简介这份资源围绕C实现倒排索引与搜索功能展开面向正在学习数据结构、搜索引擎原理或准备相关课程设计的学习者。包内共13个文件以10个txt文档作为待索引语料配合2个cpp源文件与1个头文件构成完整工程压缩包约4KB体量轻巧便于快速上手。项目完整覆盖从文件读取、分词解析到索引构建与查询的流程使用fstream读取文本借助unordered_map建立单词到文档编号列表的映射并通过排序与双指针求交集实现输入两个词后返回共同出现的文档。代码中涉及字符串处理、哈希表、向量容器与异常处理等知识点适合作为理解倒排索引原理的实践范例。目前已有998人学习下载读者可借此掌握索引构建思路、搜索算法实现及内存与效率优化的基本方法。1. 倒排索引到底解决什么问题为什么值得用 C 手写一遍如果你手上有几十万篇文档想做一个「输入关键词毫秒级返回相关文档」的搜索功能第一反应可能是上 Elasticsearch。但真到了嵌入式设备、离线工具、或者对延迟和内存有硬要求的场景外部服务往往塞不进去。这时候用 C 从零构建一个倒排索引反而是最直接的路子。倒排索引的核心思路很朴素正排是「文档 → 包含哪些词」倒排把它翻过来变成「词 → 出现在哪些文档里」。查询时不再逐篇扫描而是直接查词典拿到文档列表再做交集合并。这个结构决定了它的查询复杂度跟文档总量关系不大主要取决于命中词对应的文档数量。这篇文章面向两类人一是想理解搜索引擎底层结构、准备自己动手写一个的开发者二是已经会用现成库但遇到性能瓶颈想搞清楚内部机制的工程师。我会从数据结构选型讲到可编译运行的完整代码再到参数调优和踩坑记录每一步都给出能直接抄的代码块。2. 倒排索引的数据结构选型词典、倒排表和文档属性怎么定2.1 词典用什么容器哈希表还是有序数组词典term dictionary负责把词映射到倒排表。最常见的两种选择是std::unordered_map和std::map。前者查询平均 O(1)后者 O(log n) 但天然有序。如果你的查询只需要精确匹配单个词unordered_map是首选。但如果要支持前缀查询比如输入「数据」能匹配「数据库」「数据结构」有序结构配合二分查找会更方便。我一般会先用unordered_map把功能跑通确认没有前缀需求后再定下来。#include unordered_map #include string #include vector // 倒排表每个词对应一组文档ID using PostingList std::vectorint; // 词典词 - 倒排表 std::unordered_mapstd::string, PostingList invertedIndex;这里PostingList用std::vectorint存文档 ID。选vector而不是list的原因是查询时要做交集合并vector内存连续、缓存友好而且可以排序后归并。文档 ID 用int而非size_t是因为实际文档量很少超过 21 亿用int能省一半内存。2.2 倒排表里存什么只存文档 ID 够不够只存文档 ID 能完成基本检索但要做相关性排序就不够了。实际工程里通常还会存词频term frequency和位置信息position。词频用于 TF-IDF 或 BM25 打分位置信息用于短语查询。存储方式有两种并行数组文档 ID 一个数组词频一个数组和结构体数组。并行数组对缓存更友好结构体可读性更好。struct Posting { int docId; // 文档编号 int termFreq; // 该词在文档中出现次数 }; // 带词频的倒排表 std::unordered_mapstd::string, std::vectorPosting indexWithFreq;如果暂时不需要排序先用纯vectorint把检索跑通等确实需要打分时再升级结构。过早引入词频和位置会让内存翻好几倍调试也麻烦。2.3 文档属性单独存正排记录的必要性倒排索引只告诉你「哪些文档命中了」但用户要看的是文档标题、摘要、URL。这些属性必须单独用一张正排表存键是文档 ID。struct DocumentMeta { std::string title; std::string url; int length; // 文档总词数用于归一化打分 }; std::vectorDocumentMeta docStore; // 下标即文档ID用vector而不是map因为文档 ID 是连续分配的整数直接下标访问最快。每加入一篇新文档就往docStore尾部 push 一条记录同时把返回的索引作为该文档的 ID。3. 从零构建索引分词、建表、持久化的完整代码路径3.1 分词器的最小实现按非字母数字切分英文场景下最简单的分词就是按空格和标点切分再统一转小写。中文需要额外接入分词库这里先用英文规则把流程跑通。#include cctype #include sstream // 将输入文本切分为小写词项 std::vectorstd::string tokenize(const std::string text) { std::vectorstd::string tokens; std::string current; for (char ch : text) { if (std::isalnum(static_castunsigned char(ch))) { current std::tolower(static_castunsigned char(ch)); } else { if (!current.empty()) { tokens.push_back(current); current.clear(); } } } if (!current.empty()) tokens.push_back(current); return tokens; }std::isalnum的参数必须先转unsigned char否则遇到负值字符是未定义行为这是很多人翻车的地方。