一、搜索引擎引題搜索引擎是什么？這里有" />

国产成人精品无码青草_亚洲国产美女精品久久久久∴_欧美人与鲁交大毛片免费_国产果冻豆传媒麻婆精东

18143453325 或 在線咨詢 在線咨詢
18143453325 或 在線咨詢
所在位置： 首頁 > 營銷資訊 > 電子商務 > 深入理解搜索引擎原理

深入理解搜索引擎原理

時間：2023-03-20 08:16:01 | 來源：電子商務

時間：2023-03-20 08:16:01 來源：電子商務

之前幾段工作經(jīng)歷都與搜索有關(guān)，現(xiàn)在也有業(yè)務在用搜索，對搜索引擎做一個原理性的分享，包括搜索的一系列核心數(shù)據(jù)結(jié)構(gòu)和算法，盡量覆蓋搜索引擎的核心原理，但不涉及數(shù)據(jù)挖掘、NLP等。

一、搜索引擎引題

搜索引擎是什么？

這里有個概念需要提一下。信息檢索 (Information Retrieval 簡稱 IR) 和 搜索 (Search) 是有區(qū)別的，信息檢索是一門學科，研究信息的獲取、表示、存儲、組織和訪問，而搜索只是信息檢索的一個分支，其他的如問答系統(tǒng)、信息抽取、信息過濾也可以是信息檢索。

本文要講的搜索引擎，是通常意義上的全文搜索引擎、垂直搜索引擎的普遍原理，比如 Google、Baidu，天貓搜索商品、口碑搜索美食、飛豬搜索酒店等。

Lucene 是非常出名且高效的全文檢索工具包，ES 和 Solr 底層都是使用的 Lucene，本文的大部分原理和算法都會以 Lucene 來舉例介紹。

為什么需要搜索引擎？

看一個實際的例子：如何從一個億級數(shù)據(jù)的商品表里，尋找名字含“秋褲”的 商品。

使用SQL Like

select * from item where name like '%秋褲%'如上，大家第一能想到的實現(xiàn)是用 like，但這無法使用上索引，會在大量數(shù)據(jù)集上做一次遍歷操作，查詢會非常的慢。有沒有更簡單的方法呢，可能會說能不能加個秋褲的分類或者標簽，很好，那如果新增一個商品品類怎么辦呢？要加無數(shù)個分類和標簽嗎？如何能更簡單高效的處理全文檢索呢？

使用搜索引擎



答案是搜索，會事先 build 一個倒排索引，通過詞法語法分析、分詞、構(gòu)建詞典、構(gòu)建倒排表、壓縮優(yōu)化等操作構(gòu)建一個索引，查詢時通過詞典能快速拿到結(jié)果。這既能解決全文檢索的問題，又能解決了SQL查詢速度慢的問題。

那么，淘寶是如何在1毫秒從上億個商品找到上千種秋褲的呢，谷歌如何在1毫秒從萬億個網(wǎng)頁中找尋到與你關(guān)鍵字匹配的幾十萬個網(wǎng)頁，如此大的數(shù)據(jù)量是怎么做到毫秒返回的。

二、搜索引擎是怎么做的？

Part1. 分詞

分詞就是對一段文本，通過規(guī)則或者算法分出多個詞，每個詞作為搜索的最細粒度一個個單字或者單詞。只有分詞后有這個詞，搜索才能搜到，分詞的正確性非常重要。分詞粒度太大，搜索召回率就會偏低，分詞粒度太小，準確率就會降低。如何恰到好處的分詞，是搜索引擎需要做的第一步。

正確性&粒度





分詞的粒度并不是越小越好，他會降低準確率，比如搜索 “中秋” 也會出現(xiàn)上條結(jié)果，而且粒度越小，索引詞典越大，搜索效率也會下降，后面會細說。

如何準確的把控分詞，涉及到 NLP 的內(nèi)容啦，這里就不展開了。

停用詞

很多語句中的詞都是沒有意義的，比如 “的”，“在” 等副詞、謂詞，英文中的 “a”，“an”，“the”，在搜索是無任何意義的，所以在分詞構(gòu)建索引時都會去除，降低不不要的索引空間，叫停用詞 (StopWord)。

