前言
搜索引擎三大过程：爬取内容、进行分词、建立反向索引。
倒排索引
很多搜索引擎是基于倒排索引，不过在倒排索引之前，我们先看看正排索引。
正排其实就是数据库表，他通过id和数据进行关联。我们可以通过搜索id，来获得相应的数据，也能删除数据。你买了一本书，书的目录其实也是正排搜索。
| 数据id | 数据内容 |
|---|---|
| 1001 | 苹果公司发布iPhone |
| 1002 | 地球引力起源于苹果 |
| 1003 | iPhone屏幕碎了 |
| 1004 | 我在苹果商店维修屏幕 |
| 1005 | 我刚刚吃了苹果 |
但是我们如果通过具体数据内容苹果去搜索，就要去表中每一行的数据去匹配，如果数据量很大，很影响性能。
其次，这个时候我想搜索苹果iPhone，那么我们无法把这词汇拆开再到数据库去搜索。
优点：使用起来方便，原理也简单，比较入门
缺点：检索效率低下，适合简单场景使用，比如传统项目，数据量较小的项目。不支持分词搜索。
倒排索引与正排索引正好相反，他会把文档内容进行分词，比如苹果公司发布iPhone是一个文档数据，当我们把他存入到搜索引擎中去的时候，会有一个文档id，这个文档id就类似于数据库主键。但是这文档存储的时候和数据库不一样，他会进行一个分词，参照上面的表格，分词后的结果如下：
| 文档数据 | 分词结果 |
|---|---|
| 苹果公司发布iPhone | 苹果，公司，发布，iPhone |
| 地球引力起源于苹果 | 地球，引力，起源，于，苹果 |
| iPhone屏幕碎了 | iPhone，屏幕，碎了 |
| 我在苹果商店维修屏幕 | 我，在，苹果，商店，维修，屏幕 |
| 我刚刚吃了苹果 | 我，刚刚，吃了，苹果 |
每一个词汇都会和文档id关联起来，可以根据词汇来找到所有出现的id列表，如下：
| 词汇 | 文档ids |
|---|---|
| 苹果 | 1001，1002，1004，1005 |
| iPhone | 1001，1003 |
| 屏幕 | 1003，1004 |
| 碎了 | 1003 |
| 我 | 1004，1005 |
| 在 | 1004 |
| 商店 | 1004 |
| 维修 | 1004 |
| 刚刚 | 1005 |
| 吃了 | 1005 |
| ···· |
假设现在我要搜索iPhone，如果是数据库搜索，假设有1亿条数据，那么会匹配1亿次，全表扫描。最后再把数据返回出来。
如果是搜索引擎，那么有可能第一次就把所有文档数据给查出来，当然也有可能是第N次，当然他肯定要比数据库的搜索效率更高。如图中位置，他会直接把1001，1003两个文档返回。
而且搜索引擎是直接把关键字做匹配，相同当量的数据，效率肯定也是后者更快。
优点：搜索更快，耗时短，用户体验高，精装度也高
缺点：维护成本高，索引新建后要修改，必须先删除，前期需要很好地规划
分词
分词可以说是搜索引擎的基石，如果一个搜索引擎没有好的分词器那么这个搜索引擎必然是失败的。
搜索是以词作为最小单元，依靠分词器进行构建，最后会生成一个倒排索引。
分词器就负责拆分我们的语句。比如“my name is nijunyang”。分词的时候会处理掉一些区分度不高的词，英文中“is，are”，中文“的，是”这些之类。
通过分词之后结果再次指向原来的文档，通过value反向生成key（多个），这就是倒排索引。而我们以前的那些正向索引是先key-value，一般来说是一一对应，而且key也不是通过value去生成。
爬取内容
搜索引擎蜘蛛通过跟踪链接访问网页，获得页面HTML代码存入数据库。