ElasticSearch 搜索引擎概念简介

公号：码农充电站pro
主页：https://codeshellme.github.io

1，倒排索引

倒排索引是一种数据结构，经常用在搜索引擎的实现中，用于快速找到某个单词所在的文档。

倒排索引会记录一个单词词典（Term Dictionary）和一个倒排列表：

• 单词词典：包含了所有文档包含的所有 Term。
• 倒排列表：由一系列的倒排索引项组成，每个倒排索引项包含 4 项内容，分别是：
  • 文档 ID
  • 词频 TF：Term 在文档中出现的次数，用于相关性评分。
  • 位置 Position：Term 在文档中出现的位置，用于语句搜索。
  • 偏移 Offset：记录单词的开始结束位置，用于实现高亮显示。

假设我们有 3 篇文档：

文档 ID	文档内容
1	hello world
2	hello Java
3	hello elasticsearch

上面表格记录的是一种正向关系，叫做正排索引。

倒排索引记录的是一种反向关系，如下：

Term	文档 ID	词频 TF	Position	Offset
hello	1	1	0	<0, 5>
hello	2	1	0	<0, 5>
hello	3	1	0	<0, 5>
world	1	1	1	<6, 5>
Java	2	1	1	<6, 4>
elasticsearch	3	1	1	<6, 19>

ES 默认会对所有文档的所有字段建立倒排索引；也可以通过设置不对某些字段建立倒排索引，优点是节省空间，缺点是这些字段的内容无法被搜索。

2，搜索相关性

搜索相关性用于描述文档与搜索字符串的匹配程度（ES 会计算出一个评分），目的是为文档进行排序，从而将最符合用户需求的文档排在前面。

搜索相关性算法有 TF-IDF 算法和 BM25 算法。

文章 《朴素贝叶斯分类-实战篇》中介绍到了 TF-IDF 算法，可作为参考。

BM25 与 TF-IDF 的比较：

当 TF 无限增加的时候，BM25 算分会趋向于一个数值，而不是（像 TF-IDF 一样）无限增长。

在 ES 5 之前，默认使用的是 TF-IDF 算法；在 ES 5 之后，默认使用的是 BM 25 算法。

3，一个搜索过程

下图展示了一个搜索过程：

当用户向搜索引擎发送一个搜索请求的时候，搜索引擎经过了以下步骤：

1. 分词器对搜索字符串进行分词处理。
2. 在倒排索引表中查到匹配的文档。
3. 对每个匹配的文档进行相关性评分。
4. 根据相关性评分对文档进行排序。
5. 将排好序的文档返回给用户。