搜索引擎-索引

本文介绍倒排索引的构建方法,包括单词词典和记录表的维护,以及如何通过两遍法建立记录表。同时探讨了索引更新策略,并对比了局部倒排文件与全局倒排文件的特点。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

正排索引:

文档编号,单词编号,单词的数量,单词出现的位置。


倒排索引:
1,单词词典,保存单词以及统计信息,单词在记录表中的便宜,可常驻内存,用哈希表存储。
2,记录表,单词对应的文档集合,记录单词出现的数目、位置。文档采用差分变长编码。
其中文档可按编号升序排列(可利用差分编码)、也可按出现次数排列,可以最快找到最优匹配文档、也可以分块存储,块内安装id升序排列,块间按照页面重要性排序。
可以通过两遍遍历文档来建立记录表。第一遍得到单词的df,idf等信息,可以得到单词倒排索引的空间大小。第二遍填充第一遍分配的空间。
两遍法耗费内存,可采用磁盘作为记录表的中间结果。内存不够用时,中间结果写入磁盘并和上一次的中间结果可按照归并排序合并。
会不断有新文档加入,需要不断更新索引。可维护3个索引:倒排索引(磁盘)、临时索引(内存)、删除文档列表(内存)。

增加文档,加入临时索引;删除文档,加入删除文档列表。


待到某个时间再合并索引。合并策略:1,完全重建;2,再合并策略,临时索引和老文档索引再合并;3,原地更新,在老索引后面直接追加。4,混合策略,不同单词采用不同策略。


分布式索引:1,局部倒排文件,按照文档编号划分;2,全局倒排文件,按照单词编号划分。
局部方法可靠性强,降低网络io;全局方法降低磁盘io。全局方法适合检索词均匀请求,性能很好。
常用倒排索引可以加入缓存。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值