设计文档.md 16.6 KB
Edit Raw Blame History


搜索引擎通用化开发进度
项目概述
对后端搜索技术 做通用化。
通用化的本质 是 对于各种业务数据、各种检索需求，都可以  用少量定制+配置化 来实现效果。

通用化的本质：对于各种业务数据、各种检索需求，都可以用少量定制+配置化来实现效果。


1. 原始数据层的约定
1.1 店匠主表
所有租户共用以下主表：


shoplazza_product_sku - SKU级别商品数据
shoplazza_product_spu - SPU级别商品数据

1.2 索引结构（SPU维度）
统一索引架构：


所有客户共享同一个Elasticsearch索引：search_products
索引粒度：SPU级别（每个文档代表一个SPU）
数据隔离：通过tenant_id字段实现租户隔离
嵌套结构：每个SPU文档包含嵌套的variants数组（SKU变体）


索引文档结构：
{
  "tenant_id": "1",
  "product_id": "123",
  "title": "蓝牙耳机",
  "variants": [
    {
      "variant_id": "456",
      "title": "黑色",
      "price": 199.99,
      "sku": "SKU-123-1",
      "stock": 50
    }
  ],
  "min_price": 199.99,
  "max_price": 299.99
}

1.3 配置化方案
配置分离原则：


搜索配置：只包含ES字段定义、查询域、排序规则等搜索相关配置
数据源配置：不在搜索配置中，由Pipeline层（脚本）决定
数据导入流程：写死的脚本，不依赖配置


统一通过配置文件定义：


ES 字段定义（字段类型、分析器、boost等）
ES mapping 结构生成
查询域配置（indexes）
排序和打分配置（function_score）


注意：配置中不包含以下内容：


mysql_config - MySQL数据库配置
main_table / extension_table - 数据表配置
source_table / source_column - 字段数据源映射


2. 配置系统实现
2.1 应用结构配置（字段定义）
配置文件位置：config/schema/{customer_id}_config.yaml

配置内容：定义了 ES 的输入数据有哪些字段、关联 MySQL 的哪些字段。

实现情况：
字段类型支持

TEXT：文本字段，支持多语言分析器
KEYWORD：关键词字段，用于精确匹配和聚合
TEXT_EMBEDDING：文本向量字段（1024维，dot_product相似度）
IMAGE_EMBEDDING：图片向量字段（1024维，dot_product相似度）
INT/LONG：整数类型
FLOAT/DOUBLE：浮点数类型
DATE：日期类型
BOOLEAN：布尔类型

分析器支持

chinese_ecommerce：中文电商分词器（index_ansj/query_ansj）
english：英文分析器
russian：俄文分析器
arabic：阿拉伯文分析器
spanish：西班牙文分析器
japanese：日文分析器
standard：标准分析器
keyword：关键词分析器

字段配置示例（Base配置）
fields:
  # 租户隔离字段（必需）
  - name: "tenant_id"
    type: "KEYWORD"
    required: true
    index: true
    store: true

  # 商品标识字段
  - name: "product_id"
    type: "KEYWORD"
    required: true
    index: true
    store: true

  # 文本搜索字段
  - name: "title"
    type: "TEXT"
    analyzer: "chinese_ecommerce"
    boost: 3.0
    index: true
    store: true

  - name: "seo_keywords"
    type: "TEXT"
    analyzer: "chinese_ecommerce"
    boost: 2.0
    index: true
    store: true

  # 嵌套variants字段
  - name: "variants"
    type: "JSON"
    nested: true
    nested_properties:
      variant_id:
        type: "keyword"
      price:
        type: "float"
      sku:
        type: "keyword"


注意：配置中不包含source_table和source_column，数据源映射由Pipeline层决定。

实现模块：


config/config_loader.py - 配置加载器
config/field_types.py - 字段类型定义
indexer/mapping_generator.py - ES mapping 生成器
indexer/data_transformer.py - 数据转换器

