搜索引擎之倒排索引浅析
上一篇文章 elasticsearch 术语中提到了倒排索引,那么这篇文章就来讲解下什么是倒排索引,倒排索引的数据结构以及 elasticsearch 中的倒排索引。
倒排索引
倒排索引(inverted index) 也常被称为反向索引,是搜索引擎中非常重要的数据结构,为什么说它重要呢,我们首先拿一本书《重构 改善既有代码的设计》举个例子:
如果一本书没有目录的话,理论上也是可以读的,只是合上书下次再次阅读的时候,就有些耗费时间了。
通过给一本书加目录页,可以快速了解这本书的大致内容分布以及每个章节的页码数,这样在查询内容的时候效率就会非常高了,所以书的目录就是书本内容的简单索引。
想象一下你要搜索 case语句
这个关键词在这本书的页码,你应该怎么办呢?有些技术类的书籍会在最后提供索引页,这本书的索引页如下:
只需要从索引页中查找 case语句
,就可以查找到关键词在书本中的页码位置了。
看完这个例子,让我们来把图书和搜索引擎做个简单的类比:
图书当中的目录页就相当正向索引(forward index),索引页就相当于倒排索引的简单实现,在搜索引擎中,正向索引指的是文档 id 到文档内容和单词的关联,倒排索引就是单词到文档 id 的关系。
下面来看一个很简单的例子:
文档 id | 文档内容 |
---|---|
1 | mastering elasticsearch |
2 | elasticsearch server |
3 | elasticsearch essentials |
如上有三篇文档,每篇文档的内容都是关于 elasticsearch 的三本书,那我们思考下怎么样变为一个倒排索引呢?
term | count | documentid:position |
---|---|---|
elasticsearch | 3 | 1:1,2:0,3:0 |
mastering | 1 | 1:0 |
server | 1 | 2:1 |
essentials | 1 | 3:1 |
把书中内容出现所以的词都分成不同的关键词(term),排列在第一栏,分别是 elasticsearch
,mastering
,server
和 essentials
;第二栏是统计了关键词在所有内容中出现的次数,比如 elasticsearch
在内容中出现了三次,就记为 3;第三栏标注的是文档 id 和文档出现的位置,比如 elasticsearch
在第 1,2,3 文档中都出现了,在第一个文档所处的位置是第二个,所以标注的为 1。
以上就是简单的正排索引和倒排索引的结构,下面让我们来看下倒排索引的数据结构:
倒排索引数据结构
倒排索引的核心分为两部分,第一部分为单词词典(term dictionary),记录所有文档的单词以及单词到倒排列表的关联关系。在前面的例子中,单词的量并不是很多,但是在实际生产中,单词量会非常大,所以实际会采用 b+ 树和哈希拉链法去存储单词的词典,以满足高性能的插入与查询。
第二部分是倒排列表(posting list),它记录了单词对应文档的结合,倒排列表是由倒排索引项(posting) 组成,倒排索引项包含:
- 文档 id:用于获取原始信息
- 词频(tf,term frequency):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(比如用 github 搜索的时候,搜索的关键词会高亮显示)
下面我们来用一张图来整体看下倒排索引:
一个倒排索引是由单词词典(term dictionary)和倒排列表(posting list)组成的,单词词典会记录倒排列表中每个单词的偏移位置。比如当搜索 allen
的时候,首先会通过单词词典快速定位到 allen
,然后从 allen
这里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,从而真正拿到倒排索引项 [12,15]
(这里只是列了下 document id,其实是像上面讲的包含 4 项信息的项),拿到这个项可以去索引上拿到原始信息,可以去计算打分排序返回给用户。
再了解了倒排索引的数据结构后,让我们来看下 es 中的倒排索引吧!
elasticsearch 倒排索引
那么在 elasticsearch 中的文档是基于 json 格式的,其中一个文档包含多个字段,每个字段都会有自己的倒排索引。在 mapping 中可以去设置对某些字段不做索引,这样做可以节省存储空间,但同时也会导致这个字段无法搜索了。
比如一个文档,其中包含两个字段 username
和 job
:
{ "username":"wupx", "job":"programmer" }
在构建索引的时候是根据字段构建的,那么 es 中 username 会有一个倒排索引,job 也会有一个倒排索引。
总结
这篇文章主要介绍了什么是倒排索引以及它的数据结构,下一篇文章将会学习如何在 elasticsearch 中分词来形成倒排索引。
参考文献
elasticsearch核心技术与实战