|
|
|
|
|
# 05 | 倒排索引：如何从海量数据中查询同时带有“极”和“客”的唐诗？
|
|
|
|
|
|
|
|
|
|
|
|
你好，我是陈东。
|
|
|
|
|
|
|
|
|
|
|
|
试想这样一个场景：假设你已经熟读唐诗300首了。这个时候，如果我给你一首诗的题目，你可以马上背出这首诗的内容吗？相信你一定可以的。但是如果我问你，有哪些诗中同时包含了“极”字和“客”字？你就不见得能立刻回答出来了。你需要在头脑中一首诗一首诗地回忆，并判断每一首诗的内容是否同时包含了“极”字和“客”字。很显然，第二个问题的难度比第一个问题大得多。
|
|
|
|
|
|
|
|
|
|
|
|
那从程序设计的角度来看，这两个问题对应的检索过程又有什么不同呢？今天，我们就一起来聊一聊，两个非常常见又非常重要的检索技术：正排索引和倒排索引。
|
|
|
|
|
|
|
|
|
|
|
|
## 什么是倒排索引？
|
|
|
|
|
|
|
|
|
|
|
|
我们先来看比较简单的那个问题：给出一首诗的题目，马上背出内容。这其实就是一个典型的键值查询场景。针对这个场景，我们可以给每首诗一个唯一的编号作为ID，然后使用哈希表将诗的ID作为键（Key），把诗的内容作为键对应的值（Value）。这样，我们就能在O(1)的时间代价内，完成对指定key的检索。这样一个以对象的唯一ID为key的哈希索引结构，叫作**正排索引**（Forward Index）。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
哈希表存储所有诗
|
|
|
|
|
|
|
|
|
|
|
|
一般来说，我们会遍历哈希表，遍历的时间代价是O(n)。在遍历过程中，对于遇到的每一个元素也就是每一首诗，我们需要遍历这首诗中的每一个字符，才能判断是否包含“极”字和“客”字。假设每首诗的平均长度是k，那遍历一首诗的时间代价就是O(k)。从这个分析中我们可以发现，这个检索过程全部都是遍历，因此时间代价非常高。对此，有什么优化方法吗？
|
|
|
|
|
|
|
|
|
|
|
|
我们先来分析一下这两个场景。我们会发现，“根据题目查找内容”和“根据关键字查找题目”，这两个问题其实是完全相反的。既然完全相反，那我们能否“反着”建立一个哈希表来帮助我们查找呢？也就是说，如果我们以关键字作为key建立哈希表，是不是问题就解决了呢？接下来，我们就试着操作一下。
|
|
|
|
|
|
|
|
|
|
|
|
我们将每个关键字当作key，将包含了这个关键字的诗的列表当作存储的内容。这样，我们就建立了一个哈希表，根据关键字来查询这个哈希表，在O(1)的时间内，我们就能得到包含该关键字的文档列表。这种根据具体内容或属性反过来索引文档标题的结构，我们就叫它**倒排索引**（Inverted Index）。在倒排索引中，key的集合叫作**字典**（Dictionary），一个key后面对应的记录集合叫作**记录列表**（Posting List）。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
倒排索引
|
|
|
|
|
|
|
|
|
|
|
|
## 如何创建倒排索索引？
|
|
|
|
|
|
|
|
|
|
|
|
前面我们介绍了倒排索引的概念，那创建一个倒排索引的过程究竟是怎样的呢？我把这个过程总结成了以下步骤。
|
|
|
|
|
|
|
|
|
|
|
|
1. 给每个文档编号，作为其唯一的标识，并且排好序，然后开始遍历文档（为什么要先排序，然后再遍历文档呢？你可以先想一下，后面我们会解释）。
|
|
|
|
|
|
2. 解析当前文档中的每个关键字，生成<关键字，文档ID，关键字位置>这样的数据对。为什么要记录关键字位置这个信息呢？因为在许多检索场景中，都需要显示关键字前后的内容，比如，在组合查询时，我们要判断多个关键字之间是否足够近。所以我们需要记录位置信息，以方便提取相应关键字的位置。
|
|
|
|
|
|
3. 将关键字作为key插入哈希表。如果哈希表中已经有这个key了，我们就在对应的posting list后面追加节点，记录该文档ID（关键字的位置信息如果需要，也可以一并记录在节点中）；如果哈希表中还没有这个key，我们就直接插入该key，并创建posting list和对应节点。
|
|
|
|
|
|
4. 重复第2步和第3步，处理完所有文档，完成倒排索引的创建。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
将一个文档解析并加入倒排索引
|
|
|
|
|
|
|
|
|
|
|
|
## 如何查询同时含有“极”字和“客”字两个key的文档？
|
