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