分词结果统一转小写保证「Data」和「data」能命中同一个倒排表。3.2 建索引主流程遍历文档、更新倒排表建索引的过程就是对每篇文档分词统计每个词的出现次数然后把文档 ID 追加到对应词的倒排表里。// 向索引中添加一篇文档返回分配的文档ID int addDocument(const std::string title, const std::string body) { int docId static_castint(docStore.size()); docStore.push_back({title, , static_castint(tokenize(body).size())}); auto tokens tokenize(body); std::unordered_mapstd::string, int freq; for (auto t : tokens) freq[t]; for (auto [term, count] : freq) { indexWithFreq[term].push_back({docId, count}); } return docId; }先用局部freq统计词频再一次性写入倒排表避免同一个词在同一篇文档里被重复追加。docStore的size()在建表前取保证文档 ID 从 0 开始连续分配。3.3 索引落盘与加载二进制格式最省事内存索引重启就没了必须持久化。文本格式可读但体积大、解析慢二进制格式是更实际的选择。写入时先写词项数量再逐个写词项长度、词项内容、倒排表大小和每条记录。#include fstream void saveIndex(const std::string path) { std::ofstream out(path, std::ios::binary); size_t termCount indexWithFreq.size(); out.write(reinterpret_castconst char*(termCount), sizeof(termCount)); for (auto [term, postings] : indexWithFreq) { size_t len term.size(); out.write(reinterpret_castconst char*(len), sizeof(len)); out.write(term.data(), len); size_t psize postings.size(); out.write(reinterpret_castconst char*(psize), sizeof(psize)); out.write(reinterpret_castconst char*(postings.data()), psize * sizeof(Posting)); } }写入顺序必须和读取顺序严格一致否则解析全乱。Posting是 POD 类型可以直接按字节块写入。如果结构体里有std::string成员就不能这么干必须逐字段序列化。4. 查询与排序多词交集、TF-IDF 打分和 Top-K 截断4.1 单词查询与多词交集归并两个有序数组单词查询直接查词典返回倒排表。多词查询AND 语义需要对多个倒排表求交集。因为倒排表里的文档 ID 是递增的可以用双指针归并。// 求两个有序倒排表的交集 PostingList intersect(const PostingList a, const PostingList b) { PostingList result; size_t i 0, j 0; while (i a.size() j b.size()) { if (a[i].docId b[j].docId) { result.push_back(a[i]); i; j; } else if (a[i].docId b[j].docId) { i; } else { j; } } return result; }双指针归并的复杂度是 O(mn)比用哈希集合求交集快得多因为不需要额外内存分配。多个词时从倒排表最短的那个词开始依次求交能最快缩小候选集。4.2 TF-IDF 打分让相关文档排前面交集只给出「命中了哪些文档」顺序还是文档 ID 顺序。要按相关性排序需要打分。TF-IDF 是最经典的方案词频越高、该词越罕见得分越高。#include cmath // 计算某文档对某词的TF-IDF得分 double tfIdf(int termFreq, int docLength, int totalDocs, int docFreq) { double tf static_castdouble(termFreq) / docLength; double idf std::log(static_castdouble(totalDocs) / (docFreq 1)); return tf * idf; }docFreq是该词出现在多少篇文档里也就是倒排表的长度。