• 倒排索引
    • IMPORTANT

    倒排索引

    Elasticsearch使用一种叫做倒排索引(inverted index)的结构来做快速的全文搜索。倒排索引由在文档中出现的唯一的单词列表，以及对于每个单词在文档中的位置组成。

    例如，我们有两个文档，每个文档content字段包含：

    1. The quick brown fox jumped over the lazy dog
    2. Quick brown foxes leap over lazy dogs in summer

    为了创建倒排索引，我们首先切分每个文档的content字段为单独的单词（我们把它们叫做词(terms)或者表征(tokens)）（译者注：关于terms和tokens的翻译比较生硬，只需知道语句分词后的个体叫做这两个。），把所有的唯一词放入列表并排序，结果是这个样子的：

    Term Doc_1 Doc_2
    Quick X
    The X
    brown X X
    dog X
    dogs X
    fox X
    foxes X
    in X
    jumped X
    lazy X X
    leap X
    over X X
    quick X
    summer X
    the X

    现在，如果我们想搜索"quick brown"，我们只需要找到每个词在哪个文档中出现即可：

    Term Doc_1 Doc_2
    brown X X
    quick X
    ——- ———- ——-
    Total 2 1

    两个文档都匹配，但是第一个比第二个有更多的匹配项。
    如果我们加入简单的相似度算法(similarity algorithm)，计算匹配单词的数目，这样我们就可以说第一个文档比第二个匹配度更高——对于我们的查询具有更多相关性。

    但是在我们的倒排索引中还有些问题：

    1. "Quick"和"quick"被认为是不同的单词，但是用户可能认为它们是相同的。
    2. "fox"和"foxes"很相似，就像"dog"和"dogs"——它们都是同根词。
    3. "jumped"和"leap"不是同根词，但意思相似——它们是同义词。

    上面的索引中，搜索"+Quick +fox"不会匹配任何文档（记住，前缀+表示单词必须匹配到）。只有"Quick"和"fox"都在同一文档中才可以匹配查询，但是第一个文档包含"quick fox"且第二个文档包含"Quick foxes"。（译者注：这段真啰嗦，说白了就是单复数和同义词没法匹配）

    用户可以合理地希望两个文档都能匹配查询，我们也可以做得更好。

    如果我们将词为统一为标准格式，这样就可以找到不是确切匹配查询，但是足以相似从而可以关联的文档。例如：

    1. "Quick"可以转为小写成为"quick"。
    2. "foxes"可以被转为根形式"fox"。同理"dogs"可以被转为"dog"。
    3. "jumped"和"leap"同义就可以只索引为单个词"jump"

    现在的索引：

    Term Doc_1 Doc_2
    brown X X
    dog X X
    fox X X
    in X
    jump X X
    lazy X X
    over X X
    quick X X
    summer X
    the X X

    但我们还未成功。我们的搜索"+Quick +fox"依旧失败，因为"Quick"的确切值已经不在索引里，不过，如果我们使用相同的标准化规则处理查询字符串的content字段，查询将变成"+quick +fox"，这样就可以匹配到两个文档。

    IMPORTANT

    这很重要。你只可以找到确实存在于索引中的词，所以索引文本和查询字符串都要标准化为相同的形式。

    这个标记化和标准化的过程叫做分词(analysis)，这个在下节中我们讨论。