倒排索引原理和實現
轉載https://blog.csdn.net/u011239443/article/details/60604017
倒排索引原理和實現
關於倒排索引
場景是：給定幾個關鍵詞，找出包含關鍵詞的文件
倒排索引： 不是由記錄來確定屬性值，而是由屬性值來確定記錄的位置
lucene是基於倒排索引實現的。
倒排檔案(inverted file)：儲存倒排索引的物理檔案
倒排索引組成：單詞詞典和倒排檔案。
倒排索引一般表示為一個關鍵詞，然後是它的頻度（出現的次數），位置（出現在哪一篇文章或網頁中，及有關的日期，作者等資訊），它相當於為網際網路上幾千億頁網頁做了一個索引，好比一本書的目錄、標籤一般。讀者想看哪一個主題相關的章節，直接根據目錄即可找到相關的頁面。不必再從書的第一頁到最後一頁，一頁一頁的查詢。
倒排檔案
所有單詞的倒排列表順序的儲存在磁碟的某個檔案裡，這個檔案即被稱為倒排檔案，倒排檔案是儲存倒排索引的物理檔案。
單詞詞典
- 1單詞詞典是由文件集合中出現過的所有單詞構成的字串集合，單詞詞典內每條索引項記載單詞本身的一些資訊以及指向“倒排列表”的指標。
- 2是倒排索引中非常重要的組成部分，它是用來維護文件集合中所有單詞的相關資訊，同時用來記載某個單詞對應的倒排列表在倒排檔案中的位置資訊。在支援搜尋時，根據使用者的查詢詞，去單詞詞典裡查詢，就能夠獲得相應的倒排列表。
- 對於一個規模很大的文件集合來說，可能包含了幾十萬甚至上百萬的不同單詞，
- 3 快速定位某個單詞直接決定搜尋的響應速度，所以我們需要很高效的資料結構對單詞詞典進行構建和查詢。常用的資料結構包含雜湊加連結串列和樹形詞典結構。
案例
Lucene倒排索引原理
Lucerne使用的是倒排檔案索引結構。該結構及相應的生成演算法如下：
設有兩篇文章1和2：
文章1的內容為：Tom lives in Guangzhou,I live in Guangzhou too.
文章2的內容為：He once lived in Shanghai.
<1>取得關鍵詞
- 由於lucene是基於關鍵詞索引和查詢的，首先我們要取得這兩篇文章的關鍵詞，通常我們需要如下處理措施：
- a.我們現在有的是文章內容，即一個字串，我們先要找出字串中的所有單詞，即分詞。英文單詞由於用空格分隔，比較好處理。中文單詞間是連在一起的需要特殊的分詞處理。
- b.文章中的”in”, “once” “too”等詞沒有什麼實際意義，中文中的“的”“是”等字通常也無具體含義，這些不代表概念的詞可以過濾掉
- c.使用者通常希望查“He”時能把含“he”，“HE”的文章也找出來，所以所有單詞需要統一大小寫。
- d.使用者通常希望查“live”時能把含“lives”，“lived”的文章也找出來，所以需要把“lives”，“lived”還原成“live”
- e.文章中的標點符號通常不表示某種概念，也可以過濾掉
在lucene中以上措施由Analyzer類完成。 經過上面處理後，
文章1的所有關鍵詞為：[tom] [live] [guangzhou] [i] [live] [guangzhou]
文章2的所有關鍵詞為：[he] [live] [shanghai]
<2>建立倒排索引
有了關鍵詞後，我們就可以建立倒排索引了。對應關係是： “關鍵詞”對“擁有該關鍵詞的所有文章號”。
文章1，2經過倒排後變成
關鍵詞 文章號
guangzhou 1
he 2
i 1
live 1,2
shanghai 2
tom 1
通常僅知道關鍵詞在哪些文章中出現還不夠，我們還需要知道關鍵詞在文章中出現次數和出現的位置，通常有兩種位置：
a.字元位置，即記錄該詞是文章中第幾個字元（優點是關鍵詞亮顯時定位快）；
b.關鍵詞位置，即記錄該詞是文章中第幾個關鍵詞（優點是節約索引空間、片語（phase）查詢快），lucene中記錄的就是這種位置。
加上“出現頻率”和“出現位置”資訊後，我們的索引結構變為：
關鍵詞 文章號[出現頻率] 出現位置
guangzhou 1[2] 3，6
he 2[1] 1
i 1[1] 4
live 1[2] 2，5,
2[1] 2
shanghai 2[1] 3
tom 1[1] 1 以live 這行為例：
live 1[2] 2，5, //文章1中出現了2次，位於文章1中的2位置,5位置
2[1] 2 //文章2中出現了1次，位於文章2中的2位置
我們注意到關鍵字是按字元順序排列的（lucene沒有使用B樹結構），因此lucene可以用二分搜尋演算法快速定位關鍵詞。
<3>實現
實現時，lucene將上面三列分別作為詞典檔案（Term Dictionary）、頻率檔案(frequencies)、位置檔案 (positions)儲存。其中詞典檔案不僅儲存有每個關鍵詞，還保留了指向頻率檔案和位置檔案的指標，通過指標可以找到該關鍵字的頻率資訊和位置資訊。
Lucene中使用了field的概念，用於表達資訊所在位置（如標題中，文章中，url中），在建索引中，該field資訊也記錄在詞典檔案中，每個關鍵詞都有一個field資訊(因為每個關鍵字一定屬於一個或多個field)。
<4>壓縮演算法
為了減小索引檔案的大小，Lucene對索引還使用了壓縮技術。
首先，對詞典檔案中的關鍵詞進行了壓縮，關鍵詞壓縮為<字首長度，字尾>，例如：當前詞為“阿拉伯語”，上一個詞為“阿拉伯”，那麼“阿拉伯語”壓縮為<3，語>。
其次大量用到的是對數字的壓縮，數字只儲存與上一個值的差值（這樣可以減小數字的長度，進而減少儲存該數字需要的位元組數）。例如當前文章號是16389（不壓縮要用3個位元組儲存），上一文章號是16382，壓縮後儲存7（只用一個位元組）。
<5>應用原因
下面我們可以通過對該索引的查詢來解釋一下為什麼要建立索引。
假設要查詢單詞 “live”，lucene先對詞典二元查詢、找到該詞，通過指向頻率檔案的指標讀出所有文章號，然後返回結果。詞典通常非常小，因而，整個過程的時間是毫秒級的。
而用普通的順序匹配演算法，不建索引，而是對所有文章的內容進行字串匹配，這個過程將會相當緩慢，當文章數目很大時，時間往往是無法忍受的。
整理自