全文检索学习笔记

• 什么是全文检索

1.1 数据分类

我们生活中的数据总体分为两种：结构化数据和非结构化数据。

* 结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。

* 非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等。

 

当然有的地方还会提到第三种，半结构化数据，如XML，HTML等，当根据需要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理。

1.2 数据搜索方式

对结构化数据的搜索 ：如对数据库的搜索，用SQL语句。再如对元数据的搜索，如利用windows搜索对文件名，类型，修改时间进行搜索等。

 

对非结构化数据也即对全文数据的搜索主要有两种方法：

 

一种是顺序扫描法 (Serial Scanning)： 所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，接着看下一个文件，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。如果你有一个80G硬盘，如果想在上面找到一个内容包含某字符串的文件，不花他几个小时，怕是做不到。Linux下的grep命令也是这一种方式。大家可能觉得这种方法比较原始，但对于小数据量的文件，这种方法还是最直接，最方便的。但是对于大量的文件，这种方法就很慢了。

 

有人可能会说，对非结构化数据顺序扫描很慢，对结构化数据的搜索却相对较快（由于结构化数据有一定的结构可以采取一定的搜索算法加快速度），那么把我们的非结构化数据想办法弄得有一定结构不就行了吗？

 

这种想法很天然，却构成了全文检索的基本思路，也即将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。

 

这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引 。

这种先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search) 。主要应用领域：搜索引擎（百度，搜狗）、站内搜索（微博搜索）、电商网站（京东，淘宝）

 

• 全文检索原理

全文检索大体分两个过程，索引创建(Indexing)和搜索索引(Search)。

 

* 索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程。

* 搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程。

 

于是全文检索就存在三个重要问题：

索引里面究竟存些什么？(Index)

如何创建索引？(Indexing)

如何对索引进行搜索？(Search)