在關(guān)系數(shù)據(jù)庫系統(tǒng)里，索引是檢索數(shù)據(jù)最有效率的方式,。但對于搜索引起，他它并不能滿足其特殊要求：
1）海量數(shù)據(jù)：搜索引擎面對的是海量數(shù)據(jù)，像Google，百度這樣大型的商業(yè)搜索引擎索引都是億級甚至幾千的網(wǎng)頁數(shù)量 ，面對如此海量數(shù)據(jù) ,使得數(shù)據(jù)庫系統(tǒng)很難有效的管理。
2）數(shù)據(jù)操作簡單：搜索引擎使用的數(shù)據(jù)操作簡單 ,一般而言 ,只需要增、 刪、 改、 查幾個功能 ,而且數(shù)據(jù)都有特定的格式 ,可以針對這些應(yīng)用設(shè)計(jì)出簡單高效的應(yīng)用程序。而一般的數(shù)據(jù)庫系統(tǒng)則支持大而全的功能 ,同時損失了速度和空間。最后 ,搜索引擎面臨大量的用戶檢索需求 ,這要求搜索引擎在檢索程序的設(shè)計(jì)上要分秒必爭 ,盡可能的將大運(yùn)算量的工作在索引建立時完成 ,使檢索運(yùn)算盡量的少。一般的數(shù)據(jù)庫系統(tǒng)很難承受如此大量的用戶請求 ,而且在檢索響應(yīng)時間和檢索并發(fā)度上都不及我們專門設(shè)計(jì)的索引系統(tǒng)。
來自維基百科定義：
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”。
倒排索引有兩種不同的反向索引形式：
一條記錄的水平反向索引（或者反向檔案索引）包含每個引用單詞的文檔的列表。
一個單詞的水平反向索引（或者完全反向索引）又包含每個單詞在一個文檔中的位置。
后者的形式提供了更多的兼容性（比如短語搜索），但是需要更多的時間和空間來創(chuàng)建。
現(xiàn)代搜索引起的索引都是基于倒排索引。相比“簽名文件”、“后綴樹”等索引結(jié)構(gòu)，“倒排索引”是實(shí)現(xiàn)單詞到文檔映射關(guān)系的最佳實(shí)現(xiàn)方式和最有效的索引結(jié)構(gòu).
倒排索引的簡單實(shí)例： 搜索引擎-倒排索引基礎(chǔ)知識
倒排列表用來記錄有哪些文檔包含了某個單詞。一般在文檔集合里會有很多文檔包含某個單詞，每個文檔會記錄文檔編號（DocID），單詞在這個文檔中出現(xiàn)的次數(shù)（TF）及單詞在文檔中哪些位置出現(xiàn)過等信息，這樣與一個文檔相關(guān)的信息被稱做倒排索引項(xiàng)（Posting），包含這個單詞的一系列倒排索引項(xiàng)形成了列表結(jié)構(gòu)，這就是某個單詞對應(yīng)的倒排列表。圖1是倒排列表的示意圖，在文檔集合中出現(xiàn)過的所有單詞及其對應(yīng)的倒排列表組成了倒排索引。
圖1 倒排列表
在實(shí)際的搜索引擎系統(tǒng)中，并不存儲倒排索引項(xiàng)中的實(shí)際文檔編號，而是代之以文檔編號差值（D-Gap）。文檔編號差值是倒排列表中相鄰的兩個倒排索引項(xiàng)文檔編號的差值，一般在索引構(gòu)建過程中，可以保證倒排列表中后面出現(xiàn)的文檔編號大于之前出現(xiàn)的文檔編號，所以文檔編號差值總是大于0的整數(shù)。如圖2所示的例子中，原始的 3個文檔編號分別是187、196和199，通過編號差值計(jì)算，在實(shí)際存儲的時候就轉(zhuǎn)化成了：187、9、3。
之所以要對文檔編號進(jìn)行差值計(jì)算，主要原因是為了更好地對數(shù)據(jù)進(jìn)行壓縮，原始文檔編號一般都是大數(shù)值，通過差值計(jì)算，就有效地將大數(shù)值轉(zhuǎn)換為了小數(shù)值，而這有助于增加數(shù)據(jù)的壓縮率。
索引的構(gòu)建相當(dāng)于從正排表到倒排表的建立過程。當(dāng)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(dāng)索引建立完成后 ,應(yīng)得到倒排表 ,具體流程如圖3所示：
圖3 索引構(gòu)建
流程：
1）將文檔分析稱單詞term標(biāo)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(diǎn)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(dāng)規(guī)模不斷擴(kuò)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(dāng)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(jì)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(yīng)的網(wǎng)頁ID列表： <word，List(DodD:pos)>。這就是單詞word對應(yīng)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(fù)雜操作，獲得形式更為復(fù)雜的倒排索引。
圖6
更新策略有四種：完全重建、再合并策略、原地更新策略以及混合策略。
參考文獻(xiàn)：
《這就是搜索引擎:核心技術(shù)詳解》
《搜索引擎—信息檢索實(shí)踐》
