一個(gè)搜索引擎如何才能有效地進(jìn)行一次短語查詢呢？繼續(xù)說“cat sat”這個(gè)例子。第一步和平常的多詞查詢 cat sat一樣，從單詞表中獲取每個(gè)單詞出現(xiàn)的網(wǎng)頁列表，在這個(gè)例子中就是出現(xiàn)在第1頁和第3頁的“cat”；“sat”也一樣，出現(xiàn)在第1頁和第3頁。不過搜索引擎到這里就卡住了。搜索引擎很確切地知道兩個(gè)單詞同時(shí)出現(xiàn)在頁面1和頁面3上，但沒有辦法來分辨這些單詞是否以正確的順序緊挨著彼此出現(xiàn)。你也許會想，搜索引擎可以返回查看原網(wǎng)頁，看這個(gè)短語是否存在。這的確是個(gè)可能的解決方案，但效率卻非常非常低。這需要遍歷每一個(gè)可能包含這個(gè)短語的網(wǎng)頁的全部內(nèi)容，而且可能有海量這樣的網(wǎng)頁。記住，我們在這里打交道的是一個(gè)只由三個(gè)頁面組成的極小的例子，真正的搜索引擎必須從數(shù)百億個(gè)網(wǎng)頁中找出正確的結(jié)果。
注意英文單詞的雙引號?！g者注
詞位置把戲
這一問題的解決方案是讓現(xiàn)代搜索引擎運(yùn)行良好的首個(gè)、真正精巧的思想：索引應(yīng)該不單單存儲頁碼，還要存儲頁面內(nèi)的位置。這些位置并不神秘：它們只是代表了一個(gè)詞在頁面中的位置。第3個(gè)詞的位置是3，第29個(gè)詞的位置是29，依此類推。例子中三個(gè)頁面組成的數(shù)據(jù)集如下頁圖所示，還加上了詞位置。圖下面的是索引——由存儲頁碼和詞位置中得出的結(jié)果組成。我們稱這種創(chuàng)建索引的方法為“詞位置把戲”（word location trick）。舉幾個(gè)例子，以確保大家理解了詞位置把戲。索引的第一行是“a3-5.”。這意味著詞“a”只在數(shù)據(jù)集中出現(xiàn)過一次，是第3頁的第5個(gè)單詞。索引中最長的一行是“the 1-1 1-5 2-1 2-5 3-1”。這一行可以讓你知道，這個(gè)數(shù)據(jù)集中所有出現(xiàn)單詞“the”的具體位置。它在第1頁出現(xiàn)過兩次（位置1和5），第2頁出現(xiàn)過兩次（位置1和5），第3頁出現(xiàn)過1次（位置1）。
你還記得介紹頁內(nèi)詞位置的目的嗎？是為了解決如何有效地進(jìn)行短語查詢這個(gè)問題。讓我們來看看如何用這個(gè)新索引做一次短語查詢。還是和前面一樣，查詢短語“cat sat”。第一步和使用舊索引時(shí)一樣：從索引中提取單個(gè)詞的位置，“cat”的位置是1-2、3-2，“sat”的位置是1-3、3-7。到這里還好：我們知道短語查詢“cat sat”唯一可能的命中就是在第1頁和第3頁。但與之前一樣，我們還不確定相同的短語是否出現(xiàn)在了這些頁面中——有可能這兩個(gè)單詞的確出現(xiàn)了，但并不是以正確的順序彼此相鄰。幸運(yùn)的是，從位置信息中確認(rèn)這一點(diǎn)很容易。首先從第1頁開始。根據(jù)索引信息，我們知道“cat”出現(xiàn)在第1頁的位置2（這就是1-2的含義）。我們還知道“sat”出現(xiàn)在第1頁的位置3（這是1-3的含義）。但如果“cat”在位置2，“sat”在位置3，我們就知道“sat”緊挨著出現(xiàn)在“cat”之后（因?yàn)?之后立即就是3）——因此我們尋找的整個(gè)短語“cat sat”必定出現(xiàn)在第1頁，并從位置2開始。
鄂公網(wǎng)安備 42010302001612號