搜索引擎在我們的日常生活中很常見(jiàn)，在各個(gè)領(lǐng)域都發(fā)揮著它獨(dú)特的作用。那今天我們一起從文中來(lái)了解一下關(guān)于搜索引擎索引的這些概念。

索引其實(shí)在日常生活中是很常見(jiàn)的，比如：書(shū)籍的目錄就是一種索引結(jié)構(gòu)，目的是為了讓人們能夠更快地找到相關(guān)章節(jié)內(nèi)容。再比如：像hao123這種類型的導(dǎo)航網(wǎng)站，本質(zhì)上也是互聯(lián)網(wǎng)頁(yè)面中的索引結(jié)構(gòu)，目的類似，也是為了讓用戶能夠盡快找到有價(jià)值的分類網(wǎng)站。

在計(jì)算機(jī)科學(xué)領(lǐng)域，索引也是非常常用的數(shù)據(jù)結(jié)構(gòu)，其根本目的是為了——在具體應(yīng)用中加快查找速度。比如：在數(shù)據(jù)庫(kù)中，在很多高效數(shù)據(jù)結(jié)構(gòu)中，都會(huì)大量采用索引來(lái)提升系統(tǒng)效率。

具體到搜索引擎，索引更是其中最重要的核心技術(shù)之一，面對(duì)海量的網(wǎng)頁(yè)內(nèi)容，如何快速找到包含用戶查詢?cè)~的所有網(wǎng)頁(yè)？倒排索引在其中扮演了關(guān)鍵的角色。

本文主要講解與倒排索引相關(guān)的技術(shù)，通過(guò)引入簡(jiǎn)單實(shí)例，介紹與搜索引擎有關(guān)的一些基本概念，了解這些基本概念對(duì)于以后深入了解索引的工作機(jī)制非常重要。

一、單詞-文檔矩陣

單詞-文檔矩陣是表達(dá)兩者之間所具有的一種包含關(guān)系的概念模型，圖1展示了其含義，圖1中的每列代表一個(gè)文檔，每行代表一個(gè)單詞，打?qū)吹奈恢么戆P(guān)系。

圖1：?jiǎn)卧~-文檔矩陣

• 從縱向即文檔這個(gè)維度來(lái)看：每列代表文檔包含了哪些單詞，比如：文檔1包含了詞匯1和詞匯4，而不包含其他單詞。
• 從橫向即單詞這個(gè)維度來(lái)看：每行代表了哪些文檔包含了某個(gè)單詞，比如：對(duì)于詞匯1來(lái)說(shuō)，文檔1和文檔4中出現(xiàn)過(guò)詞匯1，而其他文檔不包含詞匯1，矩陣中其他的行列也可做此種解讀。

搜索引擎的索引其實(shí)就是實(shí)現(xiàn)單詞-文檔矩陣的具體數(shù)據(jù)結(jié)構(gòu)，可以有不同的方式來(lái)實(shí)現(xiàn)上述概念模型。比如：倒排索引、簽名文件、后綴樹(shù)等方式。

但是各項(xiàng)試驗(yàn)數(shù)據(jù)表明，倒排索引是單詞到文檔映射關(guān)系的最佳實(shí)現(xiàn)方式，所以本文主要介紹倒排索引的技術(shù)細(xì)節(jié)。