2.2 索引结构配置（查询域配置）
配置内容：定义了 ES 的字段索引 mapping 配置，支持各个域的查询，包括默认域的查询。

实现情况：
域（Domain）配置
每个域定义了：


域名称（如 default, title, category, brand）
域标签（中文描述）
搜索字段列表
默认分析器
权重（boost）
多语言字段映射（language_field_mapping）

多语言字段映射
支持将不同语言的查询路由到对应的字段：
indexes:
  - name: "default"
    label: "默认索引"
    fields:
      - "name"
      - "enSpuName"
      - "ruSkuName"
      - "categoryName"
      - "brandName"
    analyzer: "chinese_ecommerce"
    boost: 1.0
    language_field_mapping:
      zh:
        - "name"
        - "categoryName"
        - "brandName"
      en:
        - "enSpuName"
      ru:
        - "ruSkuName"

  - name: "title"
    label: "标题索引"
    fields:
      - "name"
      - "enSpuName"
      - "ruSkuName"
    analyzer: "chinese_ecommerce"
    boost: 2.0
    language_field_mapping:
      zh:
        - "name"
      en:
        - "enSpuName"
      ru:
        - "ruSkuName"


工作原理：


检测查询语言（中文、英文、俄文等）
如果查询语言在 language_field_mapping 中，使用原始查询搜索对应语言的字段
将查询翻译到其他支持的语言，分别搜索对应语言的字段
组合多个语言查询的结果，提高召回率


实现模块：


search/multilang_query_builder.py - 多语言查询构建器
query/query_parser.py - 查询解析器（支持语言检测和翻译）


3. 数据导入流程
3.1 数据源
店匠标准表（Base配置使用）：


shoplazza_product_spu - SPU级别商品数据
shoplazza_product_sku - SKU级别商品数据


其他客户表（customer1等）：


使用各自的数据源表和扩展表

3.2 数据导入方式
Pipeline层决定数据源：


数据导入流程是写死的脚本，不依赖配置
配置只关注ES搜索相关的内容
数据源映射逻辑写死在转换器代码中

Base配置数据导入（店匠通用）
脚本：scripts/ingest_shoplazza.py

数据流程：


数据加载：从MySQL读取shoplazza_product_spu和shoplazza_product_sku表
数据转换（indexer/spu_transformer.py）：


按spu_id和tenant_id关联SPU和SKU数据
将SKU数据聚合为嵌套的variants数组
计算扁平化价格字段（min_price, max_price, compare_at_price）
字段映射（写死在代码中，不依赖配置）
注入tenant_id字段

索引创建：


根据配置生成ES mapping
创建或更新search_products索引

批量入库：


批量写入ES（默认每批500条）
错误处理和重试机制


命令行工具：
python scripts/ingest_shoplazza.py \
    --db-host localhost \
    --db-port 3306 \
    --db-database saas \
    --db-username root \
    --db-password password \
    --tenant-id "1" \
    --config base \
    --es-host http://localhost:9200 \
    --recreate \
    --batch-size 500

其他客户数据导入

使用各自的数据转换器（如indexer/data_transformer.py）
数据源映射逻辑写死在各自的转换器中
共享search_products索引，通过tenant_id隔离


实现模块：


indexer/spu_transformer.py - SPU数据转换器（Base配置）
indexer/data_transformer.py - 通用数据转换器（其他客户）
indexer/bulk_indexer.py - 批量索引器
scripts/ingest_shoplazza.py - 店匠数据导入脚本


4. QueryParser 实现
4.1 查询改写（Query Rewriting）
配置词典的key是query，value是改写后的查询表达式，比如。比如品牌词 改写为在brand|query OR name|query，类别词、标签词等都可以放进去。纠错、规范化、查询改写等 都可以通过这个词典来配置。
实现情况：
配置方式
在 query_config.rewrite_dictionary 中配置查询改写规则：
query_config:
  enable_query_rewrite: true
  rewrite_dictionary:
    "芭比": "brand:芭比 OR name:芭比娃娃"
    "玩具": "category:玩具"
    "消防": "category:消防 OR name:消防"

