搜索引擎在我們的日常生活中很常見，在各個領域都發揮著它獨特的作用。那今天我們一起從文中來了解一下關於搜索引擎索引的這些概念。
索引其實在日常生活中是很常見的，比如：書籍的目錄就是一種索引結構，目的是為了讓人們能夠更快地找到相關章節內容。再比如：像hao123這種類型的導航網站，本質上也是互聯網頁面中的索引結構，目的類似，也是為了讓用戶能夠儘快找到有價值的分類網站。
在計算機科學領域，索引也是非常常用的數據結構，其根本目的是為了——在具體應用中加快查找速度。比如：在資料庫中，在很多高效數據結構中，都會大量採用索引來提升系統效率。
具體到搜索引擎，索引更是其中最重要的核心技術之一，面對海量的網頁內容，如何快速找到包含用戶查詢詞的所有網頁？倒排索引在其中扮演了關鍵的角色。
本文主要講解與倒排索引相關的技術，通過引入簡單實例，介紹與搜索引擎有關的一些基本概念，了解這些基本概念對於以後深入了解索引的工作機制非常重要。
一、單詞-文檔矩陣
單詞-文檔矩陣是表達兩者之間所具有的一種包含關係的概念模型，圖1展示了其含義，圖1中的每列代表一個文檔，每行代表一個單詞，打對勾的位置代表包含關係。
圖1：單詞-文檔矩陣
- 從縱向即文檔這個維度來看：每列代表文檔包含了哪些單詞，比如：文檔1包含了辭彙1和辭彙4，而不包含其他單詞。
- 從橫向即單詞這個維度來看：每行代表了哪些文檔包含了某個單詞，比如：對於辭彙1來說，文檔1和文檔4中出現過辭彙1，而其他文檔不包含辭彙1，矩陣中其他的行列也可做此種解讀。
搜索引擎的索引其實就是實現單詞-文檔矩陣的具體數據結構，可以有不同的方式來實現上述概念模型。比如：倒排索引、簽名文件、後綴樹等方式。
但是各項試驗數據表明，倒排索引是單詞到文檔映射關係的最佳實現方式，所以本文主要介紹倒排索引的技術細節。
二、倒排索引基本概念
在這裡向大家解釋倒排索引常用的一些專用術語：
- 文檔：一般搜索引擎的處理對象是互聯網網頁，而文檔這個概念要更寬泛些，代表以文本形式存在的存儲對象。相比網頁來說，涵蓋更多形式。比如：Word、PDF、XML等不同格式的文件都可以稱為文檔；再比如：一封郵件、一條簡訊、一條微博也可以稱為文檔。
- 文檔集合：由若干文檔構成的集合稱為文檔集合。比如：海量的互聯網網頁或者說大量的電子郵件，都是文檔集合的具體例子。
- 文檔編號：在搜索引擎內部，會為文檔集合內每個文檔賦予一個唯一的內部編號，以此編號來作為這個文檔的唯一標識，這樣方便內部處理，每個文檔的內部編號即稱為文檔編號。
- 單詞編號：與文檔編號類似，搜索引擎內部以唯一的編號來表徵某個單詞，單詞編號可以作為某個單詞的唯一表徵。
- 倒排索引：倒排索引是實現單詞-文檔矩陣的一種具體存儲形式。通過倒排索引，可以根據單詞快速獲取包含這個單詞的文檔列表，倒排索引主要由兩個部分組成：單詞詞典和倒排文件。
- 單詞詞典：搜索引擎通常的索引單位是單詞，單詞詞典是由文檔集合中出現過的所有單詞構成的字元串集合，單詞詞典內每條索引項記載單詞本身的一些信息及指向倒排列表的指針。
- 倒排列表：倒排列表記載了，出現某個單詞的所有文檔的文檔列表及單詞在該文檔中出現的位置信息，每條記錄稱為一個倒排項。根據倒排列表，即可獲知哪些文檔包含某個單詞。
- 倒排文件：所有單詞的倒排列表往往順序地存儲在磁碟的某個文件里，這個文件即被稱為倒排文件，倒排文件是存儲倒排索引的物理文件。
關於這些概念之間的關係，通過圖2可以比較清晰地看出來：
