Elasticsearch 使用一种叫做 倒排索引(inverted index)的结构来做快速的全文搜索。倒排索引由在文档中出现的唯一的单词列表,以及对于每个单词在文档中的位置组成。
例如,我们有两个文档,每个文档content
字段包含:
-
The quick brown fox jumped over the lazy dog
-
Quick brown foxes leap over lazy dogs in summer
为了创建倒排索引,我们首先切分每个文档的content
字段为单独的单词(我们把它们叫做词(terms)或者表征(tokens))(译者注:关于terms
和tokens
的翻译比较生硬,只需知道语句分词后的个体叫做这两个。),把所有的唯一词放入列表并排序,结果是这个样子的:
Term | Doc_1 | Doc_2 |
---|---|---|
Quick | X | |
The | X | |
brown | X | X |
dog | X | |
dogs | X | |
fox | X | |
foxes | X | |
in | X | |
jumped | X | |
lazy | X | X |
leap | X | |
over | X | X |
quick | X | |
summer | X | |
the | X |
现在,如果我们想搜索"quick brown"
,我们只需要找到每个词在哪个文档中出现即可:
Term | Doc_1 | Doc_2 |
---|---|---|
brown | X | X |
quick | X | |
----- | ------- | ----- |
Total | 2 | 1 |
两个文档都匹配,但是第一个比第二个有更多的匹配项。 如果我们加入简单的相似度算法(similarity algorithm),计算匹配单词的数目,这样我们就可以说第一个文档比第二个匹配度更高——对于我们的查询具有更多相关性。
但是在我们的倒排索引中还有些问题:
-
"Quick"
和"quick"
被认为是不同的单词,但是用户可能认为它们是相同的。 -
"fox"
和"foxes"
很相似,就像"dog"
和"dogs"
——它们都是同根词。 -
"jumped"
和"leap"
不是同根词,但意思相似——它们是同义词。
上面的索引中,搜索"+Quick +fox"
不会匹配任何文档(记住,前缀+
表示单词必须匹配到)。只有"Quick"
和"fox"
都在同一文档中才可以匹配查询,但是第一个文档包含"quick fox"
且第二个文档包含"Quick foxes"
。(译者注:这段真啰嗦,说白了就是单复数和同义词没法匹配)
用户可以合理地希望两个文档都能匹配查询,我们也可以做得更好。
如果我们将词为统一为标准格式,这样就可以找到不是确切匹配查询,但是足以相似从而可以关联的文档。例如:
-
"Quick"
可以转为小写成为"quick"
。 -
"foxes"
可以被转为根形式"fox"
。同理"dogs"
可以被转为"dog"
。 -
"jumped"
和"leap"
同义就可以只索引为单个词"jump"
现在的索引:
Term | Doc_1 | Doc_2 |
---|---|---|
brown | X | X |
dog | X | X |
fox | X | X |
in | X | |
jump | X | X |
lazy | X | X |
over | X | X |
quick | X | X |
summer | X | |
the | X | X |
但我们还未成功。我们的搜索"+Quick +fox"
依旧失败,因为"Quick"
的确切值已经不在索引里,不过,如果我们使用相同的标准化规则处理查询字符串的content
字段,查询将变成"+quick +fox"
,这样就可以匹配到两个文档。
IMPORTANT
这很重要。你只可以找到确实存在于索引中的词,所以索引文本和查询字符串都要标准化为相同的形式。
这个标记化和标准化的过程叫做分词(analysis)