es使用称为倒排索引的结构达到快速全文搜索的目的。一个倒排索引包含一系列不同的单词，这些单词出现在任何一个文档，对于每个单词，对应着所有它出现的文档。比如说，我们有2个文档，每个文档有一个conteng字段。内容如下：“ 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，我们首先对每个字段进行分词，我们称之为terms或者tokens,创建了一些列有序列表，然后列举了每个单词所出现的文档，结果如下：Term Doc_1 Doc_2-------------------------Quick | | XThe | X |brown | X | Xdog | X |dogs | | Xfox | X |foxes | | Xin | | Xjumped | X |lazy | X | Xleap | | Xover | X | Xquick | X |summer | | Xthe | X |------------------------现在，如果我们想搜索"quick brown",我们只需要找到每个单词出现的文档。
Term Doc_1 Doc_2-------------------------brown | X | Xquick | X |------------------------Total | 2 | 1两个文档都匹配，但是第一个文档有更高的匹配度，如果我们采用一个简单的相似算法，我们可以说，第一个文档比第2个文档有更高的匹配度。也更相关。但是，仍然有一些问题。"Quick"和"quick"看起来是不同的单词，但是用户通常认为是一样的。
"fox"和"foxes"更相似，还有"dog"和"dogs"，具有共同的词根。
"jumped"和"leap"，尽管不具备相同的词根，意思上是一样的。它们是同义词。
对于以上的索引，一个搜索"+Quick + fox"不可能匹配任何文档。
单词"Quick" 和单词 "fox"必须在同一个文档里以满足查询要求，
但是第一个文档包括"quick fox" 而第2个文档包含 "Quick foxes".
我们的用户有理由希望两个文档都匹配，我们可以做的更好。如果我们把单词归一化到标准格式，我们就可以达到上面的目标。这种情况下，虽然单词不是完全一致，但是也足够相似保证相关性。比如："Quick" 可以小写为 "quick".
"foxes" 可以提取词根成为 "fox".
类似的 "dogs" 可以成为 "dog".
"jumped" 和 "leap" 是同义词，可以索引为一个单词 "jump".
那么，现在的索引就是:Term Doc_1 Doc_2-------------------------brown | X | Xdog | X | Xfox | X | Xin | | Xjump | X | Xlazy | X | Xover | X | Xquick | X | Xsummer | | Xthe | X | X------------------------我们的搜索 "+Quick +fox" 仍然失败,因为我们不再有Quick在索引里，
尽管如此，如果我们采用同样的归一化规则，我们可以用在查询字符串上，它就变为 "+quick +fox",
这样就可以匹配到文档。这一点非常重要，你只能找到那些在你的索引里出现的单词，所以，索引过的文本和查询字符串都需要遵循同一种归一化规则。分词和归一化叫做分析http://my.oschina.net/qiangzigege/blog/265360什么叫分析过程？1）将文本块分词，以倒排索引的方式
2）归一化到标准形式来提高可搜索性。
这个工作的执行者叫做分析器，一个分析器包含以下3个功能：
1）字母过滤
首先，字符串依次通过任何一个字符过滤器，过滤器的工作是清洗字符串，也就是说先清洗再分词。一个字符过滤器可以去除HTML字符，也可以转换"&"变为"and".
