全文检索----新手入门（一）

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。