功能特性

精确匹配：查询完全匹配词典 key 时，替换为 value
部分匹配：查询包含词典 key 时，替换该部分
支持布尔表达式：value 可以是复杂的布尔表达式（AND, OR, 域查询等）

实现模块

query/query_rewriter.py - 查询改写器
query/query_parser.py - 查询解析器（集成改写功能）

4.2 翻译（Translation）
实现情况：
配置方式
query_config:
  supported_languages:
    - "zh"
    - "en"
    - "ru"
  default_language: "zh"
  enable_translation: true
  translation_service: "deepl"
  translation_api_key: null  # 通过环境变量设置

功能特性

语言检测：自动检测查询语言
智能翻译：


如果查询是中文，翻译为英文、俄文
如果查询是英文，翻译为中文、俄文
如果查询是其他语言，翻译为所有支持的语言

域感知翻译：


如果域有 language_field_mapping，只翻译到映射中存在的语言
避免不必要的翻译，提高效率

翻译缓存：缓存翻译结果，避免重复调用 API

工作流程
查询输入 → 语言检测 → 确定目标语言 → 翻译 → 多语言查询构建

实现模块

query/language_detector.py - 语言检测器
query/translator.py - 翻译器（DeepL API）
query/query_parser.py - 查询解析器（集成翻译功能）

4.3 文本向量化（Text Embedding）
如果配置打开了text_embedding查询，并且query 包含了default域的查询，那么要把default域的查询词转向量，后面searcher会用这个向量参与查询。

实现情况：
配置方式
query_config:
  enable_text_embedding: true

功能特性

条件生成：


仅当 enable_text_embedding=true 时生成向量
仅对 default 域查询生成向量

向量模型：BGE-M3 模型（1024维向量）
用途：用于语义搜索（KNN 检索）

实现模块

embeddings/bge_encoder.py - BGE 文本编码器
query/query_parser.py - 查询解析器（集成向量生成）


5. Searcher 实现
参考opensearch，他们自己定义的一套索引结构配置、支持自定义的一套检索表达式、排序表达式，这是各个客户进行配置化的基础，包括索引结构配置、排序策略配置。
比如各种业务过滤策略 可以简单的通过表达式满足，比如brand|耐克 AND cate2|xxx。指定字段排序可以通过排序的表达式实现。

查询默认在default域，相也会对这个域的查询做一些相关性的重点优化，包括融合语义相关性、多语言相关性（可以基于配置 将查询翻译到指定语言并在对应的语言的字段进行查询）来弥补传统查询分析手段（比如查询改写 纠错 词权重等）的不足，也支持通过配置一些词表转为泛查询模式来优化相关性。
5.1 布尔表达式解析
实现情况：
支持的运算符

AND：所有项必须匹配
OR：任意项匹配
RANK：排序增强（类似 OR 但影响排序）
ANDNOT：排除（第一项匹配，第二项不匹配）
()：括号分组

优先级（从高到低）

() - 括号
ANDNOT - 排除
AND - 与
OR - 或
RANK - 排序

示例
laptop AND (gaming OR professional) ANDNOT cheap

实现模块

search/boolean_parser.py - 布尔表达式解析器
search/searcher.py - 搜索器（集成布尔解析）

5.2 多语言搜索
实现情况：
工作原理

查询解析：


提取域（如 title:查询 → 域=title，查询=查询）
检测查询语言
生成翻译

多语言查询构建：


如果域有 language_field_mapping：


使用检测到的语言查询对应字段（boost * 1.5）
使用翻译后的查询搜索其他语言字段（boost * 1.0）

如果域没有 language_field_mapping：


使用所有字段进行搜索


查询组合：


多个语言查询组合为 should 子句
提高召回率


示例
查询: "芭比娃娃"
域: default
检测语言: zh

生成的查询:
- 中文查询 "芭比娃娃" → 搜索 name, categoryName, brandName (boost * 1.5)
- 英文翻译 "Barbie doll" → 搜索 enSpuName (boost * 1.0)
- 俄文翻译 "Кукла Барби" → 搜索 ruSkuName (boost * 1.0)

