ElasticSearch 倒排索引简析

内容概要

• 倒排索引是什么？为什么需要倒排索引？
• 倒排索引是怎么工作的？

1. 倒排索引是什么？

假设有一个交友网站，信息表如下：

美女1：“ 我要找在上海做 PHP 的哥哥。 ”

需要匹配 性别、城市、语言列 。

美女2：“ 我要找北京的爱旅游、爱美食的 JAVA 哥哥。 ”

更复杂了是吧，实际场景中，会有更复杂的排列组合。

对于这类的搜索，关系型数据库的索引就很难应付了，适合使用全文搜索的倒排索引。

倒排索引是一种数据库的索引形式，存储了 “内容 -> 文档” 映射关系 ，目的是快速的进行全文搜索。

2. 倒排索引是怎么工作的？

主要包括2个过程：

• 创建倒排索引
• 倒排索引搜索

2.1 创建倒排索引

举个例子，有2个文档：

• Document#1

“ Recipe of pasta with sauce pesto ”

• Document#2

“ Recipe of delicious carbonara pasta ”

先对文档进行分词，形成一个个的 token ，也就是 单词 ，然后保存这些 token 与文档的对应关系。

结果如下：

2.2 倒排索引搜索

搜索示例：

• 搜索 “ pasta recipe ”

先分词，得到2个 token，( “ pasta ”、“ recipe ” )。

然后去倒排索引中进行匹配。

这2个词在2个文档中都匹配，所以2个文档都会返回，而且分数相同。

• 搜索 “ carbonara pasta ”

同样，2个文档都匹配，都会返回。

这次 document#2 的分数要比 document#1 高。

因为 #2 匹配了2个词（“ carbonara ”、“ pasta ”），#1 只匹配了一个（“ pasta ”）。

2.3 转换

有时我们可以在保存和搜索之前对 token 进行一些转换，最普遍的例如：

• 扔掉停止词

停止词是那些使用量非常大，但又没有什么意义的词。

例如英文中的 “ of”, “the”, “for ” ……

• 元素化

把单词处理为字典中的标准词，例如：

“running” => “run”

“walks” => “walk”

“thought” =>“think”

• 词干分析

通过切断词尾将一个词转换成词根形式的过程。

不能处理不规则动词的情况，但可以处理字典中没有的词。