Elasticsearch中的倒排索引详解_elasticsearch倒排索引模型是什么样的

Elasticsearch创建索引流程一文中，介绍了ES创建索引的流程。再流程中是调用Lucene的接口来创建索引的。本篇文章主要介绍ES中的索引——倒排索引

倒排索引是搜索引擎非常重要的一种数据结构，什么是倒排索引，倒排索引的原理是什么？

1 索引过程

在讲解倒排索引前，我们先了解索引创建，下图是 Elasticsearch 中数据索引过程的流程。

从上图可以看到，文档未在 ES 中进行索引，而是 由 Analyzer 组件对其执行一些操作并将其拆分为 token/term。然后将这些术语作为倒排索引存储在磁盘中。假设我们有两个名为 name 和 age 字段，当要将文档索引到 ES 时，Analyzers 组件 以某些定界符（有默认定界符，例如空格，句号等）将它们分割开获取 token，再对每个 token 应用特定的过滤器。经过分析的这些标记称为 term。然后将这些 term 针对该字段）存储在倒排列表中。

2 倒排索引

2.1 正排与倒排索引

一般在我们阅读图书，我们会根据目录快速定位想要阅读的章节，过了一段时间，你想要的回顾之前某一个知识点，你发现从目录难以查找到对应的地方，这时你可能就会从索引页从去查找对应内容索引，从而找到页码。

搜索引擎其实跟我们的使用图书很相似，下面我来对图书和搜索引擎进行一个简单的类比，来看一下搜素引擎中正排和倒排索引。

• 图书

  • 正排索引-目录页
  • 倒排索引-索引页

• 搜索引擎

  • 正排索引-文档 Id 到文档内容和单词的关联
  • 倒排索引-单词到文档 Id 的关系

2.2 倒排索引的核心组成

举个例子，假设我们有 3 个文档：

Doc 1:breakthrough drug for schizophrenia
 
Doc 2:new schizophrenia drug 
 
Doc 3:new approach for treatment of schizophrenia

经过分析，文件中的术语如下

倒排列表的元数据结构：

(DocID;TF;<POS>)

其中：

• DocID：出现某单词的文档ID

• TF(词频)：单词在该文档中出现的次数

• POS：单词在文档中的位置

则它们生成的倒排索引

• ES 倒排索引包含两个部分

  • 单词词典 （Term Dictionary)，索引最小单位，记录所有文档的单词，记录单词到倒排列表的关联关系

    • 单词词典一般都会非常多，通过 B+ 树或 Hash 表方式以满足高性能的插入与查询

  • 倒排列表（Posting List)-由倒排索引项（Posting）组成

    • 文档 ID
    • 词频 TF，该单词在文档中出现的次数，用于相关性评分
    • 位置（Position)，单词在文档中分词的位置。用于语句搜索（phrase query)
    • 偏移（Offset)，记录单词的开始结束位置，实现高亮显示

 

 

 

分词

在创建索引之前，会对文档中的字符串进行分词。ES中字符串有两种类型，keyword和text。

• keyword类型的字符串不会被分词，搜索时全匹配查询
• text类型的字符串会被分词，搜索时是包含查询

不同的分词器对相同字符串分词的结果大有不同，选择不同的分词器对索引的创建有很大的影响

如拆分“中华人民共和国国歌”

1. ik_max_word分词器: 最细粒度拆分，分词结果如下：

   • 中华人民共和国
   • 中华人民
   • 中华
   • 华人
   • 人民共和国
   • 人民
   • 人
   • 民
   • 共和国
   • 共和
   • 和
   • 国国
   • 国歌

2. ik_smart分词器: 最粗粒度的拆分，分词结果如下：

   • 中华人民共和国
   • 国歌

可见，再ES中创建索引，选择合适的分词器是很重要的。

单词-文档矩阵

该矩阵是表达单词和文档两者之间包含关系的概念模型。
从横向看，每行代表文档包含了哪些单词，比如文档1包含了单词1和单词3，而不包含其它单词。
从纵向看，每列代表了某个单词存在于哪些文档。比如单词1在文档1和文档4中出现过。

简单来说，索引就是实现“单词-文档矩阵”的具体数据结构，而倒排索引则是实现了这种数据结构的具体方式。

倒排索引

倒排索引由两部分构成：

• 单词词典
• 倒排列表

它的结构如下：

单词词典

单词词典的特性：

1. 是文档集合中所有单词的集合
2. 它是保存索引的最小单位
3. 其中记录着指向倒排列表的指针

单词词典的实现：

单词词典有两种数据结构实现：B+树和Hash表

B+树和Mysql索引结构中主键索引数据结构一样，这里就不再介绍了

哈希表的key是单词的hash值，值是单词的链表，因为hash算法会有冲突的情况发生，所以这里的值是一个集合，里面保存着相同hash值得单词以及改词指向倒排列表的指针

倒排列表

倒排列表特性：

1. 记录出现过某个单词的文档列表
2. 同时还记录单词在所有文档中的出现次数和偏移位置

倒排列表元素数据结构：

其中：

• DocID：出现某单词的文档ID
• TF(Term Frequency)：单词在该文档中出现的次数
• POS：单词在文档中的位置

举例

有下面单个文档

则他们生成的倒排索引

比如单词“年度”，单词ID为2，在三个文档中出现过，所以逆向文档频率为3，同时倒排索引中的元素也有三个：(1;1;<2>),(2;1;<4>),(3;1;<3>)。拿第一个元素(1;1;<2>)进行说明，他表示“年度”再文档ID为1的文档中出现过1次，出现的位置是第二个单词

倒排索引的搜索过程

直到了倒排索引的内部结构之后，就能很好理解倒排索引的搜索过程了，其内部搜索过程如下图所示：

 

系列文章

1. 搜索引擎ElasticSearch源码编译和Debug环境搭建
2. 搜索引擎ElasticSearch的启动过程
3. Elasticsearch创建索引流程
4. Elasticsearch搜索过程详解
5. Elasticsearch搜索相关性排序算法详解
6. Elasticsearch中的倒排索引