IM跨平臺技術(shù)學(xué)習(xí)(六)：網(wǎng)易云信基于Electron的IM消息全文檢索技術(shù)實踐
本文作者網(wǎng)易云信高級前端開發(fā)工程師李寧，本文有修訂。
1、引言
在IM客戶端的使用場景中，基于本地數(shù)據(jù)的全文檢索功能扮演著重要的角色，最常用的比如：查找聊天記錄、聯(lián)系人等。
類似于IM中的聊天記錄查找、聯(lián)系人搜索這類功能，有了全文檢索能力后，確實能大大提高內(nèi)容查找的效率，不然，讓用戶手動翻找，確實降低了用戶體驗。
本文將要分享的是，網(wǎng)易云信基于Electron的PC端是如何實現(xiàn)IM客戶端全文檢索能力的。
學(xué)習(xí)交流：
- 移動端IM開發(fā)入門文章：《新手入門一篇就夠：從零開發(fā)移動端IM》
- 開源IM框架源碼：https://github.com/JackJiang2011/MobileIMSDK（備用地址點此）
（本文已同步發(fā)布于：http://www.52im.net/thread-4065-1-1.html）
2、關(guān)于作者
李寧：網(wǎng)易云信高級前端開發(fā)工程師，負責(zé)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、多平臺的開發(fā)與編譯有豐富的實戰(zhàn)經(jīng)驗。
3、系列文章
本文是系列文章中的第6篇，本系列總目錄如下：
《IM跨平臺技術(shù)學(xué)習(xí)(一)：快速了解新一代跨平臺桌面技術(shù)——Electron》
《IM跨平臺技術(shù)學(xué)習(xí)(二)：Electron初體驗(快速開始、跨進程通信、打包、踩坑等)》
《IM跨平臺技術(shù)學(xué)習(xí)(三)：vivo的Electron技術(shù)棧選型、全方位實踐總結(jié)》
《IM跨平臺技術(shù)學(xué)習(xí)(四)：蘑菇街基于Electron開發(fā)IM客戶端的技術(shù)實踐》
《IM跨平臺技術(shù)學(xué)習(xí)(五)：融云基于Electron的IM跨平臺SDK改造實踐總結(jié)》
《IM跨平臺技術(shù)學(xué)習(xí)(六)：網(wǎng)易云信基于Electron的IM消息全文檢索技術(shù)實踐》（* 本文）
4、什么是全文檢索
所謂全文檢索，就是要在大量內(nèi)容中找到包含某個單詞出現(xiàn)位置的技術(shù)。
在傳統(tǒng)的關(guān)系型數(shù)據(jù)庫中，只能通過LIKE條件查詢來實現(xiàn)，這樣有幾個弊端：
1）無法使用數(shù)據(jù)庫索引，需要遍歷全表，性能較差；
2）搜索效果差，只能首尾位模糊匹配，無法實現(xiàn)復(fù)雜的搜索需求；
3）無法得到內(nèi)容與搜索條件的相關(guān)性。
我們在 IM 的 iOS、安卓以及桌面端中都實現(xiàn)了基于 SQLite 等庫的本地數(shù)據(jù)全文檢索功能，但是在 Web 端和 基于Electron的PC端上缺少了這部分功能。
因為在 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)。但在基于Electron的PC端上，雖然也是內(nèi)置了 Chromium 的內(nèi)核，但是因為可以使用 Node.js 的能力，于是乎選擇的范圍就多了一些。本文內(nèi)容我們具體以基于Electron的IM客戶端為例，來討論全文檢索技術(shù)實現(xiàn)。
PS：如果你不了解什么是Electron技術(shù)，讀一下這篇《快速了解Electron：新一代基于Web的跨平臺桌面技術(shù)》。
我們先來具體看下該如何實現(xiàn)全文檢索。
要實現(xiàn)全文檢索，離不開以下兩個知識點：
1）倒排索引；
2）分詞。
這兩個技術(shù)是實現(xiàn)全文檢索的技術(shù)以及難點，其實現(xiàn)的過程相對比較復(fù)雜，在聊全文索引的實現(xiàn)前，我們具體學(xué)習(xí)一下這兩個技術(shù)的原理。
5、什么是倒排索引
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：
1）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)；
2）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 舉個實際的例子：
在我們的 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」，將其每個中文單獨分詞（分詞的概念我們在下文會詳細分享），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。
最后看下上述例子存儲內(nèi)容的結(jié)構(gòu)：
如是圖所示：可以看到倒排索引的結(jié)構(gòu)，key 是分詞后的單個中文、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，本文就不再細細展開了。
6、什么是分詞
6.1基本概念
分詞就是將原先一條消息的內(nèi)容，根據(jù)語義切分成多個單字或詞句，考慮到中文分詞的效果以及需要在 Node 上運行，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模塊分析一下。
6.2加載詞典
jieba 分詞會在初始化時先加載詞典，大致內(nèi)容如下：
6.3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。
6.4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)容進行切分。
其中：
1）“去”沒有前綴，因此只有一種切分方式；
2）對于“北”，則有“北”、“北京”、“北京大學(xué)”三種切分方式；
3）對于“京”，也只有一種切分方式；
4）對于“大”，有“大”、“大學(xué)”兩種切分方式；
5）對于“學(xué)”和“玩”，依然只有一種切分方式。
如此，可以得到每個字作為前綴詞的切分方式。
其 DAG 圖如下圖所示：
6.5最大概率路徑計算
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
因為每個節(jié)點都是有權(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，使得整個句子的權(quán)重最高。
這是一個典型的動態(tài)規(guī)劃問題，首先我們確認(rèn)下動態(tài)規(guī)劃的兩個條件。
1）重復(fù)子問題：
