ಹುಡುಕಾಟ ಸೇವೆ ವಾಸ್ತುಶಿಲ್ಪ: Valkey ಜೊತೆ ಸ್ವತಂತ್ರ Flask ಅಪ್ಲಿಕೇಶನ್

ಈ ಲೇಖನವು ನಮ್ಮ ಹುಡುಕಾಟ ಸೇವೆಯು ಪ್ರತ್ಯೇಕ ಸರ್ವರ್ನಲ್ಲಿ ಸ್ವತಂತ್ರ Flask ಅಪ್ಲಿಕೇಶನ್ ಆಗಿ ಹೇಗೆ ಚಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ಇದು Valkey (Redis ಫೋರ್ಕ್) ಅನ್ನು ಹೆಚ್ಚಿನ-ಕಾರ್ಯಕ್ಷಮತೆಯ ವೆಕ್ಟರ್ ಹುಡುಕಾಟ, ಕ್ಯಾಶಿಂಗ್ ಮತ್ತು ಆಟೋಕಂಪ್ಲೀಟ್ಗಾಗಿ ಬಳಸುತ್ತದೆ.

ಸಮಸ್ಯೆ: ಹುಡುಕಾಟ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸ್ಕೇಲೆಬಿಲಿಟಿ

ಹುಡುಕಾಟ ಕಾರ್ಯಾಚರಣೆಗಳು ಕಂಪ್ಯೂಟೇಷನಲ್ ವೆಚ್ಚದಾಯಕವಾಗಿವೆ:

ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ: ಪ್ರತಿ ಪ್ರಶ್ನೆಯ ವಿರುದ್ಧ 2,500+ ಪದಗುಚ್ಛಗಳನ್ನು ಹೊಂದಿಸಿ
ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು: 65K ಪ್ರಶ್ನೆಗಳಾದ್ಯಂತ ಸಾಮ್ಯತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಿ
ಆಟೋಕಂಪ್ಲೀಟ್: 65K ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ಉಪಸರ್ಗ ಹೊಂದಾಣಿಕೆ
ಉತ್ಪನ್ನ ಫಿಲ್ಟರಿಂಗ್: ಬಹು ಮಾನದಂಡಗಳಿಂದ 5K+ ಉತ್ಪನ್ನಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ

ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ನಲ್ಲಿ ಈ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಚಲಾಯಿಸುವುದರಿಂದ:

ನಿಧಾನ ಪುಟ ಲೋಡ್ಗಳು: ಹುಡುಕಾಟವು ಇತರ ವಿನಂತಿಗಳನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ
ಮೆಮೊರಿ ಒತ್ತಡ: ಎಂಬೆಡಿಂಗ್ಗಳು ದೊಡ್ಡ ಮೆಮೊರಿ ವ್ಯಾಪ್ತಿಯನ್ನು ಆಕ್ರಮಿಸುತ್ತವೆ
CPU ಸ್ಪರ್ಧೆ: ಸಾಮ್ಯತೆ ಲೆಕ್ಕಾಚಾರವು CPU-ತೀವ್ರವಾಗಿದೆ
ಸ್ಕೇಲಿಂಗ್ ಕಷ್ಟ: ಹುಡುಕಾಟವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ

ನಮಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಬಲ್ಲ ಮೀಸಲಾದ ಹುಡುಕಾಟ ಸೇವೆ ಬೇಕು.