2)分词
下一步，字符串被分词为很多个单词，一个简单的分词器也许依靠空格或者标点符号来分词。3)单词过滤
最后，每个单词传给单词过滤器，它们可以将单词小写或者删除单词比如a,and,the,etc.或者增加单词比如jump和leap.es提供了很多字符串过滤器，分词器和单词过滤器。这些单元可以组合起来使用，后面再说。内置的分析器尽管如此，es也包含了很多内置的分词器，你可以直接使用。我们列举了最重要的一些，演示区别。所用的文本基于："Set the shape to semi-transparent by calling set_trans(5)"标准分析器标准分析器是es默认的分析器,如果文本可能是各种语言，总的来说选择标准分析器是没错的。它把文本分成单词(由Unicode决定)，移除大部分标点符号，最终，将所有单词小写化，这样，结果如下：set, the, shape, to, semi, transparent, by, calling, set_trans, 5
PS:先清洗，再分词，再归一化。简单analyzer这个分析器将文本分词的规则是每个字符是不是一个letter,然后将所有单词小写化，结果如下：set, the, shape, to, semi, transparent, by, calling, set, trans
空格analyzer依靠空格来分词，不将单词小写化，结果如下：Set, the, shape, to, semi-transparent, by, calling, set_trans(5)
语言分析器特定语言分析器是可用的，可以处理特殊字符。比如，英语分析器附带很多英语过滤单词集合，这些集合包括没啥意义的单词。那分析器就会去掉这些单词，可以对英语单词进行提取词干，这是因为英语分析器知道英语的语法规则。结果如下：set, shape, semi, transpar, call, set_tran, 5
注意："transparent", "calling", and "set_trans" 已经归一化到词根形式。
什么时候用分析器当我们索引一个文档，它的整个文档被分析成单词，单词用来创建倒排索引。尽管如下，当我们搜索全文字段，我们也需要将查询字符串进行同样的分析过程。实际上也就是说，你之前如何对全文做索引的，这个时候也要对查询字符串做同样的归一化处理。这样才可以保证可以查出来数据。后面说全文搜索，当你查询一个全文字段，查询将对查询字符串应用同样的分析器来产生一系列分词后的单词。当你查询一个具体的字段，查询就不会对查询字符串进行分析，仅仅搜索具体的值。现在你就理解了之前的：date字段包含了一个具体的值：一个单词 "2014-09-15".
_all字段是一个全文字段，所以分析器已经把日期分成3个单词: "2014", "09" and "15".
当我们在_all字段里搜索2014，有12个结果，因为都包含2014这个单词。
GET /_search?q=2014 # 12 results
当我们在_all字段里搜索2014-09-15, 首先会把查询字符串分词为"2014", "09" and "15".
仍然包含了12个tweets,因为都包含2014.
GET /_search?q=2014-09-15 # 12 results !
当我们查询date字段，值为2014-09-15, 搜索会寻找具体的日期，结果只有1个：
GET /_search?q=date:2014-09-15 # 1 result
当我们查询date字段，值为2014,就找不到文档。
GET /_search?q=date:2014 # 0 results !
测试分析器如果你是一个新手，有时会很难理解分词的具体原理和存储索引的过程。(不看源码你永远不可能知道，just read the fuc*ing source code please!!!)为了更好的理解怎样运行的，你可以使用分析API来看文本如何分析的。在查询字符串参数里指定你想用哪个分析器，body里指定分析的文本。GET /_analyze?analyzer=standardText to analyze结果如下：{ "tokens": [
{
"token": "text",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 1
},
{
"token": "to",
"start_offset": 5,
"end_offset": 7,
"type": "<ALPHANUM>",
"position": 2
},
{
"token": "analyze",
"start_offset": 8,
"end_offset": 15,
"type": "<ALPHANUM>",
"position": 3
}
]
}这些单词就是真实的被存储在索引里的单词。position表明单词出现的顺序，start_offset 和 end_offset 表明 字符在原始文本里的位置。分析API对于理解es的索引很有用。指定分析器当es发现有需要索引的String字段，自动认为是全文字符串字段，用标准分析器来分析。
有的时候你可能不想要这个分析器，纳尼？也许你想采用一个不同的分析器，因为你觉得它更合适。也许你还希望一个string字段就是一个字段，不需要认为是全文字段，比如说字符串类型的userid和内部身份。http://my.oschina.net/qiangzigege/blog/265553
索引里的每个文档有一个type,每一个type有它自己的映射模式，一个映射指定了type里的字段，每个字段的数据类型，并且字段如何被es处理。一个映射也被用来配置元数据。我们会后续详细讨论映射。核心简单字段类型es支持下列简单的字段类型：String: stringWhole number: byte, short, integer, longFloating point: float, double
Boolean: booleanDate: date当你索引一个文档，而这个文档包含了一个新的字段，es会动态映射此字段，规则如下：JSON type: Field type:Boolean: true or false "boolean"
Whole number: 123 "long"
Floating point: 123.45 "double"
String, valid date: "2014-09-15" "date"
String: "foo bar" "string"
这也就意味着，如果你索引 “123”，就映射成字符串，而不是long.
