[大数据] Elasticsearch倒排索引详解

 这篇博客的主要目的是介绍一下ES当中的倒排索引，参考：

https://blog.csdn.net/qq_21312297/article/details/102496833

https://zhuanlan.zhihu.com/p/68092794

https://baijiahao.baidu.com/s?id=1661292466150156938&wfr=spider&for=pc

https://blog.csdn.net/jiaojiao521765146514/article/details/83750548

文档：通常情况下，我们会把一个具体的目标进行一定的整理，然后以JSON的形式交给ES。比如商品，通常我们会把商品名称，描述，价格，库存等一系列内容整理好，交给ES。那么，

对于ES来说，这个具体的目标就是文档，JSON是ES喜欢的文档表现形式。

文档ID：为了便于对文档进行标识，ES会将接收到的文档进行编号，这个编号可以由ES自动生成，也可以由客户端指定。

那么根据文档ID和文档，我们就可以得到正排索引，即通过key找value:

单词：文档交给ES后，ES会根据设定的规则，对文档进行分析和拆分，文档将会被拆分成一个个单词。换句话说，对于ES来说，分析后的文档就是由单词组成的。

单词ID：和文档一样，ES也会对单词进行标识，标识的方式同样也是对单词进行编号。

有了以上几个概念，我们再来解释倒排索引。倒排索引，描述了从单词到文档的关联关系。利用倒排索引，可以快速的通过单词找到和该单词关联的文档列表。倒排索引由两部分组成，一个

是单词词典，一个是倒排列表。一个文档由许多的单词组成，我们交给ES的文档的越多，分析拆分后得到的单词就越多，这些单词被整理组织成一个集合，集合中的每个元素记录了单词本身

的一些相关信息以及一个指定倒排列表的指针。通过单词，我们会在倒排列表中找到一个倒排项，该倒排项中，记录了出现过该单词的所有文档ID，以及单词在文档中的位置信息。也就是说，

倒排列表，是倒排项的集合。倒排列表会以文件的形式，具体的存储在磁盘中的某个位置，这个文件，称之为倒排文件。

简单来说：通俗来讲正向索引是通过key找value，反向索引则是通过value找key。

那么在Elasticsearch当中，对于上面的正排索引，建立的倒排索引索引如下:

如上图所示：

Elasticsearch分别为每个field都建立了一个倒排索引，24，Kate, John Female这些叫term，而[1,2]就是Posting List倒排列表。Posting list就是一个int的数组，倒排列表记录了出现过

某个单词的所有文档的文档列表及单词在该文档中出现的位置信息，每条记录称为一个倒排项(Posting)。根据倒排列表，即可获知哪些文档包含某个单词。

倒排索引：

单词ID：记录每个单词的单词编号；单词：对应的单词；文档频率：代表文档集合中有多少个文档包含某个单词；

倒排列表：包含单词ID及其他必要信息，具体信息如下：

DocId：单词出现的文档id；TF：单词在某个文档中出现的次数；POS：单词在文档中出现的位置；

以单词“加盟”为例，其单词编号为6，文档频率为3，代表整个文档集合中有三个文档包含这个单词，对应的倒排列表为{(2;1;<4>),(3;1;<7>),(5;1;<5>)}，含义是在文档2，3，5出现过

这个单词，在每个文档的出现过1次，单词“加盟”在第一个文档的POS是4，即文档的第四个单词是“加盟”，其他的类似。

这个倒排索引已经是一个非常完备的索引系统，实际搜索系统的索引结构基本如此。

ElasticSearch引擎把文档数据写入到倒排索引（Inverted Index）的数据结构中，倒排索引建立的是分词（Term）和文档（Document）之间的映射关系，在倒排索引中，数据是面向词

（Term）而不是面向文档的。一个倒排索引由文档中所有不重复词的列表构成，对于其中每个词，有一个包含它的文档列表，示例，对以下三个文档去除停用词后构造倒排索引：

倒排索引的查询过程，假设我们要查询包含“搜索引擎”的文档，具体步骤如下：

通过倒排索引获得“搜索引擎”对应的文档id列表，有1，3;
通过正排索引查询1和3的完整内容;
返回最终结果.
单词词典的数据结构
当我们通过ES来查询某个关键字时，ES会先从单词词典中找到这个关键字对应的元素，然后，从元素中的指针定位到倒排列表中的某个倒排项，就能从倒排项中，快速知道，所有包含该关键字的

文档列表。所以，单词词典采用什么样的数据结构来存储，是关系到查询速度的重要因素之一；思考：如果这里有上千万的记录呢？如何通过term来查找呢？

一般来说，单词词典通常的数据结构有两种，一种是哈希+链表，另一种是树。

方式1：哈希+链表
哈希+链表这种形式，和JAVA中老的HashMap的数组结构形式是一样的。在创建索引时，会根据单词的哈希值，计算出单词所在位置，然后存放到该位置的链表中。

方式2：树
树是另外一种ES经常用在单词词典中的数据结构，通常是B或B+树。这种数据结构，和MySQL数据库的索引是同样的，也是一种查询高效的数据结构。

B+树内部结点存索引，叶子结点存数据，这里的单词词典就是B+树索引，倒排列表就是数据，整合在一起后如下所示：

ES存储的是一个JSON格式的文档，其中包含多个字段，每个字段会有自己的倒排索引！！！！

倒排索引的创建—分词器
我们交给ES的是文档，ES回馈给我们的是倒排索引，那么，ES是如何把文档变成倒排索引的呢？一般而言，会经过三个步骤：
预处理。首先，要对文档内容进行一定程序的整理，如过滤掉其中的html标签等，这个过程，称之为预处理；
分词。根据特定规则，将预处理后的内容拆分成一个个单词，这个过程，称之为分词；
标准化。分词后，文档变成了一个单词的集合，但是，在这个集合中，可能存在一些无意义的，错误的，或重复的单词，那么，在标准化阶段，就是要把这些内容处理掉，以避免这些单词进入词典，

影响词典的质量。在分词阶段，起到关键作用的就是分词器，并且，分词阶段只能有一个分词器。你可以使用ES内置的分词器，也可以第三方提供的分词器或者自定义分词器。