二、倒排索引基本概念

在這里向大家解釋倒排索引常用的一些專用術(shù)語(yǔ)：

• 文檔：一般搜索引擎的處理對(duì)象是互聯(lián)網(wǎng)網(wǎng)頁(yè)，而文檔這個(gè)概念要更寬泛些，代表以文本形式存在的存儲(chǔ)對(duì)象。相比網(wǎng)頁(yè)來(lái)說(shuō)，涵蓋更多形式。比如：Word、PDF、XML等不同格式的文件都可以稱為文檔；再比如：一封郵件、一條短信、一條微博也可以稱為文檔。
• 文檔集合：由若干文檔構(gòu)成的集合稱為文檔集合。比如：海量的互聯(lián)網(wǎng)網(wǎng)頁(yè)或者說(shuō)大量的電子郵件，都是文檔集合的具體例子。
• 文檔編號(hào)：在搜索引擎內(nèi)部，會(huì)為文檔集合內(nèi)每個(gè)文檔賦予一個(gè)唯一的內(nèi)部編號(hào)，以此編號(hào)來(lái)作為這個(gè)文檔的唯一標(biāo)識(shí)，這樣方便內(nèi)部處理，每個(gè)文檔的內(nèi)部編號(hào)即稱為文檔編號(hào)。
• 單詞編號(hào)：與文檔編號(hào)類似，搜索引擎內(nèi)部以唯一的編號(hào)來(lái)表征某個(gè)單詞，單詞編號(hào)可以作為某個(gè)單詞的唯一表征。
• 倒排索引：倒排索引是實(shí)現(xiàn)單詞-文檔矩陣的一種具體存儲(chǔ)形式。通過(guò)倒排索引，可以根據(jù)單詞快速獲取包含這個(gè)單詞的文檔列表，倒排索引主要由兩個(gè)部分組成：?jiǎn)卧~詞典和倒排文件。
• 單詞詞典：搜索引擎通常的索引單位是單詞，單詞詞典是由文檔集合中出現(xiàn)過(guò)的所有單詞構(gòu)成的字符串集合，單詞詞典內(nèi)每條索引項(xiàng)記載單詞本身的一些信息及指向倒排列表的指針。
• 倒排列表：倒排列表記載了，出現(xiàn)某個(gè)單詞的所有文檔的文檔列表及單詞在該文檔中出現(xiàn)的位置信息，每條記錄稱為一個(gè)倒排項(xiàng)。根據(jù)倒排列表，即可獲知哪些文檔包含某個(gè)單詞。
• 倒排文件：所有單詞的倒排列表往往順序地存儲(chǔ)在磁盤的某個(gè)文件里，這個(gè)文件即被稱為倒排文件，倒排文件是存儲(chǔ)倒排索引的物理文件。

關(guān)于這些概念之間的關(guān)系，通過(guò)圖2可以比較清晰地看出來(lái)：

圖2：倒排索引基本概念示意圖

三、倒排索引簡(jiǎn)單實(shí)例

倒排索引從邏輯結(jié)構(gòu)和基本思路上講非常簡(jiǎn)單，下面我們通過(guò)具體實(shí)例來(lái)進(jìn)行說(shuō)明，使得大家能夠?qū)Φ古潘饕幸粋€(gè)宏觀而直接的感受。

假設(shè)文檔集合包含5個(gè)文檔，每個(gè)文檔包含內(nèi)容如下圖所示：在圖3中最左端一欄是每個(gè)文檔對(duì)應(yīng)的文檔編號(hào)，我們的任務(wù)就是對(duì)這個(gè)文檔集合建立倒排索引。

圖3：文檔集合

中文和英文等語(yǔ)言不同，單詞之間沒(méi)有明確的分隔符號(hào)，所以首先要用分詞系統(tǒng)將文檔自動(dòng)切分成單詞序列，這樣每個(gè)文檔就轉(zhuǎn)換為由單詞序列構(gòu)成的數(shù)據(jù)流。

為了系統(tǒng)后續(xù)處理方便，需要對(duì)每個(gè)不同的單詞賦予唯一的單詞編號(hào)，同時(shí)記錄下哪些文檔包含這個(gè)單詞，在處理結(jié)束后，我們可以得到最簡(jiǎn)單的倒排索引（參考圖4）。

圖4中，“單詞ID”一列記錄了每個(gè)單詞對(duì)應(yīng)的編號(hào)，第2列是對(duì)應(yīng)的單詞，第3列即每個(gè)單詞對(duì)應(yīng)的倒排列表。比如：?jiǎn)卧~“谷歌”，其中單詞編號(hào)為1，倒排列表為{1,2,3,4,5}，說(shuō)明文檔集合中每個(gè)文檔都包含了這個(gè)單詞。

之所以說(shuō)圖4的倒排索引是最簡(jiǎn)單的，是因?yàn)檫@個(gè)索引系統(tǒng)只記載了哪些文檔包含某個(gè)單詞。而事實(shí)上，索引系統(tǒng)還可以記錄除此之外的更多信息。

