【Elasticsearch专栏 02】深入探索：Elasticsearch为什么使用倒排索引而不是正排索引

为什么使用倒排索引而不是正排索引？

Elasticsearch选择使用倒排索引而不是正排索引，主要是基于倒排索引在处理全文搜索和大规模数据集时的优势。下面将详细解释为什么Elasticsearch更倾向于使用倒排索引，并提供一些简化的代码片段来说明这两种索引结构的基本差异。

1.正排索引（Forward Index）

正排索引是一种将文档映射到其包含的单词的索引结构。每个文档都有一个与之关联的单词列表，列表中的单词按照在文档中出现的顺序进行排列。正排索引可以快速找到文档中包含的单词，但对于查找包含特定单词的所有文档则不是很高效。

例如，假设有两个文档：

Document 1: "The quick brown fox jumps over the lazy dog"  
Document 2: "Quick foxes jump over lazy dogs in summer"
1
2

一个简化的正排索引可能如下所示：

Document 1 -> [the, quick, brown, fox, jumps, over, the, lazy, dog]  
Document 2 -> [quick, foxes, jump, over, lazy, dogs, in, summer]
1
2

如果想要查找包含单词"quick"的所有文档，需要遍历整个索引，检查每个文档的单词列表，这在大规模数据集中是非常低效的。

2.倒排索引（Inverted Index）

倒排索引是一种将单词映射到包含该单词的文档的索引结构。每个单词都有一个与之关联的文档列表，列表中的文档按照某种排序标准（如相关性分数）进行排列。倒排索引可以高效地找到包含特定单词的所有文档，并支持复杂的查询操作，如短语查询、通配符查询和布尔查询等。

对于上面的文档示例，一个简化的倒排索引可能如下所示：

the    -> [Document 1]  
quick  -> [Document 1, Document 2]  
brown  -> [Document 1]  
fox    -> [Document 1]  
jumps  -> [Document 1]  
over   -> [Document 1, Document 2]  
lazy   -> [Document 1, Document 2]  
dog    -> [Document 1]  
foxes  -> [Document 2]  
jump   -> [Document 2]  
dogs   -> [Document 2]  
in     -> [Document 2]  
summer -> [Document 2]
1
2
3
4
5
6
7
8
9
10
11
12
13

现在，如果想要查找包含单词"quick"的所有文档，只需要查找与"quick"关联的文档列表即可，这是一个非常高效的操作。

3.小结

Elasticsearch选择使用倒排索引而不是正排索引，主要是基于倒排索引在处理搜索查询时的优势。

正排索引是一种基于文档的索引结构，它将文档中的每个词汇作为关键词进行排序和存储。当查询请求到来时，Elasticsearch会根据查询中的词汇在文档中的出现频率和位置信息，对文档进行排序和匹配。这种索引结构适用于全文搜索和基于关键词的搜索，因为它能够快速定位到包含查询关键词的文档。

然而，正排索引在处理基于短语或句子的搜索时可能效果不佳，因为它无法有效地将多个相关的词汇组合在一起进行匹配。此外，随着索引值的增大，一个节点能存储的数据量会大大减少，导致B+树（一种常见的正排索引结构）变得更深，每次查询数据所需的IO次数也会增多，从而影响查询效率。

相比之下，倒排索引是一种基于词汇的索引结构，它将文档中的词汇作为索引项进行存储，并将每个词汇与其对应的文档集合进行关联。当查询请求到来时，Elasticsearch会根据查询中的词汇在倒排索引中查找与之匹配的文档集合，并进行排序和匹配。这种索引结构能够更好地处理基于短语或句子的搜索需求，因为它能够将与查询相关的多个词汇组合在一起进行匹配，从而提高了搜索的准确性和性能。

此外，倒排索引还通过使用分词器对文本进行分词，将文本切分成更小的词汇单元，并构建词汇到文档的映射关系。这种处理方式使得Elasticsearch能够更灵活地处理各种文本数据，并支持更复杂的查询操作。

因此，综合考虑倒排索引在处理搜索查询时的优势和正排索引的局限性，Elasticsearch选择使用倒排索引作为其主要的索引结构。同时，在实际应用中，Elasticsearch也会结合使用正排索引等其他索引结构，以提高搜索性能和准确性。