实现自己的搜索引擎（二）

这一节我们来看看搜索引擎中最重要的几个数据结构。

前面我们说过索引包含正向索引和反向索引两部分，首先我们看看正向索引的结构。

正向索引用来存储文档的各种属性，从逻辑上讲，正向索引其实就是一个大数组，数组中每个元素就是一个文档的属性集合。 如果正向索引是有Schema的，那么它其实就类似一个关系表或者说二维数组，纵轴是文档，横轴是属性；如果正向索引是Schema Free的，那么它就类似一个Map的数组，每个文档都是一个Map，key是属性名，value是属性值。 文档在正向索引这个大数组中的下标也是有用的，在很多搜索引擎的实现中，这个下标被称为文档的逻辑ID，叫它ID是因为它唯一的标示了某个特定的文档，叫它“逻辑”是因这个ID只在这个索引中有意义，而且文档也许有自己的类似于ID的属性，要避免混淆。 创建正向索引的过程极其简单，只需要在这个大数组后面追加新的文档即可，每次追加一个文档就会给这个文档产生一个新的逻辑ID。 在搜索引擎中，一般不会从正向索引中删除任何文档，如果需要进行删除操作，则在每个文档中设立一个是否删除的标志，已删除的文档置1。

正向索引其实就这么点东西，下面我们来看看反向索引，这个稍微复杂点。

要实现关键字查询，就必须有一个可以用关键字找到文档的数据结构，所以反向索引逻辑上来说就是一个字典，key是关键字，value就是一个文档集。 在这里刚好用上我们之前在正向索引里产生的逻辑ID，因为逻辑ID唯一的标示一个文档，所以反向索引中的文档集就变成了一个逻辑ID的集合，实现中当然没这么简单，我们等下再说复杂的。 当然，如果仅仅使用这样一个结构，我们一次只能查询一个关键字，即便是作为一个玩具来说功能也太弱了点，下面我们来看看多关键字联合查询怎么做。 两个关键字的“联合”，最简单的有AND和OR两种关系，对于AND关系，我们需要将两个关键字对应的结果集取交集；对于OR则需要取并集；多个关键字只需照此办理即可。现在我们有一个实际的问题，那就是每个关键字对应的结果集可能超大，对它们求交集并集可能是一个昂贵的操作，昂贵到无法消受。 从前面说过的逻辑ID的产生规则可以知道，逻辑ID是由小到大顺序产生的，没有重复，利用这一点我们可以做一些有效的优化。 首先，由于文档是顺序进入正向索引的，所以逻辑ID在加入反向索引时保持升序，如果我们能保持这个顺序，反向索引中每个关键字对应的文档集就变成了一个有序的线性结构，AND和OR操作也就变成了两个有序ID链的交和并。 回顾一下学校中关于算法和数据结构的教材，如果我没记错的话应该有这样的作业题，我就不帮大家做作业了。

很多搜素引擎还支持过滤条件，例如日期、价格等，最简单的方法就是，拿到反向索引匹配的结果集后，对其中的每个文档，在正向索引中检查它们的属性是否满足过滤条件，如果满足则保留，否则丢弃，最后剩下来的就是即匹配了关键字又满足过滤条件的文档。

到目前为止，我们已经实现了一个最基本的全文搜索引擎，它可以支持多关键字的AND/OR查询，还可以支持过滤条件，从功能上来说基本相当于一个玩具版Lucene :D:D

从下一节开始，我们来说说如何把目前的这个“玩具”一步步变成一个功能比较完备的产品。