网页搜索引擎中的核心索引结构 - 利用 Google Protobuf 构建

索引结构 — Index

利用 Google Protobuf 构建索引结构 —– Index

在搜索引擎中，常见的索引方法就是正排索引和倒排索引，因此我们 Index 索引结构要包括两两个方面：

• 正排索引 — ( forward_index )

• 倒排索引 — ( inverted_index )

---

正排索引

正排索引是根据文件的id号，得到所有的文件信息，因此正排索引中存放的是整个文件的所有文件信息，包括文件的内容及其他的id号，这里以网页索引为例子：

正排索引中一个结点，应该包含的基本信息有：

• id : 网页id号
• title : 网页标题
• content : 网页内容
• jump_url : 网页跳转url
• show_url : 网页显示url

除了上面的内容，正排索引中还应该给出文件标题和正文中都包含有哪些关键字，这样方便我们构建倒排索引。

因此，还应该加上：

• title_token :网页标题中的关键字
• content_token: 网页正文中的关键字

正排索引是由一个个包含的文件信息的结点构成的数组形式的结构，而这个结点包含以上7个数据，我们将这个信息结点起名叫doc_info。

后面添加的两个类型，因为一个文件中不可能只包含一个关键词，因此title_token和content_token应该是字符串类型的数组，这里我们可以优化一下，如果我们存放的是字符串，相当于存入了整个文件（网站），不仅占内存而且不方便查询，因此我们可以考虑存放该关键字在正文或者标题中出现的位置，记录其初始位置和结束的位置，规定为左闭右开的形式。由于我们在正排索引中已经存放了网站的标题与正文，那我们在使用时就可以根据关键字的位置得到关键字。因此这两个数组，存放的数据类型是二元数，记录了关键字的位置。

如上所述：我们队正排索引的机构有了大致的了解：一个存放文件信息（doc_info）的数组(forward_index)，且文件id可以当做数组的下标。

用protobuf构建的话，正排索引forward_index应该是doc_info类型的repeated(可重复类型)数据。

---

倒排索引

倒排索引(inverted_index)，是根据给定的关键字得到相应的文件id，然后我们在根据文件id(就是正排索引中数组的下标)得到整个文件的信息。

一个倒排索引要包含的信息（信息结点的类型名定义为：Kwdinfo）：

• key ：关键字
• doc_list： 文件列表

同一个关键字，有可能存在不同的文件中，因此这里的doc_list也是数组的形式，而且每个关键字对应文件的重要性也不相同，相同的关键字对应不同的文件应有不同的权重，这样也利于我们进行排序，权重我们可以根据该关键字在该文件中的出现次数算得到。这样doc_list也就不是简单的整形数组了，存放的应是文件id及其权重的集合我们称这个结构为DocList，doc_list这个数组存放的类型结构Doclist 如下：

• doc_id : 文件id
• weight : 权重
• first_pos : 关键字第一次出现的位置

这个doc_list，我们称之为倒排拉链，即一个关键字对应一个倒排拉链，由于我们要通过关键字找对应的倒排拉链，因此倒排索引invented_index我们一般定义为map结构，方便查找

这个map结构的key是关键字，而val是倒排拉链

而在proto中的定义为：invented_index是Kwdinfo + repeated类型的,表示该数据个数是可变的；doc_list这个数据的类型为Doclist + repeated。

---

整体结构

• index 索引结构

//索引结构
massage Index
{
    //正排索引
    repeated Docinfo forward_index = 1;

    //倒排索引
    repeated Kwdinfo inderted_index = 2; 
}

• 正排索引结点结构

massage Docinfo
{
 // 一个文档对应的信息
  required uint64 id = 1; 
  required string title = 2;
  required string content = 3;
  required string show_url = 4;
  required string jump_url = 5;

  // 以下两个字段, 把标题和正文的分词结果先罗列好,
  // 以备后面实现倒排的时候使用
  repeated Pair title_token = 6; 
  repeated Pair content_token = 7; 
}

//`pair` 结构用来存放文件的关键字信息
massage pair
{
    required uint32 beg = 1;
    required uint32 end = 2;
}

• 倒排索引结点结构

massage Kwdinfo
{
    required string key = 1;
    repeated Doclist doc_list = 2;
}

//Doclist 倒排拉链 
massage Doclist
{
    required uint64 doc_id = 1;
    required int32 weight = 2;
    required int32 first_pos = 3; 
}

结构图：

整个索引结构如上，整体分为两个大的模块，正排和倒排