ಪರಿಹಾರ: ಸ್ವತಂತ್ರ ಹುಡುಕಾಟ ಸೇವೆ

ನಾವು ಮೀಸಲಾದ ಸರ್ವರ್ನಲ್ಲಿ ಪ್ರತ್ಯೇಕ Flask ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಚಲಾಯಿಸುತ್ತೇವೆ:

Main Web Server
    ↓ HTTP API calls
Search Service
    ↓ Valkey queries
Valkey Server

ಈ ವಾಸ್ತುಶಿಲ್ಪವು ಒದಗಿಸುತ್ತದೆ:

ಸ್ವತಂತ್ರ ಸ್ಕೇಲಿಂಗ್: ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರದೆ ಹುಡುಕಾಟ ಸೇವೆಯನ್ನು ಸ್ಕೇಲ್ ಮಾಡಿ
ಸಂಪನ್ಮೂಲ ಪ್ರತ್ಯೇಕತೆ: ಹುಡುಕಾಟ ಕಾರ್ಯಾಚರಣೆಗಳು ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ
ಕ್ಯಾಶಿಂಗ್: ವೇಗದ ಪುನರಾವರ್ತಿತ ಪ್ರಶ್ನೆಗಳಿಗಾಗಿ Valkey ಫಲಿತಾಂಶಗಳನ್ನು ಕ್ಯಾಶ್ ಮಾಡುತ್ತದೆ
ಹೆಚ್ಚಿನ ಲಭ್ಯತೆ: ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರದೆ ಹುಡುಕಾಟ ಸೇವೆಯನ್ನು ಮರುಪ್ರಾರಂಭಿಸಬಹುದು

ಹುಡುಕಾಟ ಸೇವೆ ಘಟಕಗಳು

1. ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ API

ಎಂಡ್ಪಾಯಿಂಟ್: /api/extract_filters
ಉದ್ದೇಶ: ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಪ್ರಶ್ನೆಗಳಿಂದ ರಚನಾತ್ಮಕ ಫಿಲ್ಟರ್ಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ
ಉದಾಹರಣೆ:

GET /api/extract_filters?q=mini+pc+16gb+ram

Response:
{
  "Form Factor": "Mini PC",
  "Main Memory": "16"
}

ಅನುಷ್ಠಾನ:

Valkey ಅಥವಾ JSON ನಿಂದ ಪದಗುಚ್ಛ-ಫಿಲ್ಟರ್ ಮ್ಯಾಪಿಂಗ್ಗಳು ಅನ್ನು ಲೋಡ್ ಮಾಡಿ
ಪದ ಗಡಿ regex ಬಳಸಿ ಪದಗುಚ್ಛಗಳನ್ನು ಹೊಂದಿಸಿ
ರಚನಾತ್ಮಕ ಫಿಲ್ಟರ್ಗಳನ್ನು ಹಿಂತಿರುಗಿಸಿ

ಕ್ಯಾಶಿಂಗ್: ಪದಗುಚ್ಛ ಮ್ಯಾಪಿಂಗ್ಗಳನ್ನು Valkey ನಲ್ಲಿ ಕ್ಯಾಶ್ ಮಾಡಲಾಗುತ್ತದೆ (30-ದಿನಗಳ TTL)

2. ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು API

ಎಂಡ್ಪಾಯಿಂಟ್: /api/related
ಉದ್ದೇಶ: ವೆಕ್ಟರ್ ಹುಡುಕಾಟವನ್ನು ಬಳಸಿಕೊಂಡು ಅರ್ಥದಲ್ಲಿ ಸಮಾನವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ
ಉದಾಹರಣೆ:

POST /api/related
{
  "query": "mini pc",
  "limit": 10
}

Response:
{
  "related": [
    {"query": "small computer", "similarity": 0.92},
    {"query": "compact desktop", "similarity": 0.89},
    {"query": "mini pc 8gb", "similarity": 0.87}
  ]
}

ಅನುಷ್ಠಾನ:

all-mpnet-base-v2 ಬಳಸಿ ಪ್ರಶ್ನೆಯನ್ನು ಎಂಬೆಡ್ ಮಾಡಿ
ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರಿಗಾಗಿ Valkey RediSearch ಅನ್ನು ಪ್ರಶ್ನಿಸಿ
ಸಾಮ್ಯತೆಯಿಂದ ವಿಂಗಡಿಸಲಾದ ಉನ್ನತ N ಫಲಿತಾಂಶಗಳನ್ನು ಹಿಂತಿರುಗಿಸಿ