對于節(jié)點 i 和其可能存在的多個后繼節(jié)點 j 和 k：
1）任意通過i到達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)；
2）任意通過i到達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 i 的 j 和 k，需要重復(fù)計算到達 i 路徑的權(quán)重。
2）最優(yōu)子結(jié)構(gòu)：
設(shè)整個句子的最優(yōu)路徑為 Rmax，末端節(jié)點為 x，多個可能存在的前驅(qū)節(jié)點為 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，最后計算得出最優(yōu)路徑為“去/北京大學(xué)/玩”。
6.6HMM 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）模型進行分詞。
它將分詞問題視為一個序列標(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 人民日報的切分語料，一個 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)計詞頻而成。
該模型由一個五元組組成，并有兩個基本假設(shè)。
五元組：
1）狀態(tài)值集合；
2）觀察值集合；
3）狀態(tài)初始概率；
4）狀態(tài)轉(zhuǎn)移概率；
5）狀態(tài)發(fā)射概率。
基本假設(shè)：
1）齊次性假設(shè)：即假設(shè)隱藏的馬爾科夫鏈在任意時刻 t 的狀態(tài)只依賴于其前一時刻 t-1 的狀態(tài)，與其它時刻的狀態(tài)及觀測無關(guān)，也與時刻 t 無關(guān)；
2）觀察值獨立性假設(shè)：即假設(shè)任意時刻的觀察值只與該時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字組成的集合。
狀態(tài)初始概率表明句子中的第一個字屬于 B、M、E、S 四種狀態(tài)的概率，其中 E 和 M 的概率都是0，因為第一個字只可能 B 或者 S，這與實際相符。
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)，方便計算）為 0.6，同理，P['B']['M'] 表示下一個狀態(tài)是 M 的概率為 0.4，說明當(dāng)一個字處于開頭時，下一個字處于結(jié)尾的概率高于下一個字處于中間的概率，符合直覺，因為二個字的詞比多個字的詞要更常見。
狀態(tài)發(fā)射概率表明當(dāng)前狀態(tài)，滿足觀察值獨立性假設(shè)，結(jié)構(gòu)同上，也可以用一個嵌套的對象表示：
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，本文不再詳細展開，有興趣的讀者可以自行查閱。
7、技術(shù)實現(xiàn)
上節(jié)中介紹的全文檢索這兩塊技術(shù)，是我們架構(gòu)的技術(shù)核心?；诖?，我們對IM 的 Electron 端技術(shù)架構(gòu)做了改進。以下將詳細介紹之。
7.1架構(gòu)圖詳解
考慮到全文檢索只是 IM 中的一個功能，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。
架構(gòu)圖如下：
如上圖所示，右邊是之前的技術(shù)架構(gòu)，底層存儲庫使用了 indexDB，上層有讀寫兩個模塊。
讀寫模塊的具體作用是：
1）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候，會將消息對象同步到 indexDB；
2）當(dāng)用戶需要查詢關(guān)鍵字的時候，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，讀寫模塊的工作邏輯：
1）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；
2）當(dāng)用戶需要查詢關(guān)鍵字的時候，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。
7.2架構(gòu)優(yōu)點
該方案有以下4個優(yōu)點：
1）速度快：通過 search-index 實現(xiàn)倒排索引，從而提升了搜索速度；
2）跨平臺：因為 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 端實現(xiàn)全文檢索提供了可能性；
3）獨立性：倒排索引庫與 IM 主業(yè)務(wù)庫 indexDB 分離；
4）靈活性：全文檢索以插件的形式接入。
針對上述第“3）”點：當(dāng) indexDB 寫入數(shù)據(jù)時，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，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。
針對上述第“4）”點：它暴露出一個高階函數(shù)，包裹 IM 并返回新的經(jīng)過繼承擴展的 IM，因為 JS 面向原型的機制，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
7.3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。
8、本文小結(jié)
本文中，我們便基于Nodejieba和search-index在 Electron 上實現(xiàn)了IM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，比如以下兩點：
1）寫入性能 ：在實際的使用中，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。
2）可擴展性 ：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，希望我的分享能對大家有所幫助。
9、參考資料
[1]微信移動端的全文檢索優(yōu)化之路
[2]微信移動端的全文檢索多音字問題解決方案
[3]微信iOS端的最新全文檢索技術(shù)優(yōu)化實踐
[4]蘑菇街基于Electron開發(fā)IM客戶端的技術(shù)實踐
[5]融云基于Electron的IM跨平臺SDK改造實踐總結(jié)
[6]閑魚IM基于Flutter的移動端跨端改造實踐
（本文已同步發(fā)布于：http://www.52im.net/thread-4065-1-1.html）
