(jù)庫索引，需要遍歷全表，性能較差

• 搜索效果差，只能首尾位模糊匹配，無法實(shí)現(xiàn)復(fù)雜的搜索需求

• 無法得到文檔與搜索條件的相關(guān)性

在網(wǎng)易云信 IM 的 iOS、安卓以及桌面端中都實(shí)現(xiàn)了基于 SQLite 等庫的本地?cái)?shù)據(jù)全文檢索功能，但是在 Web 端和 Electron 上缺少了這部分功能。在 Web 端，由于瀏覽器環(huán)境限制，能使用的本地存儲數(shù)據(jù)庫只有 IndexDB，暫不在討論的范圍內(nèi)。在 Electron 上，雖然也是內(nèi)置了 Chromium 的內(nèi)核，但是因?yàn)榭梢允褂?Node.js 的能力，于是乎選擇的范圍就多了一些。

我們先來具體看下該如何實(shí)現(xiàn)全文檢索。

?

1 基礎(chǔ)技術(shù)知識點(diǎn)

要實(shí)現(xiàn)全文檢索，離不開以下兩個(gè)知識點(diǎn)：

• 倒排索引

• 分詞

這兩個(gè)技術(shù)是實(shí)現(xiàn)全文檢索的技術(shù)以及難點(diǎn)，其實(shí)現(xiàn)的過程相對比較復(fù)雜，在聊全文索引的實(shí)現(xiàn)前，我們先來具體聊一下這兩個(gè)技術(shù)的實(shí)現(xiàn)。

?倒排檢索?

先簡單介紹下倒排索引，倒排索引的概念區(qū)別于正排索引：

• 正排索引：是以文檔對象的唯一 ID 作為索引，以文檔內(nèi)容作為記錄的結(jié)構(gòu)

• 倒排索引：是以文檔內(nèi)容中的單詞作為索引，將包含該詞的文檔 ID 作為記錄的結(jié)構(gòu)

以倒排索引庫 search-index 舉個(gè)實(shí)際的例子。在網(wǎng)易云信的 IM 中，每條消息對象都有 idClient 作為唯一 ID，接下來我們輸入「今天天氣真好」，將其每個(gè)中文單獨(dú)分詞（分詞的概念我們在下文會詳細(xì)分享），于是輸入變成了「今」、「天」、「天」、「氣」、「真」、「好」，再通過 search-index 的 PUT 方法將其寫入庫中，最后看下存儲內(nèi)容的結(jié)構(gòu)：

如圖所示，可以看到倒排索引的結(jié)構(gòu)，key 是分詞后的單個(gè)中文，value 是包含該中文消息對象的 idClient 組成的數(shù)組。當(dāng)然，search-index 除了以上這些內(nèi)容，還有一些其他內(nèi)容，例如 Weight、Count 以及正排的數(shù)據(jù)等，這些是為了排序、分頁、按字段搜索等功能而存在的，本文就不再細(xì)細(xì)展開了。

?分詞?

分詞就是將原先一條消息的內(nèi)容，根據(jù)語義切分成多個(gè)單字或詞句，考慮到中文分詞的效果以及需要在 Node 上運(yùn)行，我們選擇了 Nodejieba 作為基礎(chǔ)分詞庫。以下是 jieba 分詞的流程圖：

以「去北京大學(xué)玩」為例，我們選擇其中最為重要的幾個(gè)模塊分析一下：

加載詞典

jieba 分詞會在初始化時(shí)先加載詞典，大致內(nèi)容如下：

構(gòu)建前綴詞典

接下來會根據(jù)該詞典構(gòu)建前綴詞典，結(jié)構(gòu)如下：

其中，「北京大」作為「北京大學(xué)」的前綴，它的詞頻是0，這是為了便于后續(xù)構(gòu)建 DAG 圖。

構(gòu)建 DAG 圖

DAG 圖是 Directed Acyclic Graph 的縮寫，即有向無環(huán)圖。

基于前綴詞典，對輸入的內(nèi)容進(jìn)行切分。其中，「去」沒有前綴，因此只有一種切分方式；對于「北」，則有「北」、「北京」、「北京大學(xué)」三種切分方式；對于「京」，也只有一種切分方式；對于「大」，有「大」、「大學(xué)」兩種切分方式；對于「學(xué)」和「玩」，依然只有一種切分方式。如此，可以得到每個(gè)字作為前綴詞的切分方式，其 DAG 圖如下圖所示：

