倒排文件索引结构和搜索算法

文章出处：http://hi.baidu.com/sduonline/blog/item/4f1d883da6823204bba16759.html/cmtid/d35cde1729988204c83d6dea

文件结构

设有两篇文章1和2

文章1的内容为：Tom lives in Guangzhou,I live in Guangzhou too.

文章2的内容为：He once lived in Shanghai.



首先我们要取得这两篇文章的关键词:

a.我们现在有的是文章内容，即一个字符串，我们先要找出字符串中的所有单词，即分词。英文单词由于用空格分隔。中文单词间是连在一起的需要特殊的分词处理(一元分词，二元分词，词库专业分词)。

b.文章中的“in”, “once” “too”等词没有什么实际意义，中文中的“的”“是”等字通常也无具体含义，这些不代表概念的词可以过滤掉

c.用户通常希望查“He”时能把含“he”，“HE”的文章也找出来，所以所有单词需要统一大小写。

d.用户通常希望查“live”时能把含“lives”，“lived”的文章也找出来，所以需要把“lives”，“lived”还原成“live”//专门处理

e.文章中的标点符号通常不表示某种概念，也可以过滤掉

//以上在分词解析处理时处理


经过上面处理后的关键字：

文章1：[tom] [live] [guangzhou] [i] [live] [guangzhou]

文章2：[he] [live] [shanghai]


2)以建立倒排索引。上面的对应关系是：“文章号”对“文章中所有关键词”。倒排索引就是把上面的顺序变成：“关键词”对“拥有该关键词的所有文章号”。文章1，2经过倒排后变成

关键词 文章号

guangzhou 1

he 2

i 1

live 1,2

shanghai 2

tom 1


我们还需要知道两种位置：

a) 字符位置，即记录该词是文章中第几个字符（优点是关键词亮显时定位快）；

b) 关键词位置，即记录该词是文章中第几个关键词（优点是节约索引空间、词组（phase）查询快）


加上“出现频率”和“出现位置”信息后，我们的索引结构变为：

关键词 文章号[出现频率] 出现位置

guangzhou 1[2] 3，6

he 2[1] 1

i 1[1] 4

live 1[2],2[1] 2，5，2

shanghai 2[1] 3

tom 1[1] 1


以live这行为例我们说明一下该结构：live在文章1中出现了2次，文章2中出现了一次，它的出现位置为“2,5,2”这表示什么呢？我们需要结合文章号和出现频率来分析，文章1中出现了2次，那么“2,5”就表示live在文章1中出现的两个位置，文章2中出现了一次，剩下的“2”就表示live是文章2中第2个关键字。


这就是索引结构中最核心的部分。我们注意到关键字是按字符顺序排列的，可以用二元搜索算法快速定位关键词。


将上面三列分别作为词典文件（Term Dictionary）、频率文件(frequencies)、位置文件(positions)保存。其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，通过指针可以找到该关键字的频率信息和位置信息。


关于：field的概念，用于表达信息所在位置（如标题中，文章中，url中），在建索引中，该field信息也记录在词典文件中，每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。


为了减小索引文件的大小使用了压缩技术。首先，对词典文件中的关键词进行了压缩，关键词压缩为<前缀长度，后缀>，例如：当前词为“阿拉伯语”，上一个词为“阿拉伯”，那么“阿拉伯语”压缩为<3，语>。其次大量用到的是对数字的压缩，数字只保存与上一个值的差值（这样可以减小数字的长度，进而减少保存该数字需要的字节数）。例如当前文章号是16389（不压缩要用3个字节保存），上一文章号是16382，压缩后保存7（只用一个字节）。


下面我们可以通过对该索引的查询来解释一下为什么要建立索引。

假设要查询单词 “live”，先对词典二元查找、找到该词，通过指向频率文件的指针读出所有文章号，然后返回结果。词典通常非常小，因而，整个过程的时间是毫秒级的。

而用普通的顺序匹配算法，不建索引，而是对所有文章的内容进行字符串匹配，这个过程将会相当缓慢，当文章数目很大时，时间往往是无法忍受的。