实现模块

search/multilang_query_builder.py - 多语言查询构建器
search/searcher.py - 搜索器（使用多语言构建器）

5.3 相关性计算（Ranking）
实现情况：
当前实现
公式：bm25() + 0.2 * text_embedding_relevance()


bm25()：BM25 文本相关性得分


包括多语言打分
内部通过配置翻译为多种语言
分别到对应的字段搜索
中文字段使用中文分词器，英文字段使用英文分词器

text_embedding_relevance()：文本向量相关性得分（KNN 检索的打分）


权重：0.2


配置方式
ranking:
  expression: "bm25() + 0.2*text_embedding_relevance()"
  description: "BM25 text relevance combined with semantic embedding similarity"

扩展性

支持表达式配置（未来可扩展）
支持自定义函数（如 timeliness(), field_value()）

实现模块

search/ranking_engine.py - 排序引擎
search/searcher.py - 搜索器（集成排序功能）


6. 已完成功能总结
6.1 配置系统

✅ 字段定义配置（类型、分析器、来源表/列）
✅ 索引域配置（多域查询、多语言映射）
✅ 查询配置（改写词典、翻译配置）
✅ 排序配置（表达式配置）
✅ 配置验证（字段存在性、类型检查、分析器匹配）

6.2 数据索引

✅ 数据转换（字段映射、类型转换）
✅ 向量生成（文本向量、图片向量）
✅ 向量缓存（避免重复计算）
✅ 批量索引（错误处理、重试机制）
✅ ES mapping 自动生成

6.3 查询处理

✅ 查询改写（词典配置）
✅ 语言检测
✅ 多语言翻译（DeepL API）
✅ 文本向量化（BGE-M3）
✅ 域提取（支持 domain:query 语法）

6.4 搜索功能

✅ 布尔表达式解析（AND, OR, RANK, ANDNOT, 括号）
✅ 多语言查询构建（语言路由、字段映射）
✅ 语义搜索（KNN 检索）
✅ 相关性排序（BM25 + 向量相似度）
✅ 结果聚合（Faceted Search）

6.5 API 服务

✅ RESTful API（FastAPI）
✅ 搜索接口（文本搜索、图片搜索）
✅ 文档查询接口
✅ 前端界面（HTML + JavaScript）
✅ 租户隔离（tenant_id过滤）

6.6 Base配置（店匠通用）

✅ SPU级别索引结构
✅ 嵌套variants字段
✅ 统一索引（search_products）
✅ 租户隔离（tenant_id）
✅ 配置简化（移除MySQL相关配置）


7. 技术栈

后端：Python 3.6+
搜索引擎：Elasticsearch
数据库：MySQL（Shoplazza）
向量模型：BGE-M3（文本）、CN-CLIP（图片）
翻译服务：DeepL API
API 框架：FastAPI
前端：HTML + JavaScript


8. API响应格式
8.1 外部友好格式
API返回格式不包含ES内部字段（_id, _score, _source），使用外部友好的格式：

响应结构：
{
  "results": [
    {
      "product_id": "123",
      "title": "蓝牙耳机",
      "variants": [
        {
          "variant_id": "456",
          "price": 199.99,
          "sku": "SKU-123-1",
          "stock": 50
        }
      ],
      "relevance_score": 0.95
    }
  ],
  "total": 10,
  "facets": [...],
  "suggestions": [],
  "related_searches": []
}


主要变化：


结构化结果（ProductResult和VariantResult）
嵌套variants数组
无ES内部字段

8.2 租户隔离
所有API请求必须提供tenant_id：


请求头：X-Tenant-ID: 1
或查询参数：?tenant_id=1


搜索时自动添加tenant_id过滤，确保数据隔离。
9. 配置文件示例
Base配置（店匠通用）：config/schema/base/config.yaml

其他客户配置：config/schema/customer1/config.yaml


9. 相关文档

MULTILANG_FEATURE.md - 多语言功能详细说明
QUICKSTART.md - 快速开始指南
HighLevelDesign.md - 高层设计文档
IMPLEMENTATION_SUMMARY.md - 实现总结
商品数据源入ES配置规范.md - 数据源配置规范