|
|
|
|
|
|
|
|
|
|
|
如果只是查询包含“极”或者“客”这样单个字的文档，我们直接以查询的字作为key去倒排索引表中检索，得到的posting list就是结果了。但是，如果我们的目的是要查询同时包含“极”和“客”这两个字的文档，那我们该如何操作呢？
|
|
|
|
|
|
|
|
|
|
|
|
我们可以先分别用两个key去倒排索引中检索，这样会得到两个不同的posting list：A和B。A中的文档都包含了“极”字，B中文档都包含了“客”字。那么，如果一个文档既出现在A中，又出现在B中，它是不是就同时包含了这两个字呢？按照这个思路，我们只需查找出A和B的公共元素即可。
|
|
|
|
|
|
|
|
|
|
|
|
那么问题来了，我们该如何在A和B这两个链表中查找出公共元素呢？如果A和B都是无序链表，那我们只能将A链表和B链表中的每个元素分别比对一次，这个时间代价是O(m\*n)。但是，如果两个链表都是有序的，我们就可以用归并排序的方法来遍历A和B两个链表，时间代价会降低为O(m + n)，其中m是链表A的长度，n是链表B的长度。
|
|
|
|
|
|
|
|
|
|
|
|
我把链表归并的过程总结成了3个步骤，你可以看一看。
|
|
|
|
|
|
|
|
|
|
|
|
第1步，使用指针p1和p2分别指向有序链表A和B的第一个元素。
|
|
|
|
|
|
|
|
|
|
|
|
第2步，对比p1和p2指向的节点是否相同，这时会出现3种情况：
|
|
|
|
|
|
|
|
|
|
|
|
* 两者的id相同，说明该节点为公共元素，直接将该节点加入归并结果。然后，p1和p2要同时后移，指向下一个元素；
|
|
|
|
|
|
* p1元素的id小于p2元素的id，p1后移，指向A链表中下一个元素；
|
|
|
|
|
|
* p1元素的id大于p2元素的id，p2后移，指向B链表中下一个元素。
|
|
|
|
|
|
|
|
|
|
|
|
第3步，重复第2步，直到p1或p2移动到链表尾为止。
|
|
|
|
|
|
|
|
|
|
|
|
为了帮助你理解，我把一个链表归并的完整例子画在了一张图中，你可以结合这张图进一步理解上面的3个步骤。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
链表归并提取公共元素例子
|
|
|
|
|
|
|
|
|
|
|
|
那对于**两个key**的联合查询来说，除了有“同时存在”这样的场景以外，其实还有很多联合查询的实际例子。比如说，我们可以查询包含“极”**或**“客”字的诗，也可以查询包含“极”**且不包含**“客”的诗。这些场景分别对应着集合合并中的交集、并集和差集问题。它们的具体实现方法和“同时存在”的实现方法差不多，也是通过遍历链表对比的方式来完成的。如果感兴趣的话，你可以自己来实现看看，这里我就不再多做阐述了。
|
|
|
|
|
|
|
|
|
|
|
|
此外，在实际应用中，我们可能还需要对**多个key**进行联合查询。比如说，要查询同时包含“极”“客”“时”“间”四个字的诗。这个时候，我们利用多路归并的方法，同时遍历这四个关键词对应的posting list即可。实现过程如下图所示。
|
|
|
|
|
|
|
|
|
|
|
|
多路归并
|
|
|
|
|
|
|
|
|
|
|
|
## 重点回顾
|
|
|
|
|
|
|
|
|
|
|
|
好了，今天的内容就先讲到这里。你会发现，倒排索引的核心其实并不复杂，它的具体实现其实是哈希表，只是它不是将文档ID或者题目作为key，而是反过来，通过将内容或者属性作为key来存储对应的文档列表，使得我们能在O(1)的时间代价内完成查询。
|
|
|
|
|
|
|
|
|
|
|
|
尽管原理并不复杂，但是倒排索引是许多检索引擎的核心。比如说，数据库的全文索引功能、搜索引擎的索引、广告引擎和推荐引擎，都使用了倒排索引技术来实现检索功能。因此，这一讲的内容我也希望你能好好理解消化，打好扎实的基础。
|
|
|
|
|
|
|
|
|
|
|
|
## 课堂讨论
|
|
|
|
|
|
|
|
|
|
|
|
今天的内容实践性比较强，你可以结合下面这道课堂讨论题，动手试一试，加深理解。
|
|
|
|
|
|
|
|
|
|
|
|
对于一个检索系统而言，除了根据关键字查询文档，还可能有其他的查询需求。比如说，我们希望查询李白都写了哪些诗。也就是说，如何在“根据内容查询”的基础上，同时支持“根据作者查询”，我们该怎么做呢？
|
|
|
|
|
|
|
|
|
|
|
|
欢迎在留言区畅所欲言，说出你的思考过程和最终答案。如果有收获，也欢迎把这篇文章分享给你的朋友。
|
|
|
|
|
|
|
