搜索引擎索引压缩技术
张俊林
timestamp:2006-12-15
建立索引是搜索引擎核心技术之一,建立索引的目的是能够快速的响应用户的查询。搜索引擎最常用的索引数据结构是倒排文档,倒排文档的原理其实相当简单。
我们拿以下三篇文章作为代表来说明倒排文档,文章内容为:
D1:“张钰小姐代表了中国广大淫民的根本利益”
D2:”宋祖德先生代表了中国八卦文化的前进方向“
D3:“郭敬明代表了中国作家抄袭先进生产力的发展要求”
经过分词,过滤高频词后可以构建如下的倒排文档:
张钰 ->D1,1;
代表->D1,1;D2,1;D3,1;
宋祖德->D2,1;
.....
其中,“张钰”代表一个单词,《D1,1》代表了这个单词在D1文档中出现过1次(TF);为了方便处理,往往会 把单词和文档编号转换为数字形式。
说到倒排文档压缩,首先要问一个问题:为什么要进行索引压缩?
对索引进行压缩有很多好处:比如可以 减少索引占用的磁盘空间和内存;比如可以减少I/O读写量; 比如可以查询响应速度加快;
为了能够增加压缩效果,一般在进行压缩前先改写索引内容,首先把倒排索引的数值按照大小排序,然后用差值而非实际值表示(d-gap);这个是每个压缩算法开展前要做的工作;
目前的压缩方法可以分为固定长度的和变长压缩。
1.固定长度的压缩方法
一个典型的方法是比特对齐压缩,这个方法以Byte为编码单元,不像变长压缩编码一般都以bit为编码单元;
对于要压缩的数字,一般用头两个bits代表长度,其它bit用二进制编码代表数值本身;
数值范围 头两个bit 压缩大小
0-63 00 1byte
64-16k 01 2byte
16k-4M 10 3byte
4M-1G 11 4byte
包括定长的和变长的索引压缩都有一个基本假设,就是:要压缩的大多数数值都比较小,所以压缩后占用空间不会多;
压缩率:10-20% of 原始未压缩索引;
2.变长的压缩方法
a.unary
对于要压缩的数值N来说,用N+1 个bits来表示,其中前N位是1,最后一位是0作为结束标记。
比如:
5:111110
10:11111111110
b.Elias压缩方法(gamma & delta)
对于一个要压缩的数值X,用log2(x)分解为两个数值,一个是N=log2(X),用N个1表示这个部分,另外一个是
剩余部分k=X-2powor((log2(X))),这部分数值k用二进制编码表示(长度等于N),中间用0隔开;
比如对于数值2,其压缩编码为1 0 0,因为log2(2)=1, 剩余为0;中间插入一个分割0;
比如对于数值10
N=log2(10)=3 所以第一个部分是:111
10-2(3)=2 所以第二个部分是:010
中间用0分割,所以是:111 0 010
c.Golomb压缩方法
对于一个要压缩的数值X,用公式分解:X=q*b+r+1; (0=<r<b)
其中,b叫做bucket size,可以根据情况来具体设置。我们假设b=3;
那么对于要压缩的数值10来说:
10=3*3+0+1;(q=3,b=3,r=0);
第一部分是对分解因子q进行编码,其编码方法类似于unary编码;比如对于10=3*3+0+1中,
q=1110;
第二部分是对于剩余因子r进行编码;仍然采用二进制编码,编码长度为log2(b)取上整数或者log2(b)上整数-1;
对于上面r=0; 其编码为0;
Golomb相对于Elias方法的好处就在于那个bucket size,这个值是可以设定的,可以根据索引里面
要压缩的数值的分布来调整bucket size来获得更好的压缩效果;
d.混合使用
一般对于不同的索引域,其数值的分布是不同的,各有其特点,经过分析数值分布属性,可以采取混合压缩策略。比如D-gap使用Golomb压缩,tf使用Gamma压缩。
采用索引压缩能够带来很多好处,所以实用的搜索引擎都会采用索引压缩技术,但是对索引进行压缩也会带来问题,
那就是比不压缩需要更多的计算量。