通常可以通過文檔集頻率和維護停用詞表的方式來判斷停用詞。

詞項處理

詞項處理，是指在原本的詞項上在做一些額外的處理，比如歸一化、詞形歸并、詞干還原等操作，以提高搜索的效果。并不是所有的需求和業(yè)務都要詞項處理，需要根據(jù)場景來判斷。

1.歸一化

這樣查詢 U.S.A. 也能得到 USA 的結(jié)果，同義詞可以算作歸一化處理，不過同義詞還可以有其他的處理方式。

2.詞形歸并（Lemmatization）

針對英語同一個詞有不同的形態(tài)，可以做詞形歸并成一個，如：

3.詞干還原（Stemming）

通常指的就粗略的去除單詞兩端詞綴的啟發(fā)式過程

英文的常見詞干還原算法，Porter算法。

Part2、倒排索引

要了解倒排索引，先看一下什么是正排索引。比如有下面兩句話：

正排索引

正排索引就是 MySQL 里的 B+ Tree，索引的結(jié)果是：

表示對完整內(nèi)容按字典序排序，得到一個有序的列表，以加快檢索的速度。

倒排索引

第一步 分詞

第二步 將分詞項構(gòu)建一個詞典

第三步 構(gòu)建倒排鏈

由此，一個倒排索引就完成了，搜索 “檢索” 時，得到 id1, id2，說明這兩條數(shù)據(jù)都有，搜索 “服務” 只有 id1 存在。但如果搜索 “檢索系統(tǒng)”，此時會先建搜索詞按照與構(gòu)建同一種策略分詞，得到 “檢索-系統(tǒng)”，兩個詞項，分別搜索 檢索 -> id1, id2 和 系統(tǒng) -> id2，然后對其做一個交集，得到 id2。同理，通過求并集可以支持更復雜的查詢。

倒排索引到此也就講清楚了吧。

存儲結(jié)構(gòu)



以 Lucene 為例，簡單說明一下 Lucene 的存儲結(jié)構(gòu)。從大到小是Index -> Segment -> Doc -> Field -> Term，類比 MySQL 為 Database -> Table -> Record -> Field -> Value。

Part 3、查詢結(jié)果排序

搜索結(jié)果排序是根據(jù) 關(guān)鍵字 和 Document 的相關(guān)性得分排序，通常意義下，除了可以人工的設(shè)置權(quán)重 boost，也存在一套非常有用的相關(guān)性得分算法，看完你會覺得非常有意思。

TF-IDF

TF(詞頻)-IDF(逆文檔頻率) 在自動提取文章關(guān)鍵詞上經(jīng)常用到，通過它可以知道某個關(guān)鍵字在這篇文檔里的重要程度。其中 TF 表示某個 Term 在 Document 里出現(xiàn)的頻次，越高說明越重要；DF 表示在全部 Document 里，共有多少個 Document 出現(xiàn)了這個詞，DF 越大，說明這個詞很常見，并不重要，越小反而說明他越重要，IDF 是 DF 的倒數(shù)(取log)， IDF 越大，表示這個詞越重要。

TF-IDF 怎么影響搜索排序，舉一個實際例子來解釋：

假定現(xiàn)在有一篇博客《Blink 實戰(zhàn)總結(jié)》，我們要統(tǒng)計這篇文章的關(guān)鍵字，首先是對文章分詞統(tǒng)計詞頻，出現(xiàn)次數(shù)最多的詞是--"的"、"是"、"在"，這些是“停用詞”，基本上在所有的文章里都會出現(xiàn)，他對找到結(jié)果毫無幫助，全部過濾掉。

只考慮剩下的有實際意義的詞，如果文章中詞頻數(shù)關(guān)系： “Blink” > “詞頻” = “總結(jié)”，那么肯定是 Blink 是這篇文章更重要的關(guān)鍵字。但又會遇到了另一個問題，如果發(fā)現(xiàn) "Blink"、"實戰(zhàn)"、"總結(jié)"這三個詞的出現(xiàn)次數(shù)一樣多。這是不是意味著，作為關(guān)鍵詞，它們的重要性是一樣的？

