搜索学习基础--代码模拟倒排索引过程

之前已经分析了倒排索引的过程倒排索引过程解读 那么,接下来用代码实现一下其过程,加深了解:

package search;


import java.util.*;

/**
 * 模拟倒排索引(只支持英文)
 *
 * @author yuyufeng
 * @date 2017/10/31
 */
public class InvertedIndex {

    /**
     * 倒排索引表
     */
    Map<String, IndexTable> keywordsIndexTableMap = new HashMap<>();

    /**
     * 停顿词
     */
    Set<String> stopwords = new HashSet<>();

    /**
     * 存储文档
     */
    List<String> store;

    public InvertedIndex(List<String> list) {
        store = list;
        for (int i = 0; i < list.size(); i++) {
            String li = keywordsHandler(list.get(i));
            String[] array = li.split(" ");
            for (int j = 0; j < array.length; j++) {
                addKeyWords(array[j], i, j);
            }
        }
        //停顿词 非关键词
        stopwords.add("is");
        stopwords.add("and");
        stopwords.add("or");
        stopwords.add("the");
    }

    /**
     * 建立索引 建立倒排索引表
     */
    public void addKeyWords(String keywords, Integer i, Integer j) {
        //去空
        if ("".equals(keywords)) {
            return;
        }
        IndexTable indexTable = keywordsIndexTableMap.get(keywords);
        if (indexTable == null) {
            //插入关键词信息
            indexTable = new IndexTable();
            indexTable.keywords = keywords;
            //插入关键词出现的文档Id,次数为1(首次出现)
            indexTable.docTimes.put(i, 1);
            //插入关键词出现的文档Id,在文档中位置
            indexTable.docIndex.put(i, " "+j);
            keywordsIndexTableMap.put(keywords, indexTable);
        } else {
            //更新关键词出现的文档、频率
            indexTable.docTimes.put(i, indexTable.docTimes.get(i) == null ? 1 : indexTable.docTimes.get(i) + 1);
            //更新关键词出现的文档、位置
            indexTable.docIndex.put(i, (indexTable.docIndex.get(i) == null ? "" : indexTable.docIndex.get(i)) + " " + j);
            keywordsIndexTableMap.put(keywords, indexTable);
        }
    }


    //去除无关词,统一大小写
    private String keywordsHandler(String doc) {
        doc = doc.replaceAll(",|:|\\.", " ");
        doc = doc.toLowerCase();
        return doc;
    }

    /**
     * 查询
     * @param keywords
     * @return
     */
    public List<String> search(String keywords) {
        keywords = keywordsHandler(keywords);

        //用Set可以去重
        String[] kewordsArray = keywords.split(" ");

        List<String> result = new ArrayList<>();

        //<文档,出现次数>
        Map<Integer, DocTemp> docSortTimes = new HashMap();

        for (int i = 0; i < kewordsArray.length; i++) {
            String key = kewordsArray[i];
            IndexTable indexTable = keywordsIndexTableMap.get(key);
            if (indexTable == null) {
                continue;
            }
            //找到关键词,统计出现的文档,频率,出现的文档数
            for (Integer integer : indexTable.docTimes.keySet()) {
                if (docSortTimes.get(integer) == null) {
                    DocTemp docTemp = new DocTemp();
                    docTemp.docId = integer;
                    docTemp.times = 1;
                    docTemp.allTimes = indexTable.docTimes.get(integer);
                    docSortTimes.put(integer, docTemp);
                } else {
                    DocTemp docTemp = docSortTimes.get(integer);
                    docTemp.times++;
                    docTemp.allTimes += indexTable.docTimes.get(integer);
                }
            }
        }

        List<DocTemp> docTemps = new ArrayList<>();
        //转化List 排序
        for (Integer docId : docSortTimes.keySet()) {
            DocTemp docTemp = docSortTimes.get(docId);
            docTemps.add(docTemp);
        }

        //对结果排序,一个Doc包含关键词越多,排名越前。如相等,则比较出现总次数  \\这个规则可以自定义
        docTemps.sort(new Comparator<DocTemp>() {
            @Override
            public int compare(DocTemp o1, DocTemp o2) {
                if(o1.times.equals(o2.times)){
                    return o2.allTimes - o1.times;
                }
                return o2.times-o1.times;
            }
        });

        //包装结果
        for (int i = 0; i < docTemps.size(); i++) {
            result.add(store.get(docTemps.get(i).docId));
        }

        return result;
    }

    public static void main(String[] args) {
        List<String> docs = new ArrayList<>();
        //docId = 0
        String doc = "Inverted index comes from the actual application, it needs to find the record according to the value of the attribute.";
        docs.add(doc);
        //docId = 1
        doc = "Each item Each in the index table includes an attribute value and the address of each record with the attribute value";
        docs.add(doc);
        //docId = 2
        doc = "Attribute values are not determined by records";
        docs.add(doc);
        //docId = 3
        doc = "Rather, the location of the record is determined by the attribute value";
        docs.add(doc);
        //docId = 4
        doc = "It is called inverted index";
        docs.add(doc);
        //docId = 5
        doc = "The data operation is simple: the data used by the search engine is easy to operate, generally speaking, only need to add, delete, change, check several functions";
        docs.add(doc);
        //docId = 6
        doc = "And data has a specific format, you can design simple and efficient applications for these applications";
        docs.add(doc);
        //建立索引
        InvertedIndex invertedIndex = new InvertedIndex(docs);

