文章目录
- 前言
- 为什么叫倒排索引
- 数据结构
- 如何生成
- 如何查询
- TF、IDF
- 参考文档
前言
上一章,简单介绍了 ES 的节点类型。
本章,我们要介绍 ES 中非常重要的一个概念:倒排索引。
ES 的全文索引就是基于倒排索引实现的。
本章内容建议重点学习,因为面试也常问。
为什么叫倒排索引
倒排索引指的是将每一个关键字映射到它出现的文档中。如下图所示
因为结构是倒着的,因此被称为倒排索引。
数据结构
倒排索引分为 2 部分:一部分叫 term directory(term 词典)
,一部分叫 posting list(倒排列表)
。如下图所示
-
term directory
term 字典,存放着每个单词到对应倒排列表的映射关系 -
posting list
Docs 是一个数组。其中 1:2:[2,6] 意思如下- 1:文档ID
- 2:词频(term frequency)
- [2,6]:出现在文档中的第 2,6 个 term。
如何生成
这里涉及到我们之前讲过的分词器。工作流程如下图所示
大体就包含2部分,根据分词器将文本分词,然后根据分词生成倒排索引。
如何查询
例如我们查询:To do right
。
则该文本会先被分词为:to
, do
, right
对应的结果如下图所示:
TF、IDF
默认情况下,ES 会根据文档与搜索词的相关性得分对结果降序返回。相关性得分与以下 2 个概念有关(稍做了解,后续会出文章做更深入的介绍)
- Term Frequency(TF):term 在文档中出现的频率,得分正相关。出现频率越高,得分越高
- Inverted Document Frequency(IDF):term 在
所有文档
中出现的频率,得分负相关。出现频率越高,得分越低。
参考文档
Indexing: Inverted Index