圖2：倒排索引基本概念示意圖
三、倒排索引簡單實例
倒排索引從邏輯結構和基本思路上講非常簡單，下面我們通過具體實例來進行說明，使得大家能夠對倒排索引有一個宏觀而直接的感受。
假設文檔集合包含5個文檔，每個文檔包含內容如下圖所示：在圖3中最左端一欄是每個文檔對應的文檔編號，我們的任務就是對這個文檔集合建立倒排索引。
圖3：文檔集合
中文和英文等語言不同，單詞之間沒有明確的分隔符號，所以首先要用分詞系統將文檔自動切分成單詞序列，這樣每個文檔就轉換為由單詞序列構成的數據流。
為了系統後續處理方便，需要對每個不同的單詞賦予唯一的單詞編號，同時記錄下哪些文檔包含這個單詞，在處理結束后，我們可以得到最簡單的倒排索引（參考圖4）。
圖4中，「單詞ID」一列記錄了每個單詞對應的編號，第2列是對應的單詞，第3列即每個單詞對應的倒排列表。比如：單詞「谷歌」，其中單詞編號為1，倒排列表為{1,2,3,4,5}，說明文檔集合中每個文檔都包含了這個單詞。
之所以說圖4的倒排索引是最簡單的，是因為這個索引系統只記載了哪些文檔包含某個單詞。而事實上，索引系統還可以記錄除此之外的更多信息。
圖5是一個相對複雜些的倒排索引，與圖4所示的基本索引系統相比，在單詞對應的倒排列表中不僅記錄了文檔編號，還記載了單詞頻率信息，即這個單詞在某個文檔中出現的次數。之所以要記錄這個信息，是因為詞頻信息在搜索結果排序時，計算查詢和文檔相似度是一個很重要的計算因子，所以將其記錄在倒排列表中，以方便後續排序時進行分值計算。
在圖5所示的例子里，單詞「創始人」的單詞編號為7，對應的倒排列表內容有（3;1），其中3代表文檔編號為3的文檔包含這個單詞，數字1代表詞頻信息，即這個單詞在3號文檔中只出現過1次，其他單詞對應的倒排列表所代表的含義與此相同。
圖4：最簡單的倒排索引
圖5：帶有單詞頻率信息的倒排索引
實用的倒排索引還可以記載更多的信息，圖6所示的索引系統除了記錄文檔編號和單詞詞頻信息外，額外記載了兩類信息——即每個單詞對應的文檔頻率信息（圖6的第3列）及單詞在某個文檔出現位置的信息。
圖6：帶有單詞頻率、文檔頻率和出現位置信息的倒排索引
文檔頻率信息代表了在文檔集合中有多少個文檔包含某個單詞，之所以要記錄這個信息，其原因與單詞頻率信息一樣，這個信息在搜索結果排序計算中是一個非常重要的因子。
而單詞在某個文檔中出現位置的信息並非索引系統一定要記錄的，在實際的索引系統里可以包含，也可以選擇不包含這個信息，之所以如此，是因為這個信息對於搜索系統來說並非必要，位置信息只有在支持短語查詢的時候才能夠派上用場。
以單詞「拉斯」為例：其單詞編號為8，文檔頻率為2，代表整個文檔集合中有兩個文檔包含這個單詞，對應的倒排列表為{(3;1;<4>),(5;1;<4>)}，其含義為在文檔3和文檔5出現過這個單詞，單詞頻率都為1，單詞「拉斯」在這兩個文檔中的出現位置都是4，即文檔中第4個單詞是「拉斯」。
圖6所示的倒排索引已經是一個非常完備的索引系統，實際搜索引擎的索引結構基本如此，區別無非是採取哪些具體的數據結構來實現上述邏輯結構。
有了這個索引系統，搜索引擎可以很方便地響應用戶的查詢。比如：用戶輸入查詢詞 「Facebook」，搜索系統查找倒排索引，從中可用讀出包含這個單詞的文檔，這些文檔就是提供給用戶的搜索結果。
而利用單詞詞頻信息、文檔頻率信息即可對這些候選搜索結果進行排序，計算文檔和查詢的相似性，按照相似性得分由高到低排序輸出，此即為搜索系統的部分內部流程。