ಕ್ಯಾಶಿಂಗ್: ಫಲಿತಾಂಶಗಳನ್ನು Valkey ನಲ್ಲಿ ಕ್ಯಾಶ್ ಮಾಡಲಾಗುತ್ತದೆ (7-ದಿನಗಳ TTL)

3. ಆಟೋಕಂಪ್ಲೀಟ್ API

ಎಂಡ್ಪಾಯಿಂಟ್: /api/autocomplete
ಉದ್ದೇಶ: ಬಳಕೆದಾರ ಟೈಪ್ ಮಾಡುತ್ತಿರುವಾಗ ಪ್ರಶ್ನೆಗಳನ್ನು ಸೂಚಿಸಿ
ಉದಾಹರಣೆ:

GET /api/autocomplete?q=mini+p&limit=5

Response:
{
  "suggestions": [
    "mini pc",
    "mini pc 16gb",
    "mini pc 8gb ram",
    "mini pc fanless",
    "mini pc windows 11"
  ]
}

ಅನುಷ್ಠಾನ:

ಉಪಸರ್ಗ ಹೊಂದಾಣಿಕೆಯೊಂದಿಗೆ Valkey RediSearch ಅನ್ನು ಪ್ರಶ್ನಿಸಿ
ಜನಪ್ರಿಯತೆಯಿಂದ ಶ್ರೇಣೀಕರಿಸಿ (ಇಂಪ್ರೆಶನ್ + ಕ್ಲಿಕ್ ಸ್ಕೋರ್)
ಉನ್ನತ N ಸೂಚನೆಗಳನ್ನು ಹಿಂತಿರುಗಿಸಿ

ಕ್ಯಾಶಿಂಗ್: Valkey ನಲ್ಲಿ ಆಟೋಕಂಪ್ಲೀಟ್ ಸೂಚ್ಯಂಕ (ದೈನಂದಿನ ನವೀಕರಣ)

4. ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳು API

ಎಂಡ್ಪಾಯಿಂಟ್: /api/popular
ಉದ್ದೇಶ: ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಪಡೆಯಿರಿ
ಉದಾಹರಣೆ:

GET /api/popular?limit=10

Response:
{
  "queries": [
    "mini pc",
    "thin client",
    "industrial pc",
    "all in one pc"
  ]
}

ಅನುಷ್ಠಾನ:

Valkey ಅಥವಾ JSON ನಿಂದ ಪ್ರಶ್ನೆಗಳನ್ನು ಲೋಡ್ ಮಾಡಿ
ಟ್ರಾಫಿಕ್ ಸ್ಕೋರ್ ಮೂಲಕ ವಿಂಗಡಿಸಿ (ಇಂಪ್ರೆಶನ್ಗಳು + ಕ್ಲಿಕ್ಗಳು)
ಉನ್ನತ N ಪ್ರಶ್ನೆಗಳನ್ನು ಹಿಂತಿರುಗಿಸಿ

ಕ್ಯಾಶಿಂಗ್: ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು Valkey ನಲ್ಲಿ ಕ್ಯಾಶ್ ಮಾಡಲಾಗುತ್ತದೆ (30-ದಿನಗಳ TTL)

Valkey ಏಕೀಕರಣ

Valkey ಒಂದು Redis ಫೋರ್ಕ್ ಆಗಿದ್ದು, ಅದು ಒದಗಿಸುತ್ತದೆ:

