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：

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？

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 https://dwz.cn/ELv7FvuX