尽管如此，如果这个字段已经映射成long,es将尝试按此转换，失败则抛出异常。查看映射使用/_mapping来查看已有的映射关系。比如查看index:gb type:tweet的映射GET /gb/_mapping/tweet结果：{ "gb": {
"mappings": {
"tweet": {
"properties": {
"date": {
"type": "date",
"format": "dateOptionalTime"
},
"name": {
"type": "string"
},
"tweet": {
"type": "string"
},
"user_id": {
"type": "long"
}
}
}
}
}
}定制字段的映射字段最重要的属性就是type,{ "number_of_clicks":
{
"type": "integer"
}
}string类型的字段，默认，认为是全文搜索，也就是说，值会传递给分析器，搜索之前也会将查询字符串进行全文分词再搜索。字符串字段最重要的2个映射关系是index和analyser.
indexindex属性决定字符串如何被索引，有3个值：
1 analyzed
先分词，再索引，全文搜索2 not_analyzed
索引这个字段，这样可以被搜索，但是直接索引，不分词。3 no
不要索引这个字段，这个字段也不会被搜出来。string字段默认是analyzed.下面阐述了不分词的做法{ "tag": {
"type": "string",
"index": "not_analyzed"
}
}其它简单的字段类型-long, double, date etc ，
也可以接收index参数，不过只可以取值no ,not_analyzed.analyzer对于需要分词的string字段，analyzer属性决定使用哪个分词器，默认，使用standard分词器。但是你可以设置为一个内置的分词器，比如whitespace,simple,english.{ "tweet": {
"type": "string",
"analyzer": "english"
}
}更新映射你可以在创建索引时指定映射，另外，你可以使用/_mapping来修改映射或者增加映射。如果一个字段已经在映射里存在，这也许意味着这个字段的数据已经被索引了，如果你想这个字段的映射，已经索引过的数据就会出错。我们可以通过增加一个新的字段来修改映射，但是我们不能修改已经存在的字段从分词到不分词。删除gb索引DELETE /gb然后创建一个索引，指定tweet字段使用english分词器。PUT /gb { "mappings": {
"tweet" : {
"properties" : {
"tweet" : {
"type" : "string",
"analyzer": "english"
},
"date" : {
"type" : "date"
},
"name" : {
"type" : "string"
},
"user_id" : {
"type" : "long"
}
}
}
}
}这就创建了一个带映射关系的索引。下面修改映射，增加一个新的不分词的字段tag到tweet映射中。PUT /gb/_mapping/tweet{ "properties" : {
"tag" : {
"type" : "string",
"index": "not_analyzed"
}
}
}测试映射可以使用分词API来测试映射，GET /gb/_analyze?field=tweetBlack-cats GET /gb/_analyze?field=tagBlack-cats 前者2个分词，后者一个分词。
http://my.oschina.net/qiangzigege/blog/269856
除了简单的数据类型，JSON还有null值，数组和对象，es都支持。多值字段：有可能我们想我们的标签字段包含好几个标签，可以用数组：{ "tag": [ "search", "nosql" ]}这没有什么特别的，任何字段可以包含0,1或者多个值，这跟一个全文字段产生多个分词道理是一样的。这意味着，一个数组的所有值必须是同样的数据类型，你不能混杂两种数据类型，如果你通过索引一个数组而创建了一个新的字段，es将使用第一个值的数据类型来决定整个字段的数据类型。数组的元素没有顺序，你不能说第一个元素和最后一个元素，就是一个集合。空字段数组，可以为空，事实上，Lucene是没有办法存储空值的，所以，一个没有值的字段被认为是一个空的字段。以下四种字段可以认为是空的，不会被索引："empty_string": "","null_value": null,"empty_array": [],"array_with_null_value": [ null ]多层对象最后一个JSON数据类型是对象object,比如哈希，字典和数组。数据对象嵌套是常见的，比如：{ "tweet": "Elasticsearch is very flexible",