最大概率路徑計(jì)算

以上 DAG 圖的所有路徑如下：

• 去/北/京/大/學(xué)/玩

• 去/北京/大/學(xué)/玩

• 去/北京/大學(xué)/玩

• 去/北京大學(xué)/玩

因?yàn)槊總€(gè)節(jié)點(diǎn)都是有權(quán)重（Weight）的，對于在前綴詞典里的詞語，它的權(quán)重就是它的詞頻。因此我們的問題就是想要求得一條最大路徑，使得整個(gè)句子的權(quán)重最高。

這是一個(gè)典型的動態(tài)規(guī)劃問題，首先我們確認(rèn)下動態(tài)規(guī)劃的兩個(gè)條件：

• 重復(fù)子問題：對于節(jié)點(diǎn) i 和其可能存在的多個(gè)后繼節(jié)點(diǎn) j 和 k：

任意通過i到達(dá)j的路徑的權(quán)重 = 該路徑通過i的路徑權(quán)重 + j的權(quán)重，即 R(i -> j) = R(i) + W(j) 任意通過i到達(dá)k的路徑的權(quán)重 = 該路徑通過i的路徑權(quán)重 + k的權(quán)重，即 R(i -> k) = R(i) + W(k)

即對于擁有公共前驅(qū)節(jié)點(diǎn) i 的 j 和 k，需要重復(fù)計(jì)算到達(dá) i 路徑的權(quán)重。

• 最優(yōu)子結(jié)構(gòu)：設(shè)整個(gè)句子的最優(yōu)路徑為 Rmax，末端節(jié)點(diǎn)為 x，多個(gè)可能存在的前驅(qū)節(jié)點(diǎn)為 i、j、k，得到公式如下：

Rmax = max(Rmaxi, Rmaxj, Rmaxk) + W(x)

于是問題變成了求解 Rmaxi、Rmaxj 以及 Rmaxk，子結(jié)構(gòu)里的最優(yōu)解即是全局最優(yōu)解的一部分。

如上，最后計(jì)算得出最優(yōu)路徑為「去/北京大學(xué)/玩」。

HMM 隱式馬爾科夫模型

對于未登陸詞，jieba 分詞采用 HMM（Hidden Markov Model 的縮寫）模型進(jìn)行分詞。它將分詞問題視為一個(gè)序列標(biāo)注問題，句子為觀測序列，分詞結(jié)果為狀態(tài)序列。jieba 分詞作者在 issue 中提到，HMM 模型的參數(shù)基于網(wǎng)上能下載到的 1998 人民日報(bào)的切分語料，一個(gè) MSR 語料以及自己收集的 TXT 小說、用 ICTCLAS 切分，最后用 Python 腳本統(tǒng)計(jì)詞頻而成。

該模型由一個(gè)五元組組成，并有兩個(gè)基本假設(shè)。

五元組：

• 狀態(tài)值集合

• 觀察值集合

• 狀態(tài)初始概率

• 狀態(tài)轉(zhuǎn)移概率

• 狀態(tài)發(fā)射概率

基本假設(shè)：

• 齊次性假設(shè)：即假設(shè)隱藏的馬爾科夫鏈在任意時(shí)刻 t 的狀態(tài)只依賴于其前一時(shí)刻 t-1 的狀態(tài)，與其它時(shí)刻的狀態(tài)及觀測無關(guān)，也與時(shí)刻 t 無關(guān)。

• 觀察值獨(dú)立性假設(shè)：即假設(shè)任意時(shí)刻的觀察值只與該時(shí)刻的馬爾科夫鏈的狀態(tài)有關(guān)，與其它觀測和狀態(tài)無關(guān)。

狀態(tài)值集合即{ B: begin, E: end, M: middle, S: single }，表示每個(gè)字所處在句子中的位置，B 為開始位置，E 為結(jié)束位置，M 為中間位置，S 是單字成詞。

觀察值集合就是我們輸入句子中每個(gè)字組成的集合。

狀態(tài)初始概率表明句子中的第一個(gè)字屬于 B、M、E、S 四種狀態(tài)的概率，其中 E 和 M 的概率都是0，因?yàn)榈谝粋€(gè)字只可能 B 或者 S，這與實(shí)際相符。