ವೆಕ್ಟರ್ ಹುಡುಕಾಟ: ಸಾಮ್ಯತೆ ಹುಡುಕಾಟಕ್ಕಾಗಿ RediSearch ಮಾಡ್ಯೂಲ್
ಕ್ಯಾಶಿಂಗ್: ವೇಗದ ಇನ್-ಮೆಮೊರಿ ಕೀ-ಮೌಲ್ಯ ಸಂಗ್ರಹ
ಆಟೋಕಂಪ್ಲೀಟ್: ವಿಂಗಡಿಸಿದ ಸೆಟ್ಗಳೊಂದಿಗೆ ಉಪಸರ್ಗ ಹೊಂದಾಣಿಕೆ
ಶಾಶ್ವತತೆ: ಬಾಳಿಕೆಗಾಗಿ AOF (Append-Only File)

RediSearch ನೊಂದಿಗೆ ವೆಕ್ಟರ್ ಹುಡುಕಾಟ

ನಾವು ವೆಕ್ಟರ್ ಸಾಮ್ಯತೆ ಹುಡುಕಾಟಕ್ಕಾಗಿ Valkey ನ RediSearch ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ:

ಸೂಚ್ಯಂಕ ಸೃಷ್ಟಿ:

client.ft("queries_idx").create_index([
    VectorField("embedding", "FLAT", {
        "TYPE": "FLOAT32",
        "DIM": 768,
        "DISTANCE_METRIC": "COSINE"
    }),
    TextField("query"),
    NumericField("score")
])

ವೆಕ್ಟರ್ ಹುಡುಕಾಟ:

query_embedding = model.encode(query)
results = client.ft("queries_idx").search(
    Query("*=>[KNN 10 @embedding $vec AS score]")
    .sort_by("score")
    .return_fields("query", "score")
    .dialect(2),
    query_params={"vec": query_embedding.tobytes()}
)

ಇದು ಕೊಸೈನ್ ಸಾಮ್ಯತೆಯಿಂದ ಹತ್ತಿರದ 10 ನೆರೆಹೊರೆಯವರನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ.

ಕ್ಯಾಶಿಂಗ್ ತಂತ್ರ

ನಾವು Valkey ನಲ್ಲಿ ಬಹು ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ಕ್ಯಾಶ್ ಮಾಡುತ್ತೇವೆ:

ಪದಗುಚ್ಛ ಮ್ಯಾಪಿಂಗ್ಗಳು (30-ದಿನಗಳ TTL):

client.setex(
    "seo:phrase_mappings",
    30 * 24 * 3600,
    json.dumps(phrase_mappings)
)

ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು (7-ದಿನಗಳ TTL):

cache_key = f"related:{query_hash}"
client.setex(cache_key, 7 * 24 * 3600, json.dumps(results))

ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳು (30-ದಿನಗಳ TTL):

client.setex(
    "seo:popular_queries",
    30 * 24 * 3600,
    json.dumps(popular_queries)
)

ಆಟೋಕಂಪ್ಲೀಟ್ ಸೂಚ್ಯಂಕ (ದೈನಂದಿನ ನವೀಕರಣ):

for query, score in queries:
    client.zadd("autocomplete:mini", {query: score})

ವಿಂಗಡಿಸಿದ ಸೆಟ್ಗಳೊಂದಿಗೆ ಆಟೋಕಂಪ್ಲೀಟ್

ನಾವು ಆಟೋಕಂಪ್ಲೀಟ್ಗಾಗಿ Valkey ವಿಂಗಡಿಸಿದ ಸೆಟ್ಗಳನ್ನು ಬಳಸುತ್ತೇವೆ:

ಸೂಚ್ಯಂಕ ರಚನೆ:

autocomplete:m     → ["mini pc": 5000, "mini computer": 3000]
autocomplete:mi    → ["mini pc": 5000, "mini computer": 3000]
autocomplete:min   → ["mini pc": 5000, "mini computer": 3000]
autocomplete:mini  → ["mini pc": 5000, "mini computer": 3000]

ಉಪಸರ್ಗ ನೋಟ:

prefix = "mini"
results = client.zrevrange(f"autocomplete:{prefix}", 0, 9, withscores=True)

ಇದು "mini" ಯಿಂದ ಪ್ರಾರಂಭವಾಗುವ ಉನ್ನತ 10 ಪ್ರಶ್ನೆಗಳನ್ನು ಸ್ಕೋರ್ ಮೂಲಕ ವಿಂಗಡಿಸಿ ಹಿಂತಿರುಗಿಸುತ್ತದೆ.