圖5是一個(gè)相對(duì)復(fù)雜些的倒排索引，與圖4所示的基本索引系統(tǒng)相比，在單詞對(duì)應(yīng)的倒排列表中不僅記錄了文檔編號(hào)，還記載了單詞頻率信息，即這個(gè)單詞在某個(gè)文檔中出現(xiàn)的次數(shù)。之所以要記錄這個(gè)信息，是因?yàn)樵~頻信息在搜索結(jié)果排序時(shí)，計(jì)算查詢和文檔相似度是一個(gè)很重要的計(jì)算因子，所以將其記錄在倒排列表中，以方便后續(xù)排序時(shí)進(jìn)行分值計(jì)算。

在圖5所示的例子里，單詞“創(chuàng)始人”的單詞編號(hào)為7，對(duì)應(yīng)的倒排列表內(nèi)容有（3;1），其中3代表文檔編號(hào)為3的文檔包含這個(gè)單詞，數(shù)字1代表詞頻信息，即這個(gè)單詞在3號(hào)文檔中只出現(xiàn)過(guò)1次，其他單詞對(duì)應(yīng)的倒排列表所代表的含義與此相同。

圖4：最簡(jiǎn)單的倒排索引

圖5：帶有單詞頻率信息的倒排索引

實(shí)用的倒排索引還可以記載更多的信息，圖6所示的索引系統(tǒng)除了記錄文檔編號(hào)和單詞詞頻信息外，額外記載了兩類信息——即每個(gè)單詞對(duì)應(yīng)的文檔頻率信息（圖6的第3列）及單詞在某個(gè)文檔出現(xiàn)位置的信息。

圖6：帶有單詞頻率、文檔頻率和出現(xiàn)位置信息的倒排索引

文檔頻率信息代表了在文檔集合中有多少個(gè)文檔包含某個(gè)單詞，之所以要記錄這個(gè)信息，其原因與單詞頻率信息一樣，這個(gè)信息在搜索結(jié)果排序計(jì)算中是一個(gè)非常重要的因子。

而單詞在某個(gè)文檔中出現(xiàn)位置的信息并非索引系統(tǒng)一定要記錄的，在實(shí)際的索引系統(tǒng)里可以包含，也可以選擇不包含這個(gè)信息，之所以如此，是因?yàn)檫@個(gè)信息對(duì)于搜索系統(tǒng)來(lái)說(shuō)并非必要，位置信息只有在支持短語(yǔ)查詢的時(shí)候才能夠派上用場(chǎng)。

以單詞“拉斯”為例：其單詞編號(hào)為8，文檔頻率為2，代表整個(gè)文檔集合中有兩個(gè)文檔包含這個(gè)單詞，對(duì)應(yīng)的倒排列表為{(3;1;<4>),(5;1;<4>)}，其含義為在文檔3和文檔5出現(xiàn)過(guò)這個(gè)單詞，單詞頻率都為1，單詞“拉斯”在這兩個(gè)文檔中的出現(xiàn)位置都是4，即文檔中第4個(gè)單詞是“拉斯”。

圖6所示的倒排索引已經(jīng)是一個(gè)非常完備的索引系統(tǒng)，實(shí)際搜索引擎的索引結(jié)構(gòu)基本如此，區(qū)別無(wú)非是采取哪些具體的數(shù)據(jù)結(jié)構(gòu)來(lái)實(shí)現(xiàn)上述邏輯結(jié)構(gòu)。

有了這個(gè)索引系統(tǒng)，搜索引擎可以很方便地響應(yīng)用戶的查詢。比如：用戶輸入查詢?cè)~ “Facebook”，搜索系統(tǒng)查找倒排索引，從中可用讀出包含這個(gè)單詞的文檔，這些文檔就是提供給用戶的搜索結(jié)果。

而利用單詞詞頻信息、文檔頻率信息即可對(duì)這些候選搜索結(jié)果進(jìn)行排序，計(jì)算文檔和查詢的相似性，按照相似性得分由高到低排序輸出，此即為搜索系統(tǒng)的部分內(nèi)部流程。

本文由 @kevin 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CCO協(xié)議