狀態(tài)轉(zhuǎn)移概率表明從狀態(tài) 1 轉(zhuǎn)移到狀態(tài) 2 的概率，滿足齊次性假設(shè)，結(jié)構(gòu)可以用一個(gè)嵌套的對象表示：

P = {B: {E: -0.510825623765990, M: -0.916290731874155},E: {B: -0.5897149736854513, S: -0.8085250474669937},M: {E: -0.33344856811948514, M: -1.2603623820268226},S: {B: -0.7211965654669841, S: -0.6658631448798212}, }

P['B']['E'] 表示從狀態(tài) B 轉(zhuǎn)移到狀態(tài) E 的概率（結(jié)構(gòu)中為概率的對數(shù)，方便計(jì)算）為 0.6，同理，P['B']['M'] 表示下一個(gè)狀態(tài)是 M 的概率為 0.4，說明當(dāng)一個(gè)字處于開頭時(shí)，下一個(gè)字處于結(jié)尾的概率高于下一個(gè)字處于中間的概率，符合直覺，因?yàn)槎€(gè)字的詞比多個(gè)字的詞要更常見。

狀態(tài)發(fā)射概率表明當(dāng)前狀態(tài)，滿足觀察值獨(dú)立性假設(shè)，結(jié)構(gòu)同上，也可以用一個(gè)嵌套的對象表示：

P = {B: {'突': -2.70366861046, '肅': -10.2782270947, '適': -5.57547658034},M: {'要': -4.26625051239, '合': -2.1517176509, '成': -5.11354837278},S: {……},E: {……}, }

P['B']['突'] 的含義就是狀態(tài)處于 B，觀測的字是「突」的概率的對數(shù)值等于 -2.70366861046。

最后，通過 Viterbi 算法，輸入觀察值集合，將狀態(tài)初始概率、狀態(tài)轉(zhuǎn)移概率、狀態(tài)發(fā)射概率作為參數(shù)，輸出狀態(tài)值集合（即最大概率的分詞結(jié)果）。關(guān)于 Viterbi 算法，本文不再詳細(xì)展開，有興趣的讀者可以自行查閱。

以上這兩塊技術(shù)，是我們架構(gòu)的技術(shù)核心。基于此，我們對網(wǎng)易云信 IM 的 Electron 端技術(shù)架構(gòu)做了改進(jìn)。

?

?

2 網(wǎng)易云信 IM Electron 端架構(gòu)

?架構(gòu)圖詳解?

考慮到全文檢索只是 IM 中的一個(gè)功能，為了不影響其他 IM 的功能，并且能更快的迭代需求，所以采用了如下的架構(gòu)方案：

右邊是之前的技術(shù)架構(gòu)，底層存儲庫使用了 indexDB，上層有讀寫兩個(gè)模塊：

• 當(dāng)用戶主動發(fā)送消息、主動同步消息、主動刪除消息以及收到消息的時(shí)候，會將消息對象同步到 indexDB；

• 當(dāng)用戶需要查詢關(guān)鍵字的時(shí)候，會去 indexDB 中遍歷所有的消息對象，再使用 indexOf 判斷每一條消息對象是否包含所查詢的關(guān)鍵字（類似 LIKE）。

那么，當(dāng)數(shù)據(jù)量大的時(shí)候，查詢的速度是非常緩慢的。

左邊是加入了分詞以及倒排索引數(shù)據(jù)庫的新的架構(gòu)方案，這個(gè)方案不會對之前的方案有任何影響，只是在之前的方案之前加了一層，現(xiàn)在：

• 當(dāng)用戶主動發(fā)送消息、主動同步消息、主動刪除消息以及收到消息的時(shí)候，會將每一條消息對象中的消息經(jīng)過分詞后同步到倒排索引數(shù)據(jù)庫；

• 當(dāng)用戶需要查詢關(guān)鍵字的時(shí)候，會先去倒排索引數(shù)據(jù)庫中找出對應(yīng)消息的 idClient，再根據(jù) idClient 去 indexDB 中找出對應(yīng)的消息對象返回給用戶。

?架構(gòu)優(yōu)點(diǎn)?

