GitHub痛改代碼搜索引擎，18小時(shí)給155億個(gè)文檔創(chuàng)建索引，背后技術(shù)原理已公開
提升50%創(chuàng)建索引速度
蕭簫 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI
還記得GitHub發(fā)布的新版代碼搜索引擎嗎？
經(jīng)過一番測(cè)試優(yōu)化后，GitHub現(xiàn)在公開了背后的技術(shù)原理。
最新版搜索引擎，不僅解決了之前搜代碼時(shí)“驢唇不對(duì)馬嘴”的情況，還可以直接用正則表達(dá)式搜索；此外也解決了部分項(xiàng)目上傳后搜不到等問題……
網(wǎng)友們看完技術(shù)原理后感到驚喜：
這真不錯(cuò)！我看到了谷歌代碼搜索引擎的影子。
其實(shí)我知道，很少有做代碼搜索引擎的人愿意去GitHub，但很高興能看到這一功能將變得更好用。
要知道，此前GitHub的代碼搜索引擎，一度被用戶吐槽“形同虛設(shè)”。
有不少用戶直接自己找了更好用的代碼搜索引擎，專門搜索想要的代碼：
在這種情況下，新版GitHub代碼搜索引擎究竟采用了什么技術(shù)，做出了哪些改進(jìn)？
基于Rust語言的搜索引擎
GitHub新版代碼搜索引擎名叫Blackbird，它的關(guān)鍵在于重新構(gòu)建了一個(gè)索引。
這里主要實(shí)現(xiàn)兩類索引，包括正向索引（Forward index）和反向索引（Inverted index）。
簡單來說，正向索引指先給數(shù)據(jù)庫中的各種內(nèi)容編號(hào)（ID），然后通過這些內(nèi)容ID來搜索對(duì)應(yīng)的具體內(nèi)容：
這種搜索方法雖然比較直觀，也容易理解，但搜索量太大了。如果我們只想通過關(guān)鍵字搜索對(duì)應(yīng)內(nèi)容，就需要用到反向索引。
反向索引即通過內(nèi)容中關(guān)鍵詞，直接搜到對(duì)應(yīng)的內(nèi)容ID，從而立刻定位到對(duì)應(yīng)的內(nèi)容。
具體到反向索引實(shí)現(xiàn)方法上，GitHub采用了一種名叫ngram索引的方法，可以很方便地查找內(nèi)容的子字符串。
這種方法怎么理解？
以limits這個(gè)字符串為例，如果ngram中的n=3，那么我們就可以將它分為lim、imi、mit、its四個(gè)子字符串。
這時(shí)候搜索任意一個(gè)字符串，都能找到對(duì)應(yīng)的內(nèi)容ID，從而定位到想要搜索的內(nèi)容。
但GitHub的程序員們也意識(shí)到，這樣構(gòu)建的索引太大了，要真這樣搜索的話會(huì)導(dǎo)致服務(wù)器不夠用，因此還需要對(duì)這種方法進(jìn)行優(yōu)化。
在Hacker News中有一位GitHub程序員對(duì)此做出了解釋，即采用一種叫做覆蓋稀疏ngrams（covering sparse ngrams）的方法生成候選集，并搜索對(duì)應(yīng)內(nèi)容，其中9代表ch、6代表he、3表示es，以此類推：
以這類方法為基礎(chǔ)建立的系統(tǒng)如下：
所以，新版搜索引擎是否真的比之前更好用了？
測(cè)試版體驗(yàn)如何？
目前GitHub中有大約4500萬個(gè)存儲(chǔ)庫、115TB代碼和155億個(gè)文檔。
據(jù)GitHub官方表示，原本在改進(jìn)之前，處理155億個(gè)文檔需要大約36個(gè)小時(shí)。
然而在重寫代碼之后，需要抓取的文檔數(shù)量降低了50%以上，因此只需要18個(gè)小時(shí)左右就可以重新給整個(gè)語料庫創(chuàng)建索引。
除此之外，需要搜索的內(nèi)容量也降低了不少。
原本需要搜索的內(nèi)容在115TB左右，現(xiàn)在將重復(fù)內(nèi)容和數(shù)據(jù)刪除之后，包括索引和內(nèi)容壓縮副本加起來只有25TB大小，縮減到之前的25%左右。
目前測(cè)試版依舊在開放申請(qǐng)中，有不少GitHub用戶已經(jīng)試用了一波。
雖然有不少用戶對(duì)新搜索引擎測(cè)試版反響不錯(cuò)，但也有人提出了一些建議。
例如目前這個(gè)代碼搜索引擎還沒辦法過濾fork項(xiàng)目，有時(shí)候用代碼搜索引擎，搜出來全是同一個(gè)項(xiàng)目。
對(duì)此GitHub程序員也給出了反饋，表示他們之前一直在調(diào)整索引這一塊，以后會(huì)考慮這樣的附加功能。
除此之外，也有用戶表示，GitHub新版搜索引擎依舊不好用，它從來不區(qū)分符號(hào)的定義和使用，有時(shí)候搜出來的結(jié)果，往往需要往后翻5頁左右，才能找到想要的結(jié)果。
對(duì)此，還有網(wǎng)友推薦了自己常用的代碼搜索引擎，如Sourcegraph。
你試用過GitHub的新代碼搜索引擎了嗎？或是還有什么其他好工具推薦？
新版代碼搜索引擎申請(qǐng)?jiān)囉茫?br /> https://github.com/features/code-search
參考鏈接：
[1]https://github.blog/2023-02-06-the-technology-behind-githubs-new-code-search/
[2]https://news.ycombinator.com/item?id=34680903
相關(guān)閱讀
GitHub上讀北大：覆蓋AI高數(shù)等130多門課，講義考題答案全都有，標(biāo)星已3k+
GitHub真的是一個(gè)“寶藏網(wǎng)站”。
我從GitHub上看到了編程語言八年變遷史 | Reddit 30.7k
一位博主PieChartPirate統(tǒng)計(jì)了從2012年6月-2020年6月GitHub上最受歡迎的編程語言，看到了整個(gè)語言的變遷史，一直穩(wěn)居第一寶座的是JavaScript。
GitHub推出云端IDE，幾秒完成開發(fā)環(huán)境配置，今后可以在瀏覽器里使用VS Code了
還要打造自己的技術(shù)討論區(qū)