API ಸಂವಹನ

ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ HTTP ಮೂಲಕ ಹುಡುಕಾಟ ಸೇವೆಯನ್ನು ಕರೆಯುತ್ತದೆ:

ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ

from app.shared.filter_service import extract_filters_from_query

filters = extract_filters_from_query("mini pc 16gb ram")
# Internally calls: GET SEARCH_SERVICE_URL/api/extract_filters?q=...

ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು

import requests

response = requests.post(
    "SEARCH_SERVICE_URL/api/related",
    json={"query": "mini pc", "limit": 10},
    timeout=2
)
related = response.json()["related"]

ಆಟೋಕಂಪ್ಲೀಟ್

response = requests.get(
    "SEARCH_SERVICE_URL/api/autocomplete",
    params={"q": "mini p", "limit": 5},
    timeout=1
)
suggestions = response.json()["suggestions"]

ದೋಷ ನಿರ್ವಹಣೆ ಮತ್ತು ಫಾಲ್ಬ್ಯಾಕ್ಗಳು

ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಹುಡುಕಾಟ ಸೇವೆಯ ವೈಫಲ್ಯಗಳನ್ನು ಸುಲಭವಾಗಿ ನಿಭಾಯಿಸುತ್ತದೆ:

try:
    filters = extract_filters_from_query(query)
except Exception as e:
    logger.error(f"Search service failed: {e}")
    filters = {}  # Fallback to empty filters

ಇದು ಹುಡುಕಾಟ ಸೇವೆ ಡೌನ್ ಆಗಿದ್ದರೂ ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ನೆಟ್ವರ್ಕ್ ಕಾನ್ಫಿಗರೇಶನ್

ಎಲ್ಲಾ ಸರ್ವರ್ಗಳು ಖಾಸಗಿ ನೆಟ್ವರ್ಕ್ನಲ್ಲಿವೆ:

ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್: ಹುಡುಕಾಟ ಸೇವೆ ಮತ್ತು Valkey ಅನ್ನು ಪ್ರವೇಶಿಸಬಹುದು
ಹುಡುಕಾಟ ಸೇವೆ: Valkey ಅನ್ನು ಪ್ರವೇಶಿಸಬಹುದು
Valkey: ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಮತ್ತು ಹುಡುಕಾಟ ಸೇವೆಯಿಂದ ಮಾತ್ರ ಪ್ರವೇಶಿಸಬಹುದು

ಹುಡುಕಾಟ ಸೇವೆ ಅಥವಾ Valkey ಗೆ ಯಾವುದೇ ಬಾಹ್ಯ ಪ್ರವೇಶವಿಲ್ಲ.

SEO ಪೈಪ್ಲೈನ್ನೊಂದಿಗೆ ಏಕೀಕರಣ

ಹುಡುಕಾಟ ಸೇವೆಯು SEO ಪೈಪ್ಲೈನ್ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ:

ಹಂತ 11: Valkey ಗೆ ವಲಸೆ

SEO ಪೈಪ್ಲೈನ್ Valkey ಗೆ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುತ್ತದೆ:

# Load query embeddings
for query, embedding in zip(queries, embeddings):
    client.hset(f"query:{query_hash}", mapping={
        "query": query,
        "embedding": embedding.tobytes(),
        "score": score
    })

# Create RediSearch index
client.ft("queries_idx").create_index([...])

ವಿವರಗಳಿಗಾಗಿ Valkey ವಲಸೆ ನೋಡಿ.

