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……

(资料图)

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

标签： 搜索引擎 文档数量 还有什么