1是平滑项防止某个词在所有文档都出现时 IDF 变成 0。docLength做归一化避免长文档因为词多而占便宜。4.3 Top-K 截断别把命中文档全返回查询「data」可能命中几万篇文档全排序再返回前 10 条是浪费。用一个大小为 K 的最小堆遍历过程中只保留得分最高的 K 条。#include queue // 返回得分最高的K篇文档 std::vectorstd::pairint, double topK( const std::vectorstd::pairint, double scored, int k) { // 小顶堆堆顶是当前K个里得分最低的 auto cmp [](auto a, auto b) { return a.second b.second; }; std::priority_queuestd::pairint, double, std::vectorstd::pairint, double, decltype(cmp) heap(cmp); for (auto item : scored) { if (heap.size() static_castsize_t(k)) { heap.push(item); } else if (item.second heap.top().second) { heap.pop(); heap.push(item); } } std::vectorstd::pairint, double result; while (!heap.empty()) { result.push_back(heap.top()); heap.pop(); } return result; }堆的比较器用构造小顶堆堆顶始终是当前保留的 K 条里最差的。新元素比堆顶好就替换。最终结果是从小到大返回前反转一下即可。K 一般取 10 到 100取决于前端一页展示多少条。5. 避坑与排查倒排索引实现里最容易翻车的五个地方5.1 分词后没去重倒排表里同一文档出现多次现象查询结果里同一篇文档出现好几遍或者打分异常偏高。原因建索引时对每个 token 直接 push 文档 ID没有先按文档聚合词频。同一篇文档里「data」出现 5 次倒排表里就有 5 条相同 docId 的记录。解决先用局部哈希表统计词频再一次性写入。如果已经写坏了查询时对倒排表按 docId 去重但更彻底的做法是重建索引。5.2 文档 ID 用 size_t 导致二进制文件跨平台不兼容现象在 64 位机器上存的索引拿到 32 位环境加载后数据错乱。原因size_t的宽度随平台变化直接按字节块读写会导致字段宽度不一致。解决持久化时统一用固定宽度类型比如uint32_t存文档 ID 和词频uint64_t存数量字段。跨平台场景下不要用size_t做序列化。5.3 倒排表未排序就做交集结果漏文档现象多词查询返回的结果比预期少但单词查询正常。原因文档不是按 ID 递增顺序加入的或者中途删过文档导致倒排表里 docId 乱序。双指针归并要求两边都有序乱序时比较逻辑失效。解决建索引时保证 docId 单调递增如果有删除操作用标记删除而不是物理删除查询时跳过标记位。或者在求交集前对每个倒排表做一次排序。5.4 IDF 计算用了实时文档总数导致打分不稳定现象同样的查询加了几篇文档后排序结果大变。原因totalDocs每次查询都取当前文档总数索引一变 IDF 就变。如果docFreq没同步更新打分就失真。解决把totalDocs和每个词的docFreq在索引构建完成后固化下来查询时直接读快照。增量更新时同步维护这两个值。5.5 内存索引全量加载导致启动慢现象索引文件几百 MB程序启动要等十几秒。原因加载时逐个词项解析并插入unordered_map每个词项都触发一次内存分配。解决加载前用reserve预留哈希桶数量减少 rehash。更大的索引可以改造成内存映射文件查询时按需读取但实现复杂度会上升一个量级。6. 进阶技巧用内存映射和跳表把查询再压一档索引大到几百 MB 后全量加载进内存越来越不划算。一个实用的进阶做法是把倒排表按词项分块存盘查询时用内存映射按需读取。下面是一个最小示例展示如何用mmap把索引文件映射进地址空间。#include sys/mman.h #include fcntl.h #include unistd.h // 将索引文件映射到内存返回起始指针 const char* mapIndex(const std::string path, size_t fileSize) { int fd open(path.c_str(), O_RDONLY); if (fd 0) return nullptr; fileSize lseek(fd, 0, SEEK_END); const char* data static_castconst char*( mmap(nullptr, fileSize, PROT_READ, MAP_PRIVATE, fd, 0)); close(fd); return data; }映射后不需要把整个文件读进堆内存操作系统按页调度。查询某个词时先读词典区拿到偏移量再跳到对应位置解析倒排表。词典区可以常驻内存倒排区按需换入。另一个值得做的优化是给倒排表加跳表指针。在倒排表里每隔 128 个文档插一个跳转点求交集时先按跳转点跳跃再在小区间内线性比较。文档量上万后这个优化能把交集耗时降一半左右。参数上跳表间隔取 64 到 256 之间比较合适。太小则跳转点本身占内存太大则跳跃收益不明显。我一般先用 128 跑基准测试再根据实际倒排表长度微调。验证优化效果的方法很直接构造 10 万篇模拟文档分别测优化前后的查询 P99 延迟和常驻内存。如果延迟降了但内存涨了 30% 以上就要重新权衡。我自己的习惯是每次只改一个变量测完记录数据再动下一个不然出了问题根本不知道是哪个改动引起的。希望帮到你。本文还有配套的精品资源点击获取 C++手写倒排索引：从数据结构到查询优化的完整指南