不是的，通過統(tǒng)計全部博客，你發(fā)現(xiàn) 含關(guān)鍵字總博客數(shù)： “Blink” < “實戰(zhàn)” < “總結(jié)”，這時候說明 “Blink” 不怎么常見，一旦出現(xiàn)，一定相比 “實戰(zhàn)” 和 “總結(jié)”，對這篇文章的重要性更大。

BM25

上面解釋了 TF 和 IDF，那么 TF 和 IDF 誰更重要呢，怎么計算最終的相關(guān)性得分呢？那就是 BM25。

BM25算法，通常用來作搜索相關(guān)性平分。一句話概況其主要思想：對Query進行語素解析，生成語素qi；然后，對于每個搜索結(jié)果D，計算每個語素qi與D的相關(guān)性得分，最后，將qi相對于D的相關(guān)性得分進行加權(quán)求和，從而得到Query與D的相關(guān)性得分。
BM25算法的一般性公式如下：

其中，Q表示Query，qi表示Q解析之后的一個語素（對中文而言，我們可以把對Query的分詞作為語素分析，每個詞看成語素qi。）；d表示一個搜索結(jié)果文檔；Wi表示語素qi的權(quán)重；R(qi，d)表示語素qi與文檔d的相關(guān)性得分。

其中 Wi 通常使用 IDF 來表達，R 使用 TF 來表達；綜上，BM25算法的相關(guān)性得分公式可總結(jié)為：

BM25 通過使用不同的語素分析方法、語素權(quán)重判定方法，以及語素與文檔的相關(guān)性判定方法，我們可以衍生出不同的搜索相關(guān)性得分計算方法，這就為我們設(shè)計算法提供了較大的靈活性。

Part 4、空間索引

在點評口碑上，經(jīng)常有類似的場景，搜索 “1公里以內(nèi)的美食”，那么這個1公里怎么實現(xiàn)呢？

在數(shù)據(jù)庫中可以通過暴力計算、矩形過濾、以及B樹對經(jīng)度和維度建索引，但這性能仍然很慢(可參考 為什么需要空間索引 )。搜索里用了一個很巧妙的方法，Geo Hash。

如上圖，表示根據(jù) GeoHash 對北京幾個區(qū)域生成的字符串，有幾個特點：

Geo Hash 如何編碼？

地球上任何一個位置都可以用經(jīng)緯度表示，緯度的區(qū)間是 [-90, 90]，經(jīng)度的區(qū)間 [-180, 180]。比如天安門的坐標是 39.908,116.397，整體編碼過程如下：

一、對緯度 39.908 的編碼如下：

  1. 將緯度劃分2個區(qū)間，左區(qū)間 [-90, 0) 用 0 表示，右區(qū)間 [0, 90] 用 1 表示， 39.908 處在右區(qū)間，故第一位編碼是 1；
  2. 在將 [0, 90] 劃分2個區(qū)間，左區(qū)間 [0, 45) 用 0 表示，右區(qū)間 [45, 90] 用 1 表示，39.908處在左區(qū)間， 故第二位編碼是 0；
  3. 同1、2的計算步驟，39.908 的最后10位編碼是 “10111 00011”
二、對經(jīng)度 116.397 的編碼如下：

  1. 將經(jīng)度劃分2個區(qū)間，左區(qū)間 [-180, 0) 用 0 表示，右區(qū)間 [0, 180] 用 1 表示，116.397處在右區(qū)間， 故第一位編碼是 1；
  2. 在將 [0, 180] 劃分2個區(qū)間，左區(qū)間 [0, 90) 用 0 表示，右區(qū)間 [90, 180] 用 1 表示，116.397處在右區(qū)間，故第二位編碼是 1；
  3. 同1、2的計算步驟，116.397 的最后6位編碼是 “11010 01011”
三、合并組碼

