大数据-搜索-倒排索引
1. 概念
通过一个例子来介绍倒排索引
文档1：Tom lives in Guangzhou，I live in Guangzhou too
文档2：He once lived in Shanghai
正向索引
| 文章ID | 关键词 |
| 1 | guangzhou，i，live，tom |
| 2 | he，shanghai |
倒排索引
简单点说，倒排索引就是讲包含关键词的文章ID整理出来
| 关键词 | 文章ID |
| guangzhou | 1 |
| he | 2 |
| i | 1 |
| live | 1，2 |
| shanghai | 2 |
| tom | 1 |
2. Lucene中的倒排索引原理
1）分词
由于Lucene是基于关键词索引和搜索的，所以我们首先要取得两篇文章的关键词
- 分词，英文单词用空格隔开，比较好处理。中文词语通常连在一起，需要特殊方法处理。
- 去掉无意义的词，例如英文中的once，in，too等，中文中的“的”等。
- 统一大小写，用户在查询“He”的时候，通常也希望得到“he”的查询结果。
- 词型归并，live，lives，lived三个词语表示同一个意思，可以用live表示。
- 标点符号，标点符号通常不表示某种概念，可以去掉。
在Lucene中，以上工作由Analyzer完成，经过上面的处理后：
doc1：[tom] [live] [guangzhou] [i] [live] [guangzhou]
doc2：[he] [live] [shanghai]
2）建立倒排索引
有了关键词后，我们就可以建立倒排索引了。上面的对应关系是：“文章号”对“文章中所有关键词”。倒排索引把这个关系倒过来，变成: “关键词”对“拥有该关键词的所有文章号”。
文章1，2经过倒排后变成
通常仅知道关键词在哪些文章中出现还不够，我们还需要知道关键词在文章中出现次数和出现的位置，通常有两种位置：
- 字符位置，即记录该词是文章中第几个字符（优点是关键词亮显时定位快）；
- 关键词位置，即记录该词是文章中第几个关键词（优点是节约索引空间、词组（phase）查询快），lucene中记录的就是这种位置。
加上“出现频率”和“出现位置”信息后，我们的索引结构变为：
以live 这行为例我们说明一下该结构：live在文章1中出现了2次，文章2中出现了一次，它的出现位置为“2,5,2”这表示什么呢？我们需要结合文章号和出现频率来分析，文章1中出现了2次，那么“2,5”就表示live在文章1中出现的两个位置，文章2中出现了一次，剩下的“2”就表示live是文章2中第 2个关键字。
以上就是lucene索引结构中最核心的部分。我们注意到关键字是按字符顺序排列的（lucene没有使用B树结构），因此lucene可以用二分搜索算法快速定位关键词。
3）实现
实现时，lucene将上面三列分别作为词典文件（Term Dictionary）、频率文件(frequencies)、位置文件 (positions)保存。其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，通过指针可以找到该关键字的频率信息和位置信息。
Lucene中使用了field的概念，用于表达信息所在位置（如标题中，文章中，url中），在建索引中，该field信息也记录在词典文件中，每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。
4）压缩
为了减小索引文件的大小，Lucene对索引还使用了压缩技术。
首先，对词典文件中的关键词进行了压缩，关键词压缩为<前缀长度，后缀>，例如：当前词为“阿拉伯语”，上一个词为“阿拉伯”，那么“阿拉伯语”压缩为<3，语>。
其次大量用到的是对数字的压缩，数字只保存与上一个值的差值（这样可以减小数字的长度，进而减少保存该数字需要的字节数）。例如当前文章号是16389（不压缩要用3个字节保存），上一文章号是16382，压缩后保存7（只用一个字节）。
3. 倒排索引的必要性
假设要查询单词 “live”，lucene先对词典二元查找、找到该词，通过指向频率文件的指针读出所有文章号，然后返回结果。词典通常非常小，因而，整个过程的时间是毫秒级的。
而用普通的顺序匹配算法，不建索引，而是对所有文章的内容进行字符串匹配，这个过程将会相当缓慢，当文章数目很大时，时间往往是无法忍受的。
引用：
倒排索引原理和实现 点击打开链接
https://blog.****.net/u011239443/article/details/60604017