"user": {
"id": "@johnsmith",
"gender": "male",
"age": 26,
"name": {
"full": "John Smith",
"first": "John",
"last": "Smith"
}
}
}内部对象的映射es会探测到新的对象字段并且映射为object类型，映射如下：{ "gb": {
"tweet": {
"properties": {
"tweet": { "type": "string" },
"user": {
"type": "object",
"properties": {
"id": { "type": "string" },
"gender": { "type": "string" },
"age": { "type": "long" },
"name": {
"type": "object",
"properties": {
"full": { "type": "string" },
"first": { "type": "string" },
"last": { "type": "string" }
}
}
}
}
}
}
}
}内部对象如何被索引?Lucene不知道内部对象，一个Lucene文档包含一个平级的k/v结构。为了让es索引内部对象，我们的文档会转化如下：{ "tweet": [elasticsearch, flexible, very],
"user.id": [@johnsmith],
"user.gender": [male],
"user.age": [26],
"user.name.full": [john, smith],
"user.name.first": [john],
"user.name.last": [smith]
}Lucene仅仅索引简单的值，不是复杂的结构。内部对象数组最后，思考下，一个内部对象数组如何被索引，比如说如下：{ "followers": [
{ "age": 35, "name": "Mary White"},
{ "age": 26, "name": "Alex Jones"},
{ "age": 19, "name": "Lisa Smith"}
]
}这个文档将被转化如下的结构{ "followers.age": [19, 26, 35],
"followers.name": [alex, jones, lisa, smith, mary, white]
}那么{age: 35} 和 {name: Mary White} 已经丢失了Is there a follower who is 26 years old?这个可以回答Is there a follower who is 26 years old and who is called Alex Jones?这个问题就无法回答。后续再讨论这个问题。http://my.oschina.net/qiangzigege/blog/270948
相关推荐
倒排索引是实现这种搜索引擎的关键技术，它极大地优化了文本匹配和搜索过程。在这个主题中，我们将深入探讨倒排索引的概念、工作原理以及在Python中的实现。 **倒排索引概念** 倒排索引（Inverted Index）是一种...
- 与正向索引比较：正向索引是通过扫描每一条数据（文档）来确定是否符合条件，而倒排索引是通过内容分词后查找符合条件的数据（文档） - MySQL与ElasticSearch的对比 - 表——Index（索引） - 数据（行）——...
倒排索引是一种高效的数据结构，常用于全文搜索引擎如Elasticsearch中，目的是为了快速定位到包含特定关键词的文档。在传统的SQL数据库如MySQL中，进行模糊匹配（如`LIKE '%keyword%'`）时，效率较低，因为需要扫描...
倒排索引是全文搜索引擎如Elasticsearch实现高效搜索的关键数据结构。相较于传统的关系型数据库中的B+树索引，倒排索引在处理大规模、非结构化的文本数据时，展现出更高的性能优势。这是因为倒排索引能够快速定位到...
* 倒排索引：Elasticsearch 为什么快，核心设计理念就是采用了倒排索引机制。倒排索引的方式是，根据 content 分词后创建索引，索引后的存储方式为：index→docId→长→1,2→沙→1,2→汽→1,2→车→1,2→研→1→究→...
Elasticsearch（简称ES）作为一个强大的全文搜索引擎，其核心在于倒排索引，而倒排索引的构建依赖于分词。分词，简单来说，就是将一段完整的文本分割成一个个单独的词汇单元，这个过程对于理解和检索文本信息至关...
