之前我们已经了解过，Elasticsearch 是一个基于 Lucene 实现的分布式全文检索引擎，其实 Elasticsearch 倒排索引就是 Lucene 的倒排索引。数据检索是 ES 的一项核心功能，它的底层实现也是离不开倒排索引的，通过倒排索引技术可以提高数据的检索效率，理解倒排索引的原理很重要。
那什么是倒排索引，我们该如何理解它呢？
我们能进行数据检索的前提条件是，已经创建好了索引库，并给里边添加了文档数据。所以我们可以按照创建索引库、添加文档、数据检索这个顺序来认识倒排索引。
1、
首先是创建索引库，我们之前已经安装好了 IK 分词器，这里我们创建一个test索引，它只有一个content字段，添加文档时字段的分词模式是ik_max_word，检索时关键字的分词模式是ik_smart：
PUT test
{
"mappings": {
"properties": {
"content":{
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_smart"
}
}
}
}
字段的分词模式会影响最终生成的倒排索引。不了解分词器的可以参考Elasticsearch 中文分词器插件。
2、
创建好了索引，我们来添加一条文档数据：
POST test/_doc/1
{
"content": "长安十二时辰"
}
添加文档数据时，ES 会根据字段的分词模式将字段的值拆分成多个词条（Term）（或者称作词项），创建索引库时我们指定了content字段分词模式为ik_max_word，则会生成如下的词条：
| 词条 |
|---|
| 长安 |
| 十二时 |
| 十二 |
| 时辰 |
接下来就是建立倒排索引了，在这之前我们先了解两个概念词条字典（Term Dictionary）、倒排列表（Posting List）：
- 词条字典，就是词条的集合，不会出现重复词条，同时其中的词条会被排序。
- 倒排列表，由多个
倒排列表项组成，倒排列表项记录了词条对应的文档id、词条在对应文档字段的出现频率、出现的位置以及偏移量等信息。
ES 的倒排索引就是由词条字典和倒排列表两部分组成的。如下就是一个简易版的倒排索引，倒排列表项只有词条对应的文档 id：
| 词条 | 倒排列表项 |
|---|---|
| 长安 | [1] |
| 十二时 | [1] |
| 十二 | [1] |
| 时辰 | [1] |
一个词条对应一个倒排索引项。ES 会给每个字段都建立一个倒排索引。
我们再添加一条文档数据：
POST test/_doc/2
{
"content": "十二生肖"
}
根据上边的原理，最终content字段的倒排索引会被更新成如下结构：
| 词条 | 倒排列表项 |
|---|---|
| 长安 | [1] |
| 十二时 | [1] |
| 十二 | [1, 2] |
| 时辰 | [1] |
| 十二生肖 | [2] |
| 生肖 | [2] |
3、
前边已经添加了文档数据，同时也生成了倒排索引，接下来就是检索数据了。在这之前还有一个知识点需要了解，那就是词条索引（Term Index），词条索引一般只存储各个词条的前缀（第一个字符），它和字条字典对应。之所以需要词条索引，是因为词条字典一般都很大，不适合保存在内存中而是存储在磁盘中，检索数据时根据关键字的前缀匹配到词条索引，再根据词条索引定位到关键字在倒排索引的词条字典中大致的位置，然后进一步在词条字典中通过二分查找定位到具体的词条，这样避免了直接遍历词条字典来点位词条，大幅减少了磁盘的读取，提高了效率。
定位到了词条，就能在倒排索引中找到对应的倒排列表项，进而就知道了对应的文档 id，有了文档 id 自然也就找到了文档，这也就是 ES 检索数据大致的原理。
如下我们查询包含十二的文档数据：
GET test/_search
{
"query": {
"match": {
"content": "十二"
}
}
}
由于我们创建索引库时指定了检索时关键字的分词模式是ik_smart，所以十二被分词后还是十二，再结合上边的原理，以十二为关键字最终可以查询到 id 为 1、2 的文档数据：
这篇最好能结合Elasticsearch 中文分词器插件一起看，这样能更容易理解些。
新手上路，不合理的地方还望大佬指点。
网友评论