文章首发于公众号「蝉沐风」，认真写好每一篇文章，欢迎大家关注交流
传统的索引： 文档ID到文档内容、单词的关联关系。我们平常读的书的目录就是传统索引的典型代表。
而倒排索引（Inverted index）恰好相反，是单词（分词）到文档ID的关联。
索引基础
单词文档矩阵
单词-文档矩阵是单词和文档之间包含关系的概念模型，如下图所示，矩阵每一行代表一个单词，每一列表示一篇文档。
倒排索引(Inverted Index) 是实现单词-文档矩阵的一种具体存储形式（除此之外还有签名文件、后缀树等数据结构），通过倒排索引，可以根据单词快速获取包含这个单词的文档列表。
基本概念
- 文档（Document）：文本格式存储的对象，如Word、PDF、HTML、XML等。
- 文档集合（Document Collection）：由若干文档构成的集合成为文档集合。比如模板表mb_meta_#。
- 文档编号（Document ID）：为每一个文档赋予的唯一编号。
- 单词编号（Word ID）：为某个单词赋予的唯一编号。单词词典（Term Dictionary）：记录所有文档的单词，并且记录单词到倒排列表的关联信息。
- 倒排列表（Posting List）：倒排列表记录了出现了某个单词的所有文档编号（可能伴随有其他附属信息），根据倒排列表就能知道哪些文档中包含某个单词（其中每一个相关文档的信息集合称为倒排项）。
- 倒排文件（Inverted File）：所有单词的倒排列表都存储在磁盘中的某个文件里，倒排文件是存储倒排索引的物理文件。
示例
经过分词和建立索引之后得到的倒排索引如下
此时，当用户搜索“搜索引擎”时，根据倒排索引我们可以很容易的知道“搜索引擎”对应的文档是1和3，然后我们根据正排索引可以查询到文档1和文档2的内容，并返回给用户最终结果。
单词词典
- 记录了所有文档包含的所有的单词，一般而言需要较大的存储空间
- 记录了单词到倒排列表的对应关系
有两种实现方式
B+Tree
Hash Link
倒排列表
倒排列表记录了单词对应的包含该单词的所有文档的集合，由倒排项（Posting） 构成
倒排项
基本概念
- 文档id：用于获取原始信息
- 单词频率（TF，Term Frequency），记录该单词在该文档中出现的次数，用于后续文档相关性的评分
- 位置（Position），记录单词在文档中出现的位置（可能有多个），一般用于短语搜索（Phrase Query），比如 “你懂的” 和 “懂你的” 便是完全不同的两个词
示例
单词字典与倒排列表的整体结构如下
\