分词器是这个过程的关键，它将文本分解成单独的词语，然后创建倒排索引。 2. **IK分词器：** IK是为Elasticsearch设计的中文分词插件，具有强大的分词能力，支持自定义词典，以及根据上下文动态调整分词结果的功能...
本文主要探讨Elasticsearch在文本搜索方面的应用，包括倒排索引的建立过程、文本搜索的执行步骤以及分析器在其中的作用。 1. **文本搜索简介** Elasticsearch的文本搜索能力基于倒排索引机制。倒排索引是一种允许...
源码分析可以帮助我们了解Lucene（Elasticsearch的核心库）如何实现倒排索引，以及Elasticsearch如何进行分布式处理和数据存储。 接下来，`elasticsearch-analysis-ik-6.4.3.zip`是IK分词器的插件。IK分词器是...
倒排索引是ElasticSearch的核心概念之一。面试官想了解候选人对基础概念的认知。 倒排索引是通过分词策略，形成了词和文章的映射关系表，这种词典+映射表即为倒排索引。 倒排索引可以实现O（1）时间复杂度的效率检索...
倒排索引是ElasticSearch中的一种重要概念，它通过分词策略，形成了词和文章的映射关系表，这种词典+映射表即为倒排索引。有了倒排索引，就能实现O（1）时间复杂度的效率检索文章了，极大的提高了检索效率。 问题3...
1. **数据索引**：对海量中文文本进行分词，建立高效的倒排索引，提高搜索速度。 2. **查询分析**：在用户输入查询语句时，IK 分词器能智能分析并生成相应的分词结果，提高查询精度。 3. **大数据分析**：在大数据...
**倒排索引**是ES实现快速搜索的关键机制。在索引过程中，每个文档的关键词都会被转换为倒排形式，即关键词指向包含它的文档列表。这种结构使得查找包含特定关键词的文档变得高效。 **自定义分析器**允许我们根据...
与传统的数据库搜索不同，Elasticsearch 不依赖于 SQL 的 LIKE 操作来查找匹配的数据，而是利用倒排索引机制，即使面对海量数据也能实现高效的搜索。 Elasticsearch 的工作原理主要包括以下几个步骤： 1. **数据...
**全文检索**：Elasticsearch 的全文检索能力是基于倒排索引技术。倒排索引将每个文档的关键词及其位置信息存储起来，当用户输入查询时，系统通过倒排索引快速找到包含这些关键词的文档，极大地提高了搜索效率。 **...
倒排索引是Elasticsearch实现高效搜索的关键。在正排索引中，我们从文档出发看单词，知道每个文档包含哪些单词及其出现次数。而在倒排索引中，我们从单词出发，查找包含该单词的所有文档，这大大加快了全文搜索的...
Elasticsearch面试题涵盖了许多关键知识点，包括倒排索引的概念、大数据量的索引管理和调优策略，以及集群的部署和主节点选举机制。以下是对这些知识点的详细阐述： 1. **倒排索引**： 倒排索引是Elasticsearch的...
其核心功能之一就是全文搜索，它能够对文本进行分词，然后建立倒排索引，从而实现快速的全文检索。 **IK分词器** IK全称为Intelligent Chinese，它是针对中文的智能分词库，最初由阿里云的工程师开发。IK分词器...
- **倒排索引**: 基于Lucene，ES使用倒排索引技术，实现了快速的全文检索。 - **Sharding & Replication**: 数据被分成多个碎片（shards），并可以有副本（replicas），这提供了水平扩展的能力和数据冗余。 **2. ...
4. **倒排索引**：Elasticsearch采用倒排索引技术，能快速进行全文搜索。在倒排索引中，每个单词都关联着包含该单词的文档列表。 接下来，我们讨论Elasticsearch 5.22版本： 5.22版可能是一个特定的稳定版本，它...