在使用淘宝时发现搜索框很神奇，它可以将将我们想要的商品全部查询出来，但是我们并感觉不到数据库查询的过程，速度很快。通过阅读这篇文章让我知道了搜索框背后包含着很多技术，对我以后的学习可能很有借鉴。

   平时都常用搜索框，应该用的都是在线搜索，应该是在数据库中查询信息。但什么是离线搜索呢？在阿里工程中把“将各种来源数据转换处理后送入搜索引擎等‘在线’服务的系统称为“离线”系统。离线系统是一个大数据系统，它有以下一些特点：

1.任务模型上区分全量和增量

（1）全量是指将搜索业务数据全部重新处理生成，并传送给在线引擎，一般是每天一次。这么做有两个原因：有业务数据是每日更新；引擎需要全量数据来高效的进行索引整理和预处理，提高在线服务效率。

（2）增量是将上游数据源实时发生的数据变化更新到在线引擎中。

（3）性能方面有较高要求。全量需要极高吞吐能力，确保数以亿计的数据可以在数小时内完成。增量则需要支持数万TPS秒级的实时性，还需要有极高的可用性。

2.需要支持多样化的输入和输出数据源，包括：Mysql,ODPS,TT等各种数据库和消息队列作为输入，搜索、Ranking、图、推荐等各种引擎作为输入。

3.需要提供一定能力的数据处理能力，例如多表Join、UDTF支持等，以方便搜索业务的开发和接入。

平台组件和任务流程

其中部分组件的简介如下：

    Maat:分布式任务调度平台，基于Airflow发展而来，主要改进点是调度性能优化、执行器FaaS化，容器化、API及调度功能扩展等四个部分，在保持对Airflow兼容的基础上，大幅提升性能，提高了稳定性。一个离线任务的多个Blink job会通过Maat建立依赖关系并进行调度。

   Bahamut:执行引擎，是整个离线天平的核心，负责离线任务的创建，调度，管理等各种

功能。

    Blink:Flink的阿里内部版本1，在大规模分布式，SQL,TableAPI,Batch上做了大量的优化和重构。离线平台的所有计算任务都是Blink job,包括stream和batch。

    Soman：UI模块，与Bahamut后端对接，提供任务信息展示、状态管理等可视化功能，也是用户创建应用的开发业务逻辑的主要入口。

    Catalog： 存储表信息管理，提供各种数据源表的DDL能力，负责离线平台存储资源的申请、释放、变更等各种功能。

    Hippo：阿里搜索自研的分布式资源管理和任务调度服务，类似于Yarn，提供Docker管理能力，主要服务于在线系统。

   Swift：阿里搜索自研高性能分布式消息队列，支持亿级别消息吞吐能力，存储后端为HDFS，存储计算分离架构。

搜索离线数据处理是一个典型的海量数据批次/实时计算结合的场景，搜索中台团队立足内部技术结合开源大数据存储和计算系统，针对自身业务和技术特点构建了搜索离线平台，提供复杂业务场景下单日批次处理千亿级数据，秒级实时百万TPS吞吐的计算能力。离线平台大幅提高了业务迭代的效率，成为搜索中台的重要组成部分。

 

 转载自文章：