  1. 將奇數(shù)位放經(jīng)度，偶數(shù)位放緯度，把2串編碼組合生成新串：“11100 11101 00100 01111”；
  2. 通過 Base32 編碼，每5個二進制編碼一個數(shù)，“28 29 04 15”
  3. 根據(jù) Base32 表，得到 Geo Hash 為：“WX4G”
即最后天安門的4位 Geo Hash 為 “WX4G”，如果需要經(jīng)度更準確，在對應的經(jīng)緯度編碼粒度再往下追溯即可。

附：Base32 編碼圖

Geo Hash 如何用于地理搜索？

舉個例子，搜索天安門附近 200 米的景點，如下是天安門附近的Geo編碼

搜索過程如下：

  1. 首先確定天安門的Geo Hash為 WX4G0B，（6位區(qū)域碼約 0.34平分千米，約為長寬600米區(qū)域)
  2. 而6位編碼表示 600 米，半徑 300 米 > 要求的 200 米，搜索所有編碼為 WX4G0B 的景點即可
  3. 但是由于天安門處于 WX4G0B 的邊緣位置，并不一定處在正中心。這就需要將 WX4G0B 附近的8個區(qū)域同時納入搜索，故搜索 WX4G0B、WX4G09、WX4G0C 一共9個編碼的景點
  4. 第3步已經(jīng)將范圍縮小到很小的一個區(qū)間，但是得到的景點距離并不是準確的，需要在通過距離計算過濾出小于 200 米的景點，得到最終結(jié)果。
由上面步驟可以看出，Geo Hash 將原本大量的距離計算，變成一個字符串檢索縮小范圍后，再進行小范圍的距離計算，及快速又準確的進行距離搜索。

Geo Hash 依據(jù)的數(shù)學原理



如圖所示，我們將二進制編碼的結(jié)果填寫到空間中，當將空間劃分為四塊時候，編碼的順序分別是左下角00，左上角01，右下腳10，右上角11，也就是類似于Z的曲線。當我們遞歸的將各個塊分解成更小的子塊時，編碼的順序是自相似的（分形），每一個子快也形成Z曲線，這種類型的曲線被稱為Peano空間填充曲線。

這種類型的空間填充曲線的優(yōu)點是將二維空間轉(zhuǎn)換成一維曲線（事實上是分形維），對大部分而言，編碼相似的距離也相近， 但Peano空間填充曲線最大的缺點就是突變性，有些編碼相鄰但距離卻相差很遠，比如0111與1000，編碼是相鄰的，但距離相差很大。

除Peano空間填充曲線外，還有很多空間填充曲線，如圖所示，其中效果公認較好是Hilbert空間填充曲線，相較于Peano曲線而言，Hilbert曲線沒有較大的突變。為什么GeoHash不選擇Hilbert空間填充曲線呢？可能是Peano曲線思路以及計算上比較簡單吧，事實上，Peano曲線就是一種四叉樹線性編碼方式。

Part 5、數(shù)值索引

Lucene的倒排索引決定，索引內(nèi)容是一個可排序的字符串，如果要查找一個數(shù)字，那么也需要將數(shù)字轉(zhuǎn)成字符串。這樣，檢索一個數(shù)字是沒問題的，如果需要搜索一個數(shù)值范圍，怎么做呢？

要做范圍查找，那么要求數(shù)字轉(zhuǎn)成的字符串也是有序并單調(diào)的，但數(shù)字本身的位數(shù)是不一樣的，最簡單的版本就是前綴補0，比如 35, 234, 1 都補成 4 位，得到 0035, 0234, 0001，這樣能保證：

數(shù)字(a) > 數(shù)字(b) ===> 字符串(a) > 字符串(b)這時候，查詢應該用范圍內(nèi)的所有數(shù)值或查詢，比如查詢 [33, 36) 這個范圍，對應的查詢語法是：

33 || 34 || 35嗯看起來很好的解決了范圍查詢，但是，這樣存在3個問題：

  1. 補位多少合適呢？總有一個數(shù)字會超出你的補位范圍
  2. 因為存在補位，就會多出很多的空間，這在搜索引擎里寶貴的內(nèi)存是無法接受的
  3. 如果是范圍查詢，需要用多次或查詢，性能并不高
故，涉及到范圍不能簡單的做字符串補位轉(zhuǎn)換，是否存在及節(jié)省空間，又能更高效解決問題的方案呢？
就是：