ಪ್ರಶ್ನೆ ಲಾಗಿಂಗ್

ಹುಡುಕಾಟ ಸೇವೆಯು SEO ಪೈಪ್ಲೈನ್ಗಾಗಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಲಾಗ್ ಮಾಡುತ್ತದೆ:

log_entry = {
    "timestamp": datetime.now(timezone.utc).isoformat(),
    "query": query,
    "filters_extracted": filters,
    "results_count": len(results)
}
with open(SEO_LIVE_QUERIES_LOG, "a") as f:
    f.write(json.dumps(log_entry) + "\n")

ಈ ಲಾಗ್ಗಳು ಹಂತ 1d ಗೆ ಮರಳಿ ಫೀಡ್ ಆಗುತ್ತವೆ: ಲೈವ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಪಡೆಯಿರಿ.

ಉಲ್ಲೇಖಗಳು

ತಾಂತ್ರಿಕ ಪರಿಕಲ್ಪನೆಗಳು

Valkey - ಅಧಿಕೃತ ವೆಬ್ಸೈಟ್
Redis - ಅಧಿಕೃತ ವೆಬ್ಸೈಟ್ (Valkey ಫೋರ್ಕ್)
RediSearch - ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ಮಾಡ್ಯೂಲ್
ಕೊಸೈನ್ ಸಾಮ್ಯತೆ - ವಿಕಿಪೀಡಿಯಾ

ಸಂಬಂಧಿತ ಲೇಖನಗಳು

ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ - ಫಿಲ್ಟರ್ಗಳನ್ನು ಹೇಗೆ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ
ಸಂಬಂಧಿತ ಹುಡುಕಾಟ ಸೃಷ್ಟಿ - ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗುತ್ತದೆ
ಎಂಬೆಡಿಂಗ್ ತಂತ್ರ - ಎಂಬೆಡಿಂಗ್ಗಳನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗುತ್ತದೆ
SEO ಪೈಪ್ಲೈನ್ ಅವಲೋಕನ - ಸಂಪೂರ್ಣ ಪೈಪ್ಲೈನ್ ವಾಸ್ತುಶಿಲ್ಪ
Valkey ವಲಸೆ - Valkey ಗೆ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುವುದು

ಸಾರಾಂಶ

ನಮ್ಮ ಹುಡುಕಾಟ ಸೇವೆಯು ಪ್ರತ್ಯೇಕ ಸರ್ವರ್ನಲ್ಲಿ ಸ್ವತಂತ್ರ Flask ಅಪ್ಲಿಕೇಶನ್ ಆಗಿ ಚಲಿಸುತ್ತದೆ:

ವಾಸ್ತುಶಿಲ್ಪ:

ಮೀಸಲಾದ ಸರ್ವರ್ನಲ್ಲಿ ಸ್ವತಂತ್ರ Flask ಅಪ್ಲಿಕೇಶನ್
ಕ್ಯಾಶಿಂಗ್ ಮತ್ತು ವೆಕ್ಟರ್ ಹುಡುಕಾಟಕ್ಕಾಗಿ Valkey (Redis ಫೋರ್ಕ್)
ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ನೊಂದಿಗೆ ಸಂವಹನಕ್ಕಾಗಿ HTTP API

API ಗಳು:

/api/extract_filters - ಪ್ರಶ್ನೆಗಳಿಂದ ಫಿಲ್ಟರ್ಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ
/api/related - ಸಮಾನ ಪ್ರಶ್ನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ (ವೆಕ್ಟರ್ ಹುಡುಕಾಟ)
/api/autocomplete - ಪ್ರಶ್ನೆಗಳನ್ನು ಸೂಚಿಸಿ (ಉಪಸರ್ಗ ಹೊಂದಾಣಿಕೆ)
/api/popular - ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಪಡೆಯಿರಿ

Valkey ವೈಶಿಷ್ಟ್ಯಗಳು:

