搜索引擎之倒排索引淺析

上一篇文章 [ElasticSearch 術語](https://www.tianheyu.top/archives/elasticsearch-term)中提到了倒排索引，那麼這篇文章就來說解下什麼是倒排索引，倒排索引的數據結構以及 ElasticSearch 中的倒排索引。

# 倒排索引

倒排索引（Inverted Index） 也常被稱爲反向索引，是搜索引擎中很是重要的數據結構，爲何說它重要呢，咱們首先拿一本書《重構 改善既有代碼的設計》舉個例子：

若是一本書沒有目錄的話，理論上也是能夠讀的，只是合上書下次再次閱讀的時候，就有些耗費時間了。

經過給一本書加目錄頁，能夠快速瞭解這本書的大體內容分佈以及每一個章節的頁碼數，這樣在查詢內容的時候效率就會很是高了，因此書的目錄就是書本內容的簡單索引。


想象一下你要搜索 `case語句` 這個關鍵詞在這本書的頁碼，你應該怎麼辦呢？有些技術類的書籍會在最後提供索引頁，這本書的索引頁以下：


只須要從索引頁中查找 `case語句`，就能夠查找到關鍵詞在書本中的頁碼位置了。

看完這個例子，讓咱們來把圖書和搜索引擎作個簡單的類比：

圖書當中的目錄頁就至關正向索引（Forward Index），索引頁就至關於倒排索引的簡單實現，在搜索引擎中，正向索引指的是文檔 ID 到文檔內容和單詞的關聯，倒排索引就是單詞到文檔 ID 的關係。

下面來看一個很簡單的例子：

| 文檔 ID | 文檔內容 |

| --- | --- |

|  1  |  Mastering ElasticSearch   |

|  2  |  ElasticSearch Server      |

|  3  |  ElasticSearch Essentials  |

如上有三篇文檔，每篇文檔的內容都是關於 ElasticSearch 的三本書，那咱們思考下怎麼樣變爲一個倒排索引呢？

|Term|Count|DocumentId:Position|

| --- | --- | --- |

|ElasticSearch|3|1:1，2:0，3:0|

|Mastering|1|1:0|

|Server|1|2:1|

|Essentials|1|3:1|

把書中內容出現因此的詞都分紅不一樣的關鍵詞（Term），排列在第一欄，分別是 `ElasticSearch`，`Mastering`，`Server` 和 `Essentials`；第二欄是統計了關鍵詞在全部內容中出現的次數，好比 `ElasticSearch` 在內容中出現了三次，就記爲 3；第三欄標註的是文檔 ID 和文檔出現的位置，好比 `ElasticSearch` 在第 1,2,3 文檔中都出現了，在第一個文檔所處的位置是第二個，因此標註的爲 1。

以上就是簡單的正排索引和倒排索引的結構，下面讓咱們來看下倒排索引的數據結構：

## 倒排索引數據結構

倒排索引的核心分爲兩部分，第一部分爲單詞詞典（Term Dictionary），記錄全部文檔的單詞以及單詞到倒排列表的關聯關係。在前面的例子中，單詞的量並非不少，可是在實際生產中，單詞量會很是大，因此實際會採用 **B+ 樹和哈希拉鍊法**去存儲單詞的詞典，以知足高性能的插入與查詢。

第二部分是倒排列表（Posting List），它記錄了單詞對應文檔的結合，倒排列表是由倒排索引項（Posting） 組成，倒排索引項包含：

- 文檔 ID：用於獲取原始信息

- 詞頻（TF，Term Frequency）：該單詞在文檔中出現的次數，用於相關性評分

- 位置（Position）：單詞在文檔中分詞的位置，用於語句搜索（Phrase Query）

- 偏移（Offset）：記錄單詞的開始結束位置，實現高亮顯示（好比用 GitHub 搜索的時候，搜索的關鍵詞會高亮顯示）

下面咱們來用一張圖來總體看下倒排索引：


一個倒排索引是由單詞詞典（Term Dictionary）和倒排列表（Posting List）組成的，單詞詞典會記錄倒排列表中每一個單詞的偏移位置。好比當搜索 `Allen` 的時候，首先會經過單詞詞典快速定位到 `Allen`，而後從 `Allen` 這裏拿到在倒排列表中的偏移，快速定位到在倒排列表中的位置，從而真正拿到倒排索引項 \[12,15\]（這裏只是列了下 Document ID，實際上是像上面講的包含 4 項信息的項），拿到這個項能夠去索引上拿到原始信息，能夠去計算打分排序返回給用戶。

再瞭解了倒排索引的數據結構後，讓咱們來看下 ES 中的倒排索引吧！

## ElasticSearch 倒排索引

那麼在 ElasticSearch 中的文檔是基於 Json 格式的，其中一個文檔包含多個字段，每一個字段都會有本身的倒排索引。在 Mapping 中能夠去設置對某些字段不作索引，這樣作能夠節省存儲空間，但同時也會致使這個字段沒法搜索了。

好比一個文檔，其中包含兩個字段 `username` 和 `job`：

{

    "username":"wupx",

    "job":"programmer"

}

在構建索引的時候是根據字段構建的，那麼 ES 中 username 會有一個倒排索引，job 也會有一個倒排索引。


# 總結

這篇文章主要介紹了什麼是倒排索引以及它的數據結構，下一篇文章將會學習如何在 ElasticSearch 中分詞來造成倒排索引。

 參考文獻

 Elasticsearch核心技術與實戰

 https://dwz.cn/ELv7FvuX