GitHub痛改代码搜索引擎，18小时给155亿个文档创建索引，背后技术原理已公开

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

还记得GitHub发布的新版代码搜索引擎吗？

经过一番测试优化后，GitHub现在公开了背后的技术原理。

最新版搜索引擎，不仅解决了之前搜代码时“驴唇不对马嘴”的情况，还可以直接用正则表达式搜索；此外也解决了部分项目上传后搜不到等问题……

网友们看完技术原理后感到惊喜：

这真不错！我看到了谷歌代码搜索引擎的影子。

其实我知道，很少有做代码搜索引擎的人愿意去GitHub，但很高兴能看到这一功能将变得更好用。

要知道，此前GitHub的代码搜索引擎，一度被用户吐槽“形同虚设”。

有不少用户直接自己找了更好用的代码搜索引擎，专门搜索想要的代码：

在这种情况下，新版GitHub代码搜索引擎究竟采用了什么技术，做出了哪些改进？

基于Rust语言的搜索引擎

GitHub新版代码搜索引擎名叫Blackbird，它的关键在于重新构建了一个索引。

这里主要实现两类索引，包括正向索引（Forward index）和反向索引（Inverted index）。

简单来说，正向索引指先给数据库中的各种内容编号（ID），然后通过这些内容ID来搜索对应的具体内容：

这种搜索方法虽然比较直观，也容易理解，但搜索量太大了。如果我们只想通过关键字搜索对应内容，就需要用到反向索引。

反向索引即通过内容中关键词，直接搜到对应的内容ID，从而立刻定位到对应的内容。

具体到反向索引实现方法上，GitHub采用了一种名叫ngram索引的方法，可以很方便地查找内容的子字符串。

这种方法怎么理解？

以limits这个字符串为例，如果ngram中的n=3，那么我们就可以将它分为lim、imi、mit、its四个子字符串。

这时候搜索任意一个字符串，都能找到对应的内容ID，从而定位到想要搜索的内容。

但GitHub的程序员们也意识到，这样构建的索引太大了，要真这样搜索的话会导致服务器不够用，因此还需要对这种方法进行优化。

在Hacker News中有一位GitHub程序员对此做出了解释，即采用一种叫做覆盖稀疏ngrams（covering sparse ngrams）的方法生成候选集，并搜索对应内容，其中9代表ch、6代表he、3表示es，以此类推：

以这类方法为基础建立的系统如下：

所以，新版搜索引擎是否真的比之前更好用了？

测试版体验如何？

目前GitHub中有大约4500万个存储库、115TB代码和155亿个文档。

据GitHub官方表示，原本在改进之前，处理155亿个文档需要大约36个小时。

然而在重写代码之后，需要抓取的文档数量降低了50%以上，因此只需要18个小时左右就可以重新给整个语料库创建索引。

除此之外，需要搜索的内容量也降低了不少。

原本需要搜索的内容在115TB左右，现在将重复内容和数据删除之后，包括索引和内容压缩副本加起来只有25TB大小，缩减到之前的25%左右。

目前测试版依旧在开放申请中，有不少GitHub用户已经试用了一波。

虽然有不少用户对新搜索引擎测试版反响不错，但也有人提出了一些建议。

例如目前这个代码搜索引擎还没办法过滤fork项目，有时候用代码搜索引擎，搜出来全是同一个项目。

对此GitHub程序员也给出了反馈，表示他们之前一直在调整索引这一块，以后会考虑这样的附加功能。

除此之外，也有用户表示，GitHub新版搜索引擎依旧不好用，它从来不区分符号的定义和使用，有时候搜出来的结果，往往需要往后翻5页左右，才能找到想要的结果。

对此，还有网友推荐了自己常用的代码搜索引擎，如Sourcegraph。

你试用过GitHub的新代码搜索引擎了吗？或是还有什么其他好工具推荐？

新版代码搜索引擎申请试用：
https://github.com/features/code-search

参考链接：
[1]https://github.blog/2023-02-06-the-technology-behind-githubs-new-code-search/
[2]https://news.ycombinator.com/item?id=34680903