數(shù)值Trie樹，下面詳細介紹

上面說了怎么索引，那么Query呢？比如我給你一個Range Query從423-642，怎么找到那6個term呢？

我們首先可以用shift==0找到范圍的起點后終點（有可能沒有相等的，比如搜索422，也會找到423）。然后一直往上找，直到找到一個共同的祖先（肯定能找到，因為樹根是所有葉子節(jié)點的祖先），對應起點，每次往上走的時候, 左邊范圍節(jié)點都要把它右邊的兄弟節(jié)點都加進去, 右邊范圍節(jié)點都要把它左邊的兄弟節(jié)點加進去, 若已經(jīng)到達頂點, 則是將左邊范圍節(jié)點和右邊范圍節(jié)點之間的節(jié)點加進行去

查找423到642之間的具體的區(qū)間：

  1. 423-429,640-642
  2. 43-49,60-63
  3. 5-5
另外還有一個問題，比如423會被分詞成423，42和4，那么4也會被分詞成4，那么4表示哪個呢？
所以intToPrefixCoded方法會額外用一個char來保存shift：buffer[0] = (char)(SHIFT_START_INT + shift);

比如423分詞的4的shift是2（這里是10進制的例子，二進制也是同樣的），423分成423的shift是0，4的shift是0，因此前綴肯定比后綴大。

最后，由于索引在判斷時無需感知是否是數(shù)字，可以把所有的數(shù)字當成二進制處理，這樣在存儲和效率上更高。

三、搜索引擎的極致優(yōu)化

LSM思想

LSM (Log Structured Merge Tree)，最早是谷歌的 “BigTable” 提出來的，目標是保證寫入性能，同時又能支持較高效率的檢索，在很多 NoSQL 中都有使用，Lucene 也是使用 LSM 思想來寫入。

普通的B+樹增加記錄可能需要執(zhí)行 seek+update 操作，這需要大量磁盤尋道移動磁頭。而 LSM 采用記錄在文件末尾，順序?qū)懭霚p少移動磁頭/尋道，執(zhí)行效率高于 B+樹。具體 LSM 的原理是什么呢？

為了保持磁盤的IO效率，lucene避免對索引文件的直接修改，所有的索引文件一旦生成，就是只讀，不能被改變的。其操作過程如下：

  1. 在內(nèi)存中保存新增的索引, 內(nèi)存緩存（也就是memtable）;
  2. 內(nèi)存中的索引數(shù)量達到一定閾值時，觸發(fā)寫操作，將這部分數(shù)據(jù)批量寫入新文件，我們稱為segment；也就是 sstable文件
  3. 新增的segment生成后，不能被修改；
  4. update操作和delete操作不會立即導致原有的數(shù)據(jù)被修改或者刪除，會以append的方式存儲update和delete標記;
  5. 最終得到大量的 segment，為了減少資源占用，也提高檢索效率，會定期的將這些小的 segment 合并成大的 segment，由于map中的數(shù)據(jù)都是排好序的，所以合并也不會有隨機寫操作；
  6. 通過merge，還可以把update和delete操作真正生效，刪除多余的數(shù)據(jù)，節(jié)省空間。
合并的過程：

Basic Compaction

每個文件固定N個數(shù)量，超過N，則新建一個sstable；當sstable數(shù)大于M，則合并一個大sstable；當大sstable的數(shù)量大于M，則合并一個更大的sstable文件，依次類推。

但是，這會出現(xiàn)一個問題，就是大量的文件被創(chuàng)建，在最壞的情況下，所有的文件都要搜索。

Levelled Compaction

像 LevelDB 和 Cassandra解決這個問題的方法是：實現(xiàn)了一個分層的，而不是根據(jù)文件大小來執(zhí)行合并操作。

  1. 每層維護指定數(shù)量的文件，保證不讓 key 重疊，查找一個 key 只會查找一個 key；
  2. 每次文件只會被合并到上一層的一個文件。當一層的文件數(shù)滿足特定個數(shù)時，合并到上一層。
所以， LSM 是日志和傳統(tǒng)的單文件索引（B+ tree，Hash Index）的中立，他提供一個機制來管理更小的獨立的索引文件(sstable)。

