索引是短小的检索信息的信息
倒排表:存放在内存中的能够追加倒排记录的倒排索引
临时倒排文件:存放在磁盘中,以文件形式存储的不能追加倒排记录的倒排索引。
最终倒排文件:归并了临时倒排文件的倒排索引。
全文检索:细化了信息检索的粒度
1.文档的全部文字参与索引;
2.检索结果能够提供检索词出现的实际位置。--标红
文档:结构化的网页对象
文档编号:网页编号
1.任何一个文档在其生命周期中仅有一个编号;
2.任何两个不同的文档的编号不同;
3.编号在计算中尽可能高效--空间占用越大,内存工作集也就相应变大,内存和对换区的换入换出机会也增大。
url 1&2--url字符串签名--32字节的MD5签名
游程编码--编号长度压缩
1.差分编码:
1.1好处:变得较小;
1.2坏处:需从头至尾取出所有数据--cpu计算,维护数据完整性
2.变长编码:字节对齐,解码速度快,节约存储,减少了磁盘io次数。
2.1字节对齐的编码方式,将整数转成二进制,以7位为单位对其分段,每段段尾加1位成8位,末尾为0表示该段是最后一段,为1表示还有后续段
压缩率更高的rcode
倒排索引:按关键词创建的索引
1.命中hit:索引词在文章中的位置和字体等
2.正排索引
3.倒排索引
正排索引:--以文档编号为视角看待索引
1.localid:一个文档的局部编号
2.wordId:文档分词后的编号
3.NHits:某个索引词在文档中出现的次数
4.HitList变长字段:某个索引词在文档中出现的位置,即相对于正文的偏移量--变长编码
倒排索引--以关键字作为主键的索引结构
1.词典
2.记录表--分块存放,块内按DocId升序存放,块间按pagerank值降序存放