在学习全文检索之前,我们要了解一下全文检索的基本原理
在了解全文检索的基本原理之前,要从生活的数据说起
生活中的数据分为:结构化数据和非结构化数据
结构化数据:指具有固定格式或有限长度的数据,如数据库,元数据等
非结构化数据:不定长或无固定格式的数据,如word,邮件等
半结构化数据:如XML,HTML等,当根据需要可按结构化数据来处理,也可抽取纯文本按非结构化数据来处理。
按照数据得分类,搜索也分为两种:
对结构化数据得搜索:如对数据库的搜索,用SQL语句,如利用windows搜索对文件名,类型,修改时间进行搜索等。
对非结构化数据的搜索:如利用windows的搜索也可以搜索文件内容, 如Google和百度可以搜索大量内容数据
对非结构化数据也即对全文数据得搜索主要有两种方法:
一种是顺序扫描法:所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾
,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,知道扫描完所有文件。如果利用windows的搜索,效率相当
慢,但对于小数据量的文件,这种方法还是最直接,最方便的。
有人可能会说,对非结构化数据顺序扫描很慢,对结构化数据得搜索却相对较快(由于结构化数据有一定的结构可以采取一定的搜索算法加快
速度),那么我们把非结构化数据想办法弄得有一定结构不就行了嘛?
这种想法很天然,却构成了全文检索的基本思路,也即将非结构化数据中的一部分信息提取出来,重新组织,使其变得有一定结构,然后对此
有一定结构的数据进行搜索,从而达到搜索相对较快的目的
这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引。
这种说法比较抽象,举几个例子就很容易明白,比如字典,字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化
的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,
就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向次子的详细解释的页
数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据----也即对字的解释。
这种先建立索引,再对索引进行搜索的过程就叫全文检索。