【ElasticSearch从入门到放弃系列 二】全文检索的实现思路

上一篇全文检索的基本概念讲到了为什么要有全文检索这样的需求,那么有了需求,就有实现,全文检索实现流程和原理如下图所示:
在这里插入图片描述
上图的执行流程说明如下:

  • 左侧绿色部分表示索引过程,对要搜索的原始内容进行索引构建一个索引库,索引过程包括:确定原始内容即要搜索的内容—>采集文档—>创建文档—>分析文档—>索引文档
  • 右侧红色部分表示搜索过程,从索引库中搜索内容,搜索过程包括:用户通过搜索界面传参—>创建查询—>执行搜索、从索引库搜索—>渲染搜索结果

我们来具体看下索引库的基本创建过程和查询过程。

索引库创建过程

对文档索引的过程,将用户要搜索的文档内容进行索引,索引存储在索引库(index)中,也就是左侧的绿色流程:

  • 确定原始内容即要搜索的内容:确定我们的需求,这里就是这个存放了诸多文档的文件夹

  • 采集文档:手段有很多,网络爬虫,数据读取,文件IO读取,我们这里用的就是文件IO读取

  • 创建文档:获取原始内容的目的是为了索引,在索引前需要将原始内容创建成文档(Document),文档中包括一个一个的域(Field),域中存储内容。这里我们可以将磁盘上的一个文件当成一个document,Document中包括一些Field(file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容),如下图:
    在这里插入图片描述
    每个文档都有一个唯一的编号,就是文档的id。

  • 分析文档:将原始内容创建为包含域(Field)的文档(document),需要再对域中的内容进行分析,分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元,可以将语汇单元理解为一个一个的单词,例如:Lucene is a Java full-text search engine. 分析后得到的语汇单元:lucene、java、full、text、search、engine。每个单词叫做一个Term,不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的域名,另一部分是单词的内容,如下同样是spring单词,但是是从不同域拆出来的,所以是不同的term。
    在这里插入图片描述

  • 索引文档:对所有文档分析得出的语汇单元进行索引,索引的目的是为了搜索,最终要实现只搜索被索引的语汇单元从而找到Document(文档),注意:创建索引是对语汇单元索引,通过词语找文档,这种索引的结构叫倒排索引结构。传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。倒排索引结构是根据内容(词语)找文档,如下图
    在这里插入图片描述
    这里的词典就是term的集合,每个term【域和关键词的组合】会索引一连串满足条件的文档的id,检索时通过term检索可以找到这传id,进而找到文档。

实际上以上过程就是将非结构化的一些数据进行结构化提取。

索引库查询过程

查询索引也是搜索的过程。搜索就是用户输入关键字,从索引(index)中进行搜索的过程。根据关键字搜索索引,根据索引找到对应的文档,从而找到要搜索的内容(这里指磁盘上的文件),也就是右侧红色的部分:

  • 用户通过搜索界面键入关键词:全文检索系统提供用户搜索的界面供用户提交搜索的关键字,搜索完成展示搜索结果,例如我们常用的百度就是这个原理。
  • 创建查询:用户输入查询关键字执行搜索之前需要先构建一个查询对象,查询对象中可以指定查询要搜索的Field文档域、查询关键字等,查询对象会生成具体的查询语法
  • 执行搜索、从索引库搜索:根据查询语法在倒排索引词典表中分别找出对应搜索词的索引,从而找到索引所链接的文档链表
  • 渲染搜索结果:以一个友好的界面将查询结果展示给用户,用户根据搜索结果找自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的快照等

以上部分就是全文检索如何实现索引库的查询

流程举例说明

按照如上的流程来模拟一遍。提出如下需求:给出一组doc文件,如下图所示,用于建立索引和搜索,找到指定的文档:要求找出所有文件名包含字的文件。
在这里插入图片描述
那么按照需求我们来看下如何实现,还是按照上边的流程两步走:

1,创建文档的相关索引,按照流程处理如下:

  • 确定原始内容即要搜索的内容:确认要搜索的是文档的文件名,所以只给文件名进行索引即可。需要说明的是当前这个例子比较简单,基本通过目测就可以实现,就是举个例子,实际上文档成千上万的时候,索引非常有用。
  • 采集文档:我们这里可以通过将文件通过IO读取到磁盘即可。
  • 创建文档:创建一个文档对象,在文档对象下我们可以创建一个FieldName为Name的域,Value值即为文件名【ex:tml有点帅】
  • 分析文档:将文件名进行处理,如果按照标准的分词方法可以举例如下:tml有点帅分词时分为**:tml、有、点、帅** 。
  • 索引文档:索引文档就是建立term【某个域下的某个关键词】和文档的关系,倒排索引结构的创建,例如这里就是:如果搜tml能搜出5篇对应的文档,而搜则只能搜出两篇【很丑、tml介于帅和丑之间】

右侧红色部分表示搜索过程,从索引库中搜索内容,按照流程处理过程如下:

  • 用户通过搜索界面传参:选定好域:文件名,关键词:丑
  • 创建查询:创建一个term结构:fieldName: 文件名,Value: 丑
  • 执行搜索、从索引库搜索:找到所有包含关键词的文档,共两篇,返回文档id:3、4
  • 渲染搜索结果:通过文档id找到对应文档,返回结果,呈现给用户

以上就是全文检索的实现逻辑,下一篇blog我们来按照这个流程实战一下

©️2020 CSDN 皮肤主题: 游动-白 设计师: 上身试试 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值