ElasticSearch之倒排索引

写在前面

本文看下es的倒排索引相关内容。

1：正排索引和倒排索引

正排索引就是通过文档id找文档内容，而倒排索引就是通过文档内容找文档id，如下图：

2：倒排索引原理

假定我们有如下的数据：

为了建立倒排索引，我们需要先对文档进行分词，如下：

分词后每一个词有一个专门的名词来表示，叫做Term，term就是我们要搜索的目标，但是找到了term并不能找到文档，为了找到文档，每一个term对应一个[<文档id，偏移量,出现次数>]的数组，这个数组我们叫做Posting List，其中每个term对应一个Posing List，如下图：

为了方便查找term，term+Posing List组合在字典的数据结构，叫做Term Dictionary，(注意term是排好序的，所以可以顺序查找，后面会用到！！！)，如下图：

这样，当我们搜索Elasticsearch,可以通过Term Disctionary，查到对应的term，然后通过term就可以找到对应的PosingList，就找到文档了，这个过程如下:

但，实际上我们搜索的关键词，是没有办法直接按照上述流程找到term的，因为term dictionary比较大，是保存在磁盘上的，直接基于磁盘查找，速度就可想而知了，所以，es还设计了另外一种数据结果term index，用来在内存中保存关键词对应的term磁盘页位置，term index是一种基于trie tree的数据结构，大概如下图：

其中红色的就是位置信息，但是注意在term index中只会存储前缀，所以可以定位到一个大概的位置，而因为term是顺序存储的，所以可以顺序读盘，找到目标term，这里我们简单的以直接定位到term为例看下这个过程：

最后，es为了能够将term index存储在内存中，还是用了FST的算法，来压缩空间。则最终查找过程就如下图了：

以上过程分词是及其重要的一个环节，所以我们接下来也来看下分词相关的内容。

3：分词

3.1：什么是分词和分词器

分词：analysis，即将一句话分为多个词（term）的过程。

分词器：analyzer，完成分词这个操作的工具。

如下图：

所以，分词是个动词，分词器是个名词。

分词器在我们写入数据构建倒排索引的时候会用到，在输入一句话进行搜索的时候也会用到。

3.2:分词器的工作原理

一个标准的分词器由以下三部分组成：

Charancter Filters:对原始的内容进行处理，如删除html字符，等
Tokenizer:按照某种规则切分为一组单词（term），这部分功能不仅每种分词器都有，而且还可能包含Token Filters的功能（可以看作是分词器的非标准实现）
Token Filters：对切分后的次进行处理，如转小写，删除停用词等

如下简单例子：

注意这只是一个标准的分词器需要具备的三个部分，但除了Tokennizer必须提供具体的实现外，Chracter Filters和Token Filters并不是必须提供实现的。

3.3:分词器都有哪些

为了方便你我们查看不同的分词效果，es提供了_analysis 的rest api，如下：

3.3.1：Standard Analyzer

默认分词器，标准分词器三部分提供如下:

charanter Filters:无
Tokennizer：按词切分，就是按照空格切分吧
Token Filters:小写处理

如下图:

首先，我们来看下standard analyzer的执行效果：

可以看到只是空格划分后转小写了。
如果我们想要启动token fitlers中的停用词该怎么办呢？可以这样，我们来自定义一个分词器，并指定配置，因为在es中自定义分词需要定义在索引下，所以我们需要指定索引来创建（其实就是设置索引的setting）,如下：

PUT standard_analyzer_token_length_conf1_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "english_1analyzer":{
          "type":"standard",
          "max_token_length":5,
          "stopwords":"_english_"
        }
      }
    }
  }
}

在索引standard_analyzer_token_length_conf1_index中我们定义了一个名称为english_1analyzer的自定义索引，其中的配置项如下:

"type":"standard",
    基于standard分词器
"max_token_length":5,
    token最大长度为5，即如果term长度大于5则回分为2个，如ABCDEFGHI，会分为ABCDE和FGHI
"stopwords":"_english_"
    使用标准的eglish停用词语，也可以通过stopwords_path来指定停用词

测试如下：

可以看到is a这些就没了，并且每个term的最大长度是5，超过5的也被分成了多个。

3.3.2：Simple Analyzer

简单分词器，标准分词器三部分提供如下:

Charanter filters:不提供实现
Tokennizer：按照非字母进行切分（可对比standard分词器只按照空格进行切分），然后还抢了本该属于Token Filters的活，会转小写
Token filters：不提供实现

测试如下：

3.3.3：White space Analyzer

空格分词器，标准分词器三部分提供如下：

Character Filters:不提供实现
Tokenizer：按照空格切分（简单粗暴）
Token Filters:不提供实现

测试如下：

3.3.4：stop anylizer

停用词分词器，标准分词器三部分提供如下：

Character Filters:不提供实现
Tokenizer：按照空格切分
Token Filters:删除is,a等修饰词

可以看到相比于simple analyzer，只是多了tokenfilters的删除修饰词功能。

测试如下：

3.3.5：keyword anylizer

关键词分词器，标准分词器三部分提供如下：

Charater Fitlers:不提供实现
Tokennizer：原样输出，也是一种特殊的分割，不是嘛！！！
Token Filters：不提供实现

测试如下：

3.3.6：Pattern anylizer

模式分词器，标准分词器三部分提供如下：

Character Fiters:不提供实现
Tokennizer：默认按照\W+进行分割，即按照[0－9a-zA-Z_]之外的字符进行分割
Token Fiters:转小写，以及停用词

测试如下：

3.3.7：language anylizer

这并不是一个分词器，而是一组分词器，一组针对特定语言的分词器，支持语言如下：

以english为例看下，其token filters还会将一些特定语态的单词变为正常的，如xxxIng变为xxx,如：

3.3.8：中文分词

因为中华文字，博大精深，变化多端，所以分词的难度相当之大，具体点如下：

为了测试中文分词我们可以来自定义一个安装了ik插件的新镜像，参考docker自定义镜像并使用 。只需要将docker-compose中的es imga改成我们自己定义的就可以测试了，如：

3.3.1：自定义分词器

https://blog.csdn.net/weixin_28906733/article/details/106610972 如果希望自定义一个与standard类似的analyzer,只需要在原定义

• 自定义一个与standard类似的analyzer
  先再来看下standard分词器：

charanter Filters:无
Tokennizer：按词切分，就是按照空格切分吧
Token Filters:小写处理

定义和使用：

//测试自定义analyzer
PUT custom_rebuild_standard_analyzer_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rebuild_analyzer":{
          "type":"custom",
          "tokenizer":"standard",
          "filter":["lowercase"]
        }
      }
    }
  }
}

//测试请求参数
POST custom_rebuild_standard_analyzer_index/_analyze
{
  "text": "transimission control protocol is a transport layer protocol"
}

• 自定义一个与simple类似的analyzer
  先再来看下simple分词器：

Charanter filters:不提供实现
Tokennizer：按照非字母进行切分（可对比standard分词器只按照空格进行切分），然后还抢了本该属于Token Filters的活，会转小写
Token filters：不提供实现

测试和使用：

//测试自定义analyzer
PUT custom_rebuild_simple_analyzer_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rebuild_simple":{
          "tokenizer":"lowercase",
          "filter":[]
        }
      }
    }
  }
}

//测试请求参数
POST custom_rebuild_simple_analyzer_index/_analyze
{
  "text": "transimission control protocol is a transport layer protocol"
}

写在后面

参考文章列表

Elasticsearch 学习笔记

Elasticsearch是如何做到快速索引的

倒排索引：ES倒排索引底层原理及FST算法的实现过程 。