通過管理一組索引文件而不是單一的索引文件，LSM 將B+樹等結(jié)構(gòu)昂貴的隨機IO變的更快，而代價就是讀操作要處理大量的索引文件(sstable)而不是一個，另外還是一些IO被合并操作消耗。

Lucene的Segment設(shè)計思想，與LSM類似但又有些不同，繼承了LSM中數(shù)據(jù)寫入的優(yōu)點，但是在查詢上只能提供近實時而非實時查詢。

Segment在被flush或commit之前，數(shù)據(jù)保存在內(nèi)存中，是不可被搜索的，這也就是為什么Lucene被稱為提供近實時而非實時查詢的原因。讀了它的代碼后，發(fā)現(xiàn)它并不是不能實現(xiàn)數(shù)據(jù)寫入即可查，只是實現(xiàn)起來比較復雜。原因是Lucene中數(shù)據(jù)搜索依賴構(gòu)建的索引（例如倒排依賴Term Dictionary），Lucene中對數(shù)據(jù)索引的構(gòu)建會在Segment flush時，而非實時構(gòu)建，目的是為了構(gòu)建最高效索引。當然它可引入另外一套索引機制，在數(shù)據(jù)實時寫入時即構(gòu)建，但這套索引實現(xiàn)會與當前Segment內(nèi)索引不同，需要引入額外的寫入時索引以及另外一套查詢機制，有一定復雜度。

FST

數(shù)據(jù)字典 Term Dictionary，通常要從數(shù)據(jù)字典找到指定的詞的方法是，將所有詞排序，用二分查找即可。這種方式的時間復雜度是 Log(N)，占用空間大小是 O(N*len(term))。缺點是消耗內(nèi)存，存在完整的term，當 term 數(shù)達到上千萬時，占用內(nèi)存非常大。

lucene從4開始大量使用的數(shù)據(jù)結(jié)構(gòu)是FST（Finite State Transducer）。FST有兩個優(yōu)點：

  1. 空間占用小，通過讀 term 拆分復用及前綴和后綴的重用，壓縮了存儲空間；
  2. 查詢速度快，查詢僅有 O(len(term)) 時間復雜度
那么 FST 數(shù)據(jù)結(jié)構(gòu)是什么原理呢？ 先來看看什么是 FSM (Finite State Machine)， 有限狀態(tài)機，從“起始狀態(tài)”到“終止狀態(tài)”，可接受一個字符后，自循環(huán)或轉(zhuǎn)移到下一個狀態(tài)。

而FST呢，就是一種特殊的 FSM，在 Lucene 中用來實現(xiàn)字典查找功能(NLP中還可以做轉(zhuǎn)換功能)，F(xiàn)ST 可以表示成FST的形式

舉例：對“cat”、 “deep”、 “do”、 “dog” 、“dogs” 這5個單詞構(gòu)建FST（注：必須已排序），結(jié)構(gòu)如下：

當存在 value 為對應的 docId 時，如 cat/0 deep/1 do/2 dog/3 dogs/4， FST 結(jié)構(gòu)圖如下：

FST 還有一個特點，就是在前綴公用的基礎(chǔ)上，還會做一個后綴公用，目標同樣是為了壓縮存儲空間。

其中紅色的弧線表 NEXT-optimized，可以通過 畫圖工具 來測試。

SkipList

為了能夠快速查找docid，lucene采用了SkipList這一數(shù)據(jù)結(jié)構(gòu)。SkipList有以下幾個特征：

  1. 元素排序的，對應到我們的倒排鏈，lucene是按照docid進行排序，從小到大;
  2. 跳躍有一個固定的間隔，這個是需要建立SkipList的時候指定好，例如下圖以間隔是;
  3. SkipList的層次，這個是指整個SkipList有幾層