        //查看倒排索引表
        System.out.println("关键词 出现doc[次数],{位置}");
        for (String key : invertedIndex.keywordsIndexTableMap.keySet()) {
            System.out.print(key + " ");
            IndexTable indexTable = invertedIndex.keywordsIndexTableMap.get(key);
            for (Integer integer : indexTable.docTimes.keySet()) {
                System.out.print(integer + "[" + indexTable.docTimes.get(integer) + "],");
                System.out.print("{" + indexTable.docIndex.get(integer) + "} ");
            }
            System.out.println("");
        }


        //执行查询
        List<String> results = invertedIndex.search("specific format location determined attribute");

        System.out.println("=========== 查询结果 ==========");
        for (String result : results) {
            System.out.println(result);
        }
    }
}

/**
 * 倒排索引表
 */
class IndexTable {
    /**
     * 关键词
     */
    String keywords;

    /**
     * 出现频率
     */
    Map<Integer, Integer> docTimes = new HashMap<>();

    /**
     * 出现位置
     */
    Map<Integer, String> docIndex = new HashMap<>();
}

/**
 * 用于排序
 */
class DocTemp {
    Integer docId;
    Integer times;  //出现在多少Doc中
    Integer allTimes;  //出现总次数
}

运行结果

关键词 出现doc[次数],{位置}
called 4[1],{ 2} 
data 5[2],{ 1 7} 6[1],{ 1} 
functions 5[1],{ 32} 
several 5[1],{ 31} 
simple 5[1],{ 4} 6[1],{ 10} 
used 5[1],{ 8} 
these 6[1],{ 15} 
speaking 5[1],{ 19} 
find 0[1],{ 11} 
record 0[1],{ 13} 1[1],{ 16} 3[1],{ 6} 
only 5[1],{ 21} 
from 0[1],{ 3} 
has 6[1],{ 2} 
inverted 0[1],{ 0} 4[1],{ 3} 
you 6[1],{ 7} 
needs 0[1],{ 9} 
add 5[1],{ 24} 
actual 0[1],{ 5} 
item 1[1],{ 1} 
in 1[1],{ 3} 
need 5[1],{ 22} 
format 6[1],{ 5} 
index 0[1],{ 1} 1[1],{ 5} 4[1],{ 4} 
includes 1[1],{ 7} 
is 3[1],{ 7} 4[1],{ 1} 5[2],{ 3 13} 
it 0[1],{ 8} 4[1],{ 0} 
check 5[1],{ 30} 
an 1[1],{ 8} 
easy 5[1],{ 14} 
each 1[3],{ 0 2 15} 
operate 5[1],{ 16} 
determined 2[1],{ 4} 3[1],{ 8} 
records 2[1],{ 6} 
rather 3[1],{ 0} 
values 2[1],{ 1} 
comes 0[1],{ 2} 
according 0[1],{ 14} 
for 6[1],{ 14} 
delete 5[1],{ 26} 
can 6[1],{ 8} 
not 2[1],{ 3} 
search 5[1],{ 11} 
are 2[1],{ 2} 
engine 5[1],{ 12} 
and 1[1],{ 11} 6[2],{ 0 11} 
of 0[1],{ 18} 1[1],{ 14} 3[1],{ 4} 
by 2[1],{ 5} 3[1],{ 9} 5[1],{ 9} 
design 6[1],{ 9} 
attribute 0[1],{ 20} 1[2],{ 9 19} 2[1],{ 0} 3[1],{ 11} 
value 0[1],{ 17} 1[2],{ 10 20} 3[1],{ 12} 
table 1[1],{ 6} 
a 6[1],{ 3} 
address 1[1],{ 13} 
efficient 6[1],{ 12} 
change 5[1],{ 28} 
specific 6[1],{ 4} 
generally 5[1],{ 18} 
the 0[4],{ 4 12 16 19} 1[3],{ 4 12 18} 3[3],{ 2 5 10} 5[3],{ 0 6 10} 
with 1[1],{ 17} 
application 0[1],{ 6} 
location 3[1],{ 3} 
to 0[2],{ 10 15} 5[2],{ 15 23} 
operation 5[1],{ 2} 
applications 6[2],{ 13 16} 
=========== 查询结果 ==========
Inverted index comes from the actual application, it needs to find the record according to the value of the attribute.
It is called inverted index
Each item Each in the index table includes an attribute value and the address of each record with the attribute value
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,658评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,482评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,213评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,395评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,487评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,523评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,525评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,300评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,753评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,048评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,223评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,905评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,541评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,168评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,417评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,094评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,088评论 2 352

推荐阅读更多精彩内容

  • 第七章 黑白村 当安妮醒来时,她发现亨德尔已经可以站起来,并走路了。科尔托见安妮醒了,说道...
    27315涵阅读 388评论 0 1
  • 小时候,白雪公主与七个小矮人、勇敢的锡兵这些童话故事陪伴了我的童年,也比较喜欢看书,回头想想,那段时光是非...
    金塔094罗瑞阅读 287评论 0 6
  • 慢长的冬夜有些清冷,看着沉睡的雪花不免羡慕!就那么轻盈优美,满怀喜悦的投入大地的怀抱,安心,踏实,拥有可靠的怀抱。
    溪间月阅读 189评论 0 0