【搜索引擎（二）】索引、倒排索引、哈希表、跳表

索引

        其实在计算机中我们早已接触过跟索引有关的东西，比如数据库里的索引（index），还有硬盘文件系统中其实也有类似的东西，简而言之，索引是一种为了方便找到自己需要的东西而设计出来的条目，你可以通过找索引找到自己想要内容的位置。索引过程是： 关键字->索引->文档。在图书馆内的书分门别类，就是一种按类别来分的索引。当然索引还有很多其他的实现。

　　仅仅有索引的概念是不够的。虽然分门别类是一种方法，但是我们在拥有一堆文档的时候必须要有从文档到索引的规范过程，并且索引的结构要提供快速查找的功能。面对一条长长的没有处理的索引列表，甚至还没有排好序，你可能要用O(N)的时间去看，头都大了。

　　为了满足这个要求，B+树，哈希表可以是比较好的选择，它们的复杂度分别是O(log N) 和 O（1）。

　   但是事实上为了满足特殊的要求，有些时候还要设计更加特殊的数据结构，比如后缀树组和trie树用来处理非文本的序列子串搜索。

　　在主要的搜索引擎中，还是靠文本搜索，而索引的设计其实并不固定，还要跟搜索策略结合，这些都是搜索引擎的部分。

 

倒排索引

　　倒排索引是索引的子集。在搜索引擎之中，正排索引跟倒排索引其实都有应用。

　　正排索引：知道文档d，得到d的关键字的位置序列，实现方式是 文档编号+关键字数组

　　倒排索引：知道关键字w，找到包含关键字的文档d1,d2,d3.... 实现方式是：关键字key做键的字典，值是文档编号数组

　　无论是哪一种索引，都要用一种能够快速检索的数据结构的来实现，否则它们都会面临大规模甚至超大规模的数据下无法工作的问题。

 

哈希表

　　哈希表，根据键找到值，复杂度为O(1)。它的实现是一组桶，每个桶=头部键+尾部链表。数据结构课程中对哈希表已经讲得很清楚了。它的问题在于空间消耗太大，而且可能会有哈希分配不平衡的问题。

 

跳表

　　参考一下 https://juejin.im/post/587c6cec61ff4b006501e006

　　跳表是一种特殊的链表，又称跳跃表，可以达到O(log N)的查询速度。这里的图说明了跳表的元素其实都在底层，但是可以有一些重复的层级为了方便检索。它的问题在于怎样平衡空间和时间效率上。

　　

　　跳表中用到了概率，它设定某个跳表元素的i副本出现在i+1层的概率为p，根据概率对每个值求和得到元素k的期望出现次数 (∑p^k=1/(1-p), k = 1,2,...)。现实中并不会完全按照概率来进行设计，而是用一个固定的步长来设计多级的并联链表。

 

结论

　　倒排索引和跳表是为了方便检索和加快速度而设计的结构，并且在搜索引擎中为后续的其他操作提供了基础。现实中经常讲到的是倒排索引，以及跟它关联的tfidf。为了实现数据的快速搜索，还需要跟具体的数据结构相结合。