前言

数据的搜索与查找是计算机软件的核心算法,对海量文档进行快速检索,主要使用的就是倒排索引技术。
可能有人会说,我们平时在MySQL已经可以直接使用like查询了,为啥还要认识叫倒排索引的东西?

我们用下面例子说明,假设有一本书,相应页码存储的文章内容如下

页码 内容
1 生命在于运动
2 运动是生命的源泉
3 日复一日地坚持练下去吧,只有活动适量才能保持训练的热情和提高运动的技能.——塞涅卡
4 活动是生活的基础!——歌德
5 人的健全,不但靠饮食,尤靠运动
6 奥林匹克的格言是“更高,更快,更强”
7 身体的健康因静止不动而破坏,因运动练习而长期保持.——苏格拉底
8 chenqionghe喜欢运动,绳命是如此的精彩,绳命是如此的辉煌

书有很多篇文章,要在一本书中找出所有包含“运动”的文章,只能去一页页的翻书,看哪一页有这个单词,这种找法其实是正向索引,即通过文档(ID)去找单词。
然而,书越厚,你找的时间越久,因为每次都得找完一本书(这其实也是MySQL中的全表扫描),针对这样的内容检索场景,倒排索引就派上用场了。
和正向索引相反,倒排索引是通过单词去找文档(ID)。

一、倒排索引的原理

倒排索引相当于创建了关键词目录,记录了哪个单词被哪些文章包含,如下

关键词 页码
运动 1,2,3,5,7,8
活动 3,4
生命 1,2
chenqionghe 8

当我们要搜索找到有“运动”的文章时,先去关键词目录找,找到在1,2,3,5,7,8这几页,然后直接把书翻到这些页就能获取到相应的内容了。

如果我们要搜索“运动生命”,得先把这个分成“运动”和“生命”,再分别去目录找(因此怎么分词,也是搜索引擎中的一大艺术)。

倒排索引的原理其实就这么简单,惊不惊喜,意不意外~

二、倒排索引的应用

  • Lucene

Lucene是目前最为流行的开放源代码全文搜索引擎工具包,隶属于Apache基金会,由资深全文索引/检索专家Doug Cutting所发起,并以其妻子的中间名作为项目的名称。Lucene不是一个具有完整特征的搜索应用程序,而是一个专注于文本索引和搜索的工具包,能够为应用程序添加索引与搜索能力。

  • ElasticSearch

Elasticsearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎,基于RESTful web接口。具体使用可以参考Elasticsearch构建全文搜索系统

  • Solr

Solr是一个高性能,采用Java开发,基于Lucene的全文搜索服务器,封装了很多Lucene细节,是一个有HTTP接口的基于Lucene的查询服务器,

  • Sphinx

Sphinx是一款基于SQL的高性能全文检索引擎,利用Sphinx我们可以完成比数据库本身更专业的搜索功能,而且可以有很多针对性的性能优化。

另外其实MySQL的的全文索引也是基于倒排索引的,可以参考从零开始学习MySQL全文索引

三、倒排索引和大数据“三驾马车”的故事

倒排索引是对互联网内容的一种索引方法,例如我们使用百度或者谷歌,就是使用搜索词搜索到对应的互联网文档。
说到大数据,我们想到的是“三驾马车”,而这“三驾马车”最早是谷歌在2003年提出的。

  1. GFS-海量内容存储
    为了构建倒排索引,谷歌需要存储整个互联网的内容,并存储构建倒排索引所需要的内容,在以前的技术条件,世界上没有现成的产品可以实现这种规模的倒排索引。所以,谷歌发明了谷歌文件系统,基于大量的廉价计算机构建的海量存储系统,对应“三驾马车”的分布式存储系统GFS,开源实现为HDFS。
  2. MapReduce-海量数据计算框架
    从这个GFS中读取数据做计算,需要一个牛逼的计算框架,这就是“三驾马车”中的MapReduce,开源实现为Hadoop MapReduce,后来又出现了Flink、Storm、Spark这样的新星。
  3. BigTable-超级大表
    虽然两驾马车已经可以实现存储互联网这种海量数据,但是互联网的内容变化太快,这种系统没办法做到增量更新。
    这时候,第三驾马车BigTable出来了,一个Key-Value存储系统,可以存储多个版本的值,对应的开源产品是HBase。

通过这“三驾马车”,谷歌具备了存储和分析海量数据的能力,再通过个性化广告系统不断地吸金,走在了时代的前沿。当时还没有任何一个公司能在大数据这个领域赶上谷歌,谷歌这个技术也没有开源。

同时,这“三驾马车”也是云计算的重要组成。

后来Hadoop出现了,出现了“三驾马车”的开源产品:HDFS、MapReduce、HBase。各个公司开始基于Hadoop生态构建出了自己的大数据平台,谷歌渐渐失去了在大数据时代的先发优势。

四、倒排索引和排序算法PageRank

有了倒排索引,我们可以快速得到了搜索结果,但是怎么决定搜索结果的优先级呢?这时候就用到了一种叫PageRank的算法,计算机网页的权重,按照权重进行排序,权重越高排得越靠前
关于PageRank的原理可以参考从小白视角理解<数据挖掘十大算法>

大道至简,light weight baby !

版权声明:本文为chenqionghe原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://www.cnblogs.com/chenqionghe/p/12464671.html