一氪钟：浅说 Lucene 倒排索引与分词

Lucene 是基于倒排索引来实现快速的全文检索的，那么倒排索引是什么概念呢？

首先来看看普通索引是怎样建立的，请参考下图。

图中，我们为右侧的每一个文档都建立了一个索引编号，当我们知道这个编号时，就可以查询到对应的文档，而如果我们还对这些索引编号进行排序，那检索的速度就会更快。但是，当我们需要检索包含“F”的文档时，普通索引就完全不能发挥作用了，因为我们不得不遍历每一个文档，并试图筛选出那些包含了“F”的文档，而这样的检索性能在大数据量的情况就可想而之了。

再来看看倒排索引是怎样解决全文检索性能问题的，答案当然还是建立索引，只是这次的索引不是编号，而是词条。试想一下全文检索的场景，我们要实现的无非是输入一个词条（如上例中的“F”），然后检索出包含这个词条的文档。那么，如果我们预先知道要检索的是哪些词条，就可以从文档中提取出这些词条并建立词条与文档之间的关系。为了避免直接引用文档内容，词条引用的将是前述文档的索引编号。建立倒排索引可分为两个步骤，首先从文档中拆分出词条，这个过程就是分词。

图中，我们将文档内容“AEHDCIO”按照字母分拆为多个词条，这些词条都与被拆分的文档关联。注意，对文档内容进行怎样的拆分完全由需求决定，不良好的分词方法，可能会导致非常糟糕的检索体验，甚至完全检索不到内容。在 Lucene 中执行从文档中拆分出词条任务的是 Tokenizer 类型。接下来，就是要建立词条与文档之间的联系。

图中，我们将四个示例中的文档全部都按照字母分拆为多个词条，然后以每个词条为基础，建立这个词条与所有包含这个词条的文档之间的关联。如此就形成了如下的倒排索引结构，这个结构中，词条被单独索引并且排序，而词条关联的文档的编号也被组织成一个被排序的链表，可以很方便的对文档编号进行遍历。

从倒排索引的结构上就可以发现，现在我们能够以更好的性能来实现前述的全文检索需求了。比如，当我们需要检索包含“F”的文档时，只需在词条索引中先找到“F”词条，然后再取出“F”词条对应的文档编号就行，更进一步的分页、获取文档内容等操作就与普通数据库无异了。通过倒排索引，我们还可以实现更多复杂逻辑的检索方式，比如要检索同时包含“D”和“F”且不包含“A”的文档，只需要先把“D”和“F”词条关联的文档编号取出来求并集，得到“IDX02”和“IDX03”两个文档，然后再排除“A”词条关联的文档编号，最后得到“IDX03”这个文档。

既然倒排索引这么强大，是不是就可以解决所有全文检索的问题了呢？这当然不是，就以前述示例中建立的倒排索引为例，当用户以“CI”为检索请求内容时，如果检索系统把“CI”看作是一个词条（即在检索过程中未对检索内容分词），则不会检索出任何文档，因为在倒排索引中根本就找不到“IO”这个词条；而如果检索系统把“CI”按照文档索引时的方法来分词后再进行检索，并默认检索请求中词条之间为逻辑与关系，则会检索出“IDX01”和“IDX03”两个文档。这说明，倒排索引为我们进行快速全文检索奠定了数据结构的基础，而分词则在文档的索引和检索过程中都要发挥应有的作用，如果索引过程与检索过程的分词不配合，则不可能发挥出倒排索引的优势来。通常来说，索引过程与检索过程的分词方案是一致，但在某些特殊需求下，也会有不一致的情况发生。