倒排索引的了解
倒排索引（英語：Inverted index），也常被稱為反向索引、置入檔案或反向檔案，是一種索引方法，被用來存儲在全文搜索下某個單詞在一個文檔或者一組文檔中的存儲位置的映射。它是文檔檢索系統(tǒng)中最常用的數(shù)據(jù)結(jié)構(gòu)。通過倒排索引，可以根據(jù)單詞快速獲取包含這個單詞的文檔列表。倒排索引主要由兩個部分組成：“單詞詞典”和“倒排文件”。
倒排索引是實現(xiàn)單詞到文檔映射關(guān)系的最佳實現(xiàn)方式和最有效的索引結(jié)構(gòu).
.1 簡單索引構(gòu)建
?
?????? 索引的構(gòu)建相當于從正排表到倒排表的建立過程。當我們分析完網(wǎng)頁時 ,得到的是以網(wǎng)頁為主碼的索引表。當索引建立完成后 ,應得到倒排表 ,具體流程如圖3所示：
流程：
1）將文檔分析稱單詞term標記，
2）使用hash去重單詞term
3）對單詞生成倒排列表
倒排列表就是文檔編號DocID，沒有包含其他的信息（如詞頻，單詞位置等），這就是簡單的索引。
這個簡單索引功能可以用于小數(shù)據(jù)，例如索引幾千個文檔。然而它有兩點限制：
1）需要有足夠的內(nèi)存來存儲倒排表，對于搜索引擎來說， 都是G級別數(shù)據(jù)，特別是當規(guī)模不斷擴大時 ,我們根本不可能提供這么多的內(nèi)存。
2）算法是順序執(zhí)行，不便于并行處理。
4.3 合并法建立索引
????? 歸并法,即每次將內(nèi)存中數(shù)據(jù)寫入磁盤時，包括詞典在內(nèi)的所有中間結(jié)果信息都被寫入磁盤，這樣內(nèi)存所有內(nèi)容都可以被清空，后續(xù)建立索引可以使用全部的定額內(nèi)存。
????? 如圖4 歸并示意圖：
?
??????
??????????????????????????????????????????????????? 圖4：歸并索引
合并流程如圖5：
1）頁面分析，生成臨時倒排數(shù)據(jù)索引A，B，當臨時倒排數(shù)據(jù)索引A，B占滿內(nèi)存后，將內(nèi)存索引A，B寫入臨時文件生成臨時倒排文件，
2)? 對生成的多個臨時倒排文件 ,執(zhí)行多路歸并 ,輸出得到最終的倒排文件 ( inverted file)。
??????????
????????????????????????????
?????????????????????????????????????????????????????????????????????????? 圖5 合并流程
索引創(chuàng)建過程中的頁面分析 ,特別是中文分詞為主要時間開銷。算法的第二步相對很快。這樣創(chuàng)建算法的優(yōu)化集中在中文分詞效率上。
4.2 并行與分布式建立索引
???? 在?搜索引擎-網(wǎng)絡(luò)爬蟲, 已經(jīng)提到云存儲文檔，使用Map/Reduce并行計算模型，對文檔生成倒排索引列：
???? 對于建立倒排索引這個任務(wù)來說，如圖6所示，輸入數(shù)據(jù)也是網(wǎng)頁，以網(wǎng)頁的DOCID作為輸入數(shù)據(jù) 的Key, 網(wǎng)頁中出現(xiàn)的單詞集合是輸入數(shù)據(jù)的 Value; Map 操作將輸入數(shù)據(jù)轉(zhuǎn)化為 (word，DOCID)的形式，即某個單詞作為Key， DOCID作為中間數(shù)據(jù)的value，其含義是單詞 word在DOCID這個網(wǎng)頁出現(xiàn)過；Reduce操作將中間數(shù)據(jù)中相同Key的記錄融合，得到某 個單詞對應的網(wǎng)頁ID列表： <word，List(DodD:pos)>。這就是單詞word對應的倒排列表。通過 這種方式就可以建立簡單的倒排索引，在Reduce階段也可以做些復雜操作，獲得形式更為復雜的倒排索引。
???????
???????????????????????????????圖6
?
?
?
總結(jié)
