当前位置： 移动技术网 > IT编程>数据库>其他数据库 > 【Elasticsearch 7 探索之路】（三）倒排索引

【Elasticsearch 7 探索之路】（三）倒排索引

2019年11月21日  | 移动技术网IT编程  | 我要评论

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。

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

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。

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网