【Elasticsearch 7 探索之路】（三）倒排索引

Coder编程 2022-04-29

展开全文

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