当前开发进度.md 15.1 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
所有租户共用主表、独立配置和扩展表，有自己独立的ES索引。
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 每个租户的扩展表
各个租户有自己的扩展表，不同的租户根据不同的业务需要、以及不同的数据源，来定制自己的扩展表：


自定义属性体系
多语言商品标题（中文、英文、俄文等）
品牌名、不同的类目和标签体系
业务过滤和聚合字段
权重（提权）字段


数据关联方式：


入索引时，商品主表 shoplazza_product_sku 的 id + shopid 与租户扩展表关联
例如：customer1_extension 表存储 customer1 的自定义字段

1.3 配置化方案
统一通过配置文件定义：


ES 字段定义（字段类型、分析器、来源表/列）
ES mapping 结构生成
数据入库映射关系


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
fields:
  # 主键字段
  - name: "skuId"
    type: "LONG"
    source_table: "main"          # 主表
    source_column: "id"
    required: true
    index: true
    store: true

  # 多语言文本字段
  - name: "name"
    type: "TEXT"
    source_table: "extension"     # 扩展表
    source_column: "name"
    analyzer: "chinese_ecommerce"
    boost: 2.0
    index: true
    store: true

  - name: "enSpuName"
    type: "TEXT"
    source_table: "extension"
    source_column: "enSpuName"
    analyzer: "english"
    boost: 2.0

  - name: "ruSkuName"
    type: "TEXT"
    source_table: "extension"
    source_column: "ruSkuName"
    analyzer: "russian"
    boost: 2.0

  # 文本向量字段
  - name: "name_embedding"
    type: "TEXT_EMBEDDING"
    source_table: "extension"
    source_column: "name"
    embedding_dims: 1024
    embedding_similarity: "dot_product"
    index: true

  # 图片向量字段
  - name: "image_embedding"
    type: "IMAGE_EMBEDDING"
    source_table: "extension"
    source_column: "imageUrl"
    embedding_dims: 1024
    embedding_similarity: "dot_product"
    nested: false


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. 测试数据灌入
3.1 数据源
主表：shoplazza_product_sku


所有租户共用
包含基础商品信息（id, shopid 等）


扩展表：customer1_extension


每个租户独立
包含自定义字段和多语言字段

3.2 数据灌入方式
实现情况：
命令行工具
python main.py ingest \
    --customer customer1 \
    --csv-file data/customer1_data.csv \
    --es-host http://localhost:9200 \
    --recreate \
    --batch-size 100

数据流程

数据加载：从 CSV 文件或 MySQL 数据库加载数据
数据转换：


字段映射（根据配置将源字段映射到 ES 字段）
类型转换（字符串、数字、日期等）
向量生成（文本向量、图片向量）
向量缓存（避免重复计算）

索引创建：


根据配置生成 ES mapping
创建或更新索引

批量入库：


批量写入 ES（默认每批 500 条）
错误处理和重试机制


配置映射示例
customer1_config.yaml 配置：
main_table: "shoplazza_product_sku"
extension_table: "customer1_extension"
es_index_name: "search_customer1"

fields:
  - name: "skuId"
    source_table: "main"
    source_column: "id"
  - name: "name"
    source_table: "extension"
    source_column: "name"
  - name: "enSpuName"
    source_table: "extension"
    source_column: "enSpuName"


数据转换：


主表字段：直接从 shoplazza_product_sku 表的 id 字段读取
扩展表字段：从 customer1_extension 表的对应列读取
向量字段：对源文本/图片生成向量并缓存


实现模块：


indexer/data_transformer.py - 数据转换器
indexer/bulk_indexer.py - 批量索引器
indexer/indexing_pipeline.py - 索引流水线
embeddings/bge_encoder.py - 文本向量编码器
embeddings/clip_image_encoder.py - 图片向量编码器


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）


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. 配置文件示例
完整配置示例请参考：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