【Elasticsearch入门到落地】2、正向索引和倒排索引

接上篇《1、初识Elasticsearch》
上一篇我们学习了什么是Elasticsearch，以及Elastic stack(ELK)技术栈介绍。本篇我们来什么是正向索引和倒排索引，这是了解Elasticsearch底层架构的核心。

上一篇我们学习到，Elasticsearch的底层是由Lucene实现的，而Lucene中的核心技术就是“倒排索引”。“倒排索引”是与传统数据库的“正向索引”模式对比得出的一个名称。

一、正向索引

传统数据库（如MySQL）采用正向索引，例如给下表（tb_goods）中的id创建索引：

对于数据库，一般情况下都会基于id去创建一个索引，然后形成一颗B+树（也有数据库是Hash结构，这里不再单独介绍），然后我们根据id检索的速度就会非常快。
B+树是一种自平衡的多路查找树，主要用于磁盘等存储设备上的文件系统和数据库索引。它具有以下特点：

●所有叶子节点都包含有关键字的信息。
●非叶子节点不包含具体的数据，只用来指导搜索方向。
●所有的叶子节点通过指针链接在一起，形成了一个链表。
●每个节点可以拥有多个子节点，子节点的数量由树的高度决定。

假设我们在tb_goods表的id列上创建了一个索引，那么这个B+树可能会是这样的：

当我们要查询某个特定的ID时，比如查询ID为3的商品信息，可以通过B+树快速定位到对应的记录：
1.首先访问根节点2。
2.因为要找的是3，所以从右分支向下。
3.到达第二层的节点3。
4.再次因为要找的是3，所以直接到达该节点。
5.在此节点找到ID为3的记录。
这种方式的索引，就是一个“正向索引”。
但是如果我此时搜索的字段不是id字段，而是普通的title标题字段，但是title字段一般比较长，不会给它加索引。即便我们给title加了索引，但是我们搜素的不是完整的值，而是模糊的片段值（例如搜索包含“手机”两个字的），这个时候在传统数据库查询的流程如下：

在上述流程中，我们使用了like语句，查询了一个模糊匹配值，即便有索引也是无法生效的，此时数据库就会逐条数据扫描包含“手机”两个字的记录。如果发现扫描的记录中不包含“手机”两个字，就将这一条丢弃；如果发现了包含的，就将这一条记录存入结果集。
但是如果我们的tb_goods表中有1000万条数据，本次查询就意味着我们要扫描1000万次，那么它的性能可想而知是非常差的。所以“正向索引”在做局部内容检索的时候，效率是比较差的。

二、倒排索引

同样是对上述的tb_goods表设置索引，倒排索引会形成一个新的表，这张表包含两个字段，一个是“词条（term）”，一个是“文档id”，两者含义如下：

●文档（document）：每条数据就是一个文档。
●词条（term）：文档按照语义分成的词语。

在tb_goods表中，每一行商品信息就是一个文档。如果是订单表，每行订单就是一个文档，如果是用户表，每个用户信息就是一个文档，当然，如果是面向一张网页，那么整张网页就是一个文档。
文档中有很多很多数据，这些数据都可以分成相应含义的词语，例如“华为小米充电器”，可以分为“华为”、“小米”和“充电器”等词语，进而形成所谓的“词条”。
所以，倒排索引在存储时，会先将文档分成词条，然后按照唯一的词条去关联相应词条的文档id。
例如上面的tb_goods表，在形成倒排索引时，会将数据库每一行title的名次拆分成词条，而词条是不会重复的（可以理解为词条是索引表的唯一索引），如果不同行出现相同的词条，他会将拥有相同词条的记录id，放在文档id列，以逗号分隔，如下图：

这张表后续不管是有一千个还是一万个数据，都会分成一个个的词条，相同的词条会统一记录在一行文档id列中。而倒排索引保证词条永远不会重复，因为它的唯一性，我们就可以为词条创建索引（使用Hash法或者B+树），将来我们根据词条查找的速度就会非常快。

那么通过倒排索引建立的数据结构，是如何快速查询的呢？我们以搜索“华为手机”为例，搜索流程如下：

第一步，会对用户输入的搜索数据进行分词：

此时分出了“华为”和“手机”两个词条。
第二步，按照分出的词条，前往倒排索引表去匹配词条，找到对应的文档id：

这个时候可以查询到，“华为”和“手机”两个词条对应所在的文档id。
第三步，根据找到对应的文档id，查询到相应的文档数据：

第四步，就是将找到的文档数据，存入结果集展示给用户。

在上述步骤中，一共进行了两次检索，第一次检索是根据用户输入的词条，去词条列表中搜索，找打文档id；第二次是根据文档id，去原表中找到相应的文档记录。虽然进行了两次查询，但每一次查询都是使用了索引列去查询（term字段和id字段都是带索引的），所以整体查询效率会比刚刚的正向查询的逐条扫描要高得多。

同时大家也能看出来，倒排索引为什么叫“倒排”，是因为正向是先找到文档，再判断文档是否符合我们的要求。而倒排是反过来的，它是基于词条创建的索引，然后关联文档，当查找的时候，是先找到词，再根据词找到对应的文档。

倒排索引更擅长于，基于文档的内容去搜索文档，场景更加复杂。比如想在网页中搜索一些关键字，或者在错误日志中搜索一些异常信息的关键词，或者搜索零碎的商品信息。

三、总结

1、什么是文档和词条?
●每一条数据就是一个文档
●对文档中的内容分词，得到的词语就是词条
2、什么是正向索引?
基于文档id创建索引。查询词条时必须先找到文档，而后判断是否包含词条。
3、什么是倒排索引？
对文档内容分词，对词条创建索引，并记录词条所在文档的信息。查询时先根据词条查询到文档id，而后获取到文档。

以上就是关于正向索引和倒排索引的全部介绍，下一篇我们来学习Elasticsearch与Mysql的概念与区别。

参考：《黑马Elasticsearch全套教程》

转载请注明出处：https://guangzai.blog.csdn.net/article/details/144005998