ವೆಕ್ಟರ್ ಹುಡುಕಾಟ (RediSearch ಮಾಡ್ಯೂಲ್)
ಕ್ಯಾಶಿಂಗ್ (ಪದಗುಚ್ಛ ಮ್ಯಾಪಿಂಗ್ಗಳಿಗೆ 30-ದಿನಗಳ TTL)
ಆಟೋಕಂಪ್ಲೀಟ್ (ವಿಂಗಡಿಸಿದ ಸೆಟ್ಗಳು)
ಶಾಶ್ವತತೆ (AOF)

ಪ್ರಯೋಜನಗಳು:

ಸ್ವತಂತ್ರ ಸ್ಕೇಲಿಂಗ್
ಸಂಪನ್ಮೂಲ ಪ್ರತ್ಯೇಕತೆ
ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆ (Valkey ಕ್ಯಾಶಿಂಗ್)
ದೋಷ ಸಹಿಷ್ಣುತೆ (ಸುಗಮ ಅವನತಿ)

ಈ ವಾಸ್ತುಶಿಲ್ಪವು ಮುಖ್ಯ ವೆಬ್ ಸರ್ವರ್ ಅನ್ನು ಸ್ಪಂದಿಸುವಂತೆ ಇರಿಸುತ್ತಾ ವೇಗವಾದ, ಸ್ಕೇಲೆಬಲ್ ಹುಡುಕಾಟವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

← ದಸ್ತಾವೇಜು ಸೂಚ್ಯಂಕಕ್ಕೆ ಹಿಂತಿರುಗಿ

ಉತ್ಪನ್ನಗಳು

ಜನಪ್ರಿಯ ಹುಡುಕಾಟಗಳು ಮತ್ತು ಬ್ಲಾಗ್‌ಗಳು

ಹುಡುಕಾಟ ಸೇವೆ ವಾಸ್ತುಶಿಲ್ಪ: Valkey ಜೊತೆ ಸ್ವತಂತ್ರ Flask ಅಪ್ಲಿಕೇಶನ್

ಸಮಸ್ಯೆ: ಹುಡುಕಾಟ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸ್ಕೇಲೆಬಿಲಿಟಿ

ಪರಿಹಾರ: ಸ್ವತಂತ್ರ ಹುಡುಕಾಟ ಸೇವೆ

ಹುಡುಕಾಟ ಸೇವೆ ಘಟಕಗಳು

1. ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ API

2. ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು API

3. ಆಟೋಕಂಪ್ಲೀಟ್ API

4. ಜನಪ್ರಿಯ ಪ್ರಶ್ನೆಗಳು API

Valkey ಏಕೀಕರಣ

RediSearch ನೊಂದಿಗೆ ವೆಕ್ಟರ್ ಹುಡುಕಾಟ

ಕ್ಯಾಶಿಂಗ್ ತಂತ್ರ

ವಿಂಗಡಿಸಿದ ಸೆಟ್ಗಳೊಂದಿಗೆ ಆಟೋಕಂಪ್ಲೀಟ್

API ಸಂವಹನ

ಫಿಲ್ಟರ್ ಹೊರತೆಗೆಯುವಿಕೆ

ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳು

ಆಟೋಕಂಪ್ಲೀಟ್

ದೋಷ ನಿರ್ವಹಣೆ ಮತ್ತು ಫಾಲ್ಬ್ಯಾಕ್ಗಳು

ನೆಟ್ವರ್ಕ್ ಕಾನ್ಫಿಗರೇಶನ್

SEO ಪೈಪ್ಲೈನ್ನೊಂದಿಗೆ ಏಕೀಕರಣ

ಹಂತ 11: Valkey ಗೆ ವಲಸೆ

ಪ್ರಶ್ನೆ ಲಾಗಿಂಗ್

ಉಲ್ಲೇಖಗಳು

ತಾಂತ್ರಿಕ ಪರಿಕಲ್ಪನೆಗಳು

ಸಂಬಂಧಿತ ಲೇಖನಗಳು

ಸಾರಾಂಶ