該方案有以下4個(gè)優(yōu)點(diǎn)：

• 速度快：通過 search-index 實(shí)現(xiàn)倒排索引，從而提升了搜索速度。

• 跨平臺：因?yàn)?search-index 與 indexDB 都是基于 levelDB，因此 search-index 也支持瀏覽器環(huán)境，這樣就為 Web 端實(shí)現(xiàn)全文檢索提供了可能性。

• 獨(dú)立性：倒排索引庫與 IM 主業(yè)務(wù)庫 indexDB 分離。當(dāng) indexDB 寫入數(shù)據(jù)時(shí)，會自動通知到倒排索引庫的寫模塊，將消息內(nèi)容分詞后，插入到存儲隊(duì)列當(dāng)中，最后依次插入到倒排索引數(shù)據(jù)庫中。當(dāng)需要全文檢索時(shí)，通過倒排索引庫的讀模塊，能快速找到對應(yīng)關(guān)鍵字的消息對象的 idClient，根據(jù) idClient 再去 indexDB 中找到消息對象并返回。

• 靈活性：全文檢索以插件的形式接入，它暴露出一個(gè)高階函數(shù)，包裹 IM 并返回新的經(jīng)過繼承擴(kuò)展的 IM，因?yàn)?JS 面向原型的機(jī)制，在新的 IM 中不存在的方法，會自動去原型鏈（即老的 IM）當(dāng)中查找，因此，使得插件可以聚焦于自身方法的實(shí)現(xiàn)上，并且不需要關(guān)心 IM 的具體版本，并且插件支持自定義分詞函數(shù)，滿足不同用戶不同分詞需求的場景。

?使用效果?

使用了如上架構(gòu)后，經(jīng)過我們的測試，在數(shù)據(jù)量 20W 的級別上，搜索時(shí)間從最開始的十幾秒降到一秒內(nèi)，搜索速度快了 20 倍左右。

?

?

3 總結(jié)

以上，我們便基于 Nodejieba 和 search-index 在 Electron 上實(shí)現(xiàn)了網(wǎng)易云信 IM SDK 聊天消息的全文檢索，加快了聊天記錄的搜索速度。當(dāng)然，后續(xù)我們還會針對以下方面做更多的優(yōu)化，比如：

• 寫入性能提升?：在實(shí)際的使用中，發(fā)現(xiàn)當(dāng)數(shù)據(jù)量大了以后，search-index 依賴的底層數(shù)據(jù)庫 levelDB 會存在寫入性能瓶頸，并且 CPU 和內(nèi)存的消耗較大。經(jīng)過調(diào)研，SQLite 的寫入性能相對要好很多，從觀測來看，寫入速度只與數(shù)據(jù)量成正比，CPU 和內(nèi)存也相對穩(wěn)定，因此，后續(xù)可能會考慮用將 SQLite 編譯成 Node 原生模塊來替換 search-index。

• 可擴(kuò)展性?：目前對于業(yè)務(wù)邏輯的解耦還不夠徹底。倒排索引庫當(dāng)中存儲了某些業(yè)務(wù)字段。后續(xù)可以考慮倒排索引庫只根據(jù)關(guān)鍵字查找消息對象的 idClient，將帶業(yè)務(wù)屬性的搜索放到 indexDB 中，將倒排索引庫與主業(yè)務(wù)庫徹底解耦。

以上，就是本文的全部分享，歡迎關(guān)注我們，持續(xù)分享更多技術(shù)干貨。最后，希望我的分享能對大家有所幫助。

?作者介紹?

李寧，網(wǎng)易云信高級前端開發(fā)工程師，負(fù)責(zé)網(wǎng)易云信音視頻 IM SDK 的應(yīng)用開發(fā)、組件化開發(fā)及解決方案開發(fā)，對 React、PaaS 組件化設(shè)計(jì)、多平臺的開發(fā)與編譯有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。有任何的問題，歡迎留言交流。

?延伸閱讀?

• 網(wǎng)易實(shí)戰(zhàn)分享｜云信IM SDK接口設(shè)計(jì)實(shí)踐

• 【網(wǎng)易實(shí)戰(zhàn)解讀】如何實(shí)現(xiàn)IM萬人群聊？

?

?

總結(jié)

以上是生活随笔為你收集整理的技术干货 | 如何在 Electron 上实现 IM SDK 聊天消息全文检索的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。