欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

【Elasticsearch 7 探索之路】(三)倒排索引

程序员文章站 2022-05-22 20:03:36
上一篇,我们介绍了 ES 文档的基本 CURE 和批量操作。我们都知道倒排索引是搜索引擎非常重要的一种数据结构,什么是倒排索引,倒排索引的原理是什么。 1 索引过程 在讲解倒排索引前,我们先了解索引创建,下图是 Elasticsearch 中数据索引过程的流程。 从上图可以看到,文档未在 ES 中进 ......

上一篇,我们介绍了 es 文档的基本 cure 和批量操作。我们都知道倒排索引是搜索引擎非常重要的一种数据结构,什么是倒排索引,倒排索引的原理是什么。

1 索引过程

在讲解倒排索引前,我们先了解索引创建,下图是 elasticsearch 中数据索引过程的流程。

【Elasticsearch 7 探索之路】(三)倒排索引

从上图可以看到,文档未在 es 中进行索引,而是 由 analyzer 组件对其执行一些操作并将其拆分为 token/term。然后将这些术语作为倒排索引存储在磁盘中。假设我们有两个名为 name 和 age 字段,当要将文档索引到 es 时,analyzers 组件 以某些定界符(有默认定界符,例如空格,句号等)将它们分割开获取 token,再对每个 token 应用特定的过滤器。经过分析的这些标记称为 term。然后将这些 term 针对该字段)存储在倒排列表中。

2 倒排索引

2.1 正排与倒排索引

一般在我们阅读图书,我们会根据目录快速定位想要阅读的章节,过了一段时间,你想要的回顾之前某一个知识点,你发现从目录难以查找到对应的地方,这时你可能就会从索引页从去查找对应内容索引,从而找到页码。

【Elasticsearch 7 探索之路】(三)倒排索引

【Elasticsearch 7 探索之路】(三)倒排索引

搜索引擎其实跟我们的使用图书很相似,下面我来对图书和搜索引擎进行一个简单的类比,来看一下搜素引擎中正排和倒排索引。

  • 图书
    • 正排索引-目录页
    • 倒排索引-索引页
  • 搜索引擎
    • 正排索引-文档 id 到文档内容和单词的关联
    • 倒排索引-单词到文档 id 的关系

2.2 倒排索引的核心组成

举个例子,假设我们有 3 个文档:

doc 1:breakthrough drug for schizophrenia

doc 2:new schizophrenia drug 

doc 3:new approach for treatment of schizophrenia

经过分析,文件中的术语如下

文档 分词结果
doc 1 breakthrough,drug,for,schizophrenia
doc 2 new,schizophrenia,drug
doc 3 new,approach,for,treatment,of

倒排列表的元数据结构:

(docid;tf;<pos>)

其中:

  • docid:出现某单词的文档id

  • tf(词频):单词在该文档中出现的次数

  • pos:单词在文档中的位置

则它们生成的倒排索引

单词 逆向文档频率 倒排列表(docid;tf;))
breakthrough 1 (1;1;<1>)
drug 2 (1;1;<2>),(2;1;<3>)
for 2 (1;1;<3>),(3;1;<3>)
schizophrenia 2 (1;1;<4>),(2;1;<2>)
new 2 (2;1;<1>),(3;1;<1>)
approach 1 (3;1;<2>)
treatment 1 (3;1;<4>)
of 1 (3;1;<5>)
  • es 倒排索引包含两个部分

    • 单词词典 (term dictionary),索引最小单位,记录所有文档的单词,记录单词到倒排列表的关联关系
      • 单词词典一般都会非常多,通过 b+ 树或 hash 表方式以满足高性能的插入与查询
    • 倒排列表(posting list)-由倒排索引项(posting)组成
      • 文档 id
      • 词频 tf,该单词在文档中出现的次数,用于相关性评分
      • 位置(position),单词在文档中分词的位置。用于语句搜索(phrase query)
      • 偏移(offset),记录单词的开始结束位置,实现高亮显示

【Elasticsearch 7 探索之路】(三)倒排索引

es 也可以指定对某些字段不做索引

  • 优点:节省存储空间
  • 缺点:字段无法被搜索

3 总结

在之前文章说了 es 的文档是基于 json 格式,在我们创建索引的时候,对每一个文档记录对应索引相关的信息。在对倒排索引进行搜索时,查询单词是否在单词字典,获取单词在倒排列表的指针,获取有该单词单词的文档 id 列表,通过 es 的倒排索引,我们轻易对全文进行快速搜素。