在什么位置設(shè)置跳表指針？
? 設(shè)置較多的指針，較短的步長， 更多的跳躍機會
? 更多的指針比較次數(shù)和更多的存儲空間
? 設(shè)置較少的指針，較少的指針比較次數(shù)，但是需要設(shè)置較長的步長?較少的連續(xù)跳躍

如果倒排表的長度是L，那么在每隔一個步長S處均勻放置跳表指針。

BKD Tree

也叫 Block KD-tree，根據(jù)FST思路，如果查詢條件非常多，需要對每個條件根據(jù) FST 查出結(jié)果，進行求并集操作。如果是數(shù)值類型，那么潛在的 Term 可能非常多，查詢銷量也會很低，為了支持高效的數(shù)值類或者多維度查詢，引入 BKD Tree。在一維下就是一棵二叉搜索樹，在二維下是如果要查詢一個區(qū)間，logN的復雜度就可以訪問到葉子節(jié)點對應的倒排鏈。

  1. 確定切分維度，這里維度的選取順序是數(shù)據(jù)在這個維度方法最大的維度優(yōu)先。一個直接的理解就是，數(shù)據(jù)分散越開的維度，我們優(yōu)先切分。
  2. 切分點的選這個維度最中間的點。
  3. 遞歸進行步驟1，2，我們可以設(shè)置一個閾值，點的數(shù)目少于多少后就不再切分，直到所有的點都切分好停止。


BitSet 過濾

二進制處理，通過BKD-Tree查找到的docID是無序的，所以要么先轉(zhuǎn)成有序的docID數(shù)組，或者構(gòu)造BitSet，然后再與其他結(jié)果合并。

IndexSorting

IndexSorting是一種預排序，在ES6.0之后才有，與查詢時的Sort不同，IndexSorting是一種預排序，即數(shù)據(jù)預先按照某種方式進行排序，它是Index的一個設(shè)置，不可更改。

一個Segment中的每個文檔，都會被分配一個docID，docID從0開始，順序分配。在沒有IndexSorting時，docID是按照文檔寫入的順序進行分配的，在設(shè)置了IndexSorting之后，docID的順序就與IndexSorting的順序一致。

舉個例子來說，假如文檔中有一列為Timestamp，我們在IndexSorting中設(shè)置按照Timestamp逆序排序，那么在一個Segment內(nèi)，docID越小，對應的文檔的Timestamp越大，即按照Timestamp從大到小的順序分配docID。

IndexSorting 之所以可以優(yōu)化性能，是因為可以提前中斷以及提高數(shù)據(jù)壓縮率，但是他并不能滿足所有的場景，比如使用非預排序字段排序，還會損耗寫入時的性能。

搜索引擎正是靠優(yōu)秀的理論加極致的優(yōu)化，做到查詢性能上的極致，后續(xù)會再結(jié)合源碼分析壓縮算法如何做到極致的性能優(yōu)化的。

附：進一步閱讀

http://lucene.apache.org/
https://wiki.apache.org/lucene-java/FrontPage
https://zhuanlan.zhihu.com/p/35814539
http://www.runoob.com/java/java-bitset-class.html
https://www.cnblogs.com/skycore/p/5093257.html
https://www.cnblogs.com/LBSer/p/4119841.html
https://blog.csdn.net/zhufenglonglove/article/details/51700898
https://www.jianshu.com/p/1e498888f505
http://www.nosqlnotes.com/technotes/searchengine/lucene-invertedindex/
https://www.jianshu.com/p/69d56f9c0576

添加Java高級架構(gòu)交流群 383681414

關(guān)注微信公眾號“托尼的技術(shù)成長之路”

關(guān)鍵詞：原理,索引,理解,深入

74
73
25
news

版權(quán)所有? 億企邦 1997-2025 保留一切法律許可權(quán)利。

為了最佳展示效果，本站不支持IE9及以下版本的瀏覽器，建議您使用谷歌Chrome瀏覽器。 點擊下載Chrome瀏覽器
關(guān)閉