简介这份资源围绕C实现倒排索引与搜索功能展开面向正在学习数据结构、搜索引擎原理或准备相关课程设计的学习者。包内共13个文件以10个txt文档作为待索引语料配合2个cpp源文件与1个头文件构成完整工程压缩包约4KB体量轻巧便于快速上手。项目完整覆盖从文件读取、分词解析到索引构建与查询的流程使用fstream读取文本借助unordered_map建立单词到文档编号列表的映射并通过排序与双指针求交集实现输入两个词后返回共同出现的文档。代码中涉及字符串处理、哈希表、向量容器与异常处理等知识点适合作为理解倒排索引原理的实践范例。目前已有998人学习下载读者可借此掌握索引构建思路、搜索算法实现及内存与效率优化的基本方法。1. 倒排索引到底解决什么问题为什么值得用 C 手写一遍如果你手上有几十万篇文档想做一个「输入关键词毫秒级返回相关文档」的搜索功能第一反应可能是上 Elasticsearch。但真到了嵌入式设备、离线工具、或者对延迟和内存有硬要求的场景外部服务往往塞不进去。这时候用 C 从零构建一个倒排索引反而是最直接的路子。倒排索引的核心思路很朴素正排是「文档 → 包含哪些词」倒排把它翻过来变成「词 → 出现在哪些文档里」。查询时不再逐篇扫描而是直接查词典拿到文档列表再做交集合并。这个结构决定了它的查询复杂度跟文档总量关系不大主要取决于命中词对应的文档数量。这篇文章面向两类人一是想理解搜索引擎底层结构、准备自己动手写一个的开发者二是已经会用现成库但遇到性能瓶颈想搞清楚内部机制的工程师。我会从数据结构选型讲到可编译运行的完整代码再到参数调优和踩坑记录每一步都给出能直接抄的代码块。2. 倒排索引的数据结构选型词典、倒排表和文档属性怎么定2.1 词典用什么容器哈希表还是有序数组词典term dictionary负责把词映射到倒排表。最常见的两种选择是std::unordered_map和std::map。前者查询平均 O(1)后者 O(log n) 但天然有序。如果你的查询只需要精确匹配单个词unordered_map是首选。但如果要支持前缀查询比如输入「数据」能匹配「数据库」「数据结构」有序结构配合二分查找会更方便。我一般会先用unordered_map把功能跑通确认没有前缀需求后再定下来。#include unordered_map #include string #include vector // 倒排表每个词对应一组文档ID using PostingList std::vectorint; // 词典词 - 倒排表 std::unordered_mapstd::string, PostingList invertedIndex;这里PostingList用std::vectorint存文档 ID。选vector而不是list的原因是查询时要做交集合并vector内存连续、缓存友好而且可以排序后归并。文档 ID 用int而非size_t是因为实际文档量很少超过 21 亿用int能省一半内存。2.2 倒排表里存什么只存文档 ID 够不够只存文档 ID 能完成基本检索但要做相关性排序就不够了。实际工程里通常还会存词频term frequency和位置信息position。词频用于 TF-IDF 或 BM25 打分位置信息用于短语查询。存储方式有两种并行数组文档 ID 一个数组词频一个数组和结构体数组。并行数组对缓存更友好结构体可读性更好。struct Posting { int docId; // 文档编号 int termFreq; // 该词在文档中出现次数 }; // 带词频的倒排表 std::unordered_mapstd::string, std::vectorPosting indexWithFreq;如果暂时不需要排序先用纯vectorint把检索跑通等确实需要打分时再升级结构。过早引入词频和位置会让内存翻好几倍调试也麻烦。2.3 文档属性单独存正排记录的必要性倒排索引只告诉你「哪些文档命中了」但用户要看的是文档标题、摘要、URL。这些属性必须单独用一张正排表存键是文档 ID。struct DocumentMeta { std::string title; std::string url; int length; // 文档总词数用于归一化打分 }; std::vectorDocumentMeta docStore; // 下标即文档ID用vector而不是map因为文档 ID 是连续分配的整数直接下标访问最快。每加入一篇新文档就往docStore尾部 push 一条记录同时把返回的索引作为该文档的 ID。3. 从零构建索引分词、建表、持久化的完整代码路径3.1 分词器的最小实现按非字母数字切分英文场景下最简单的分词就是按空格和标点切分再统一转小写。中文需要额外接入分词库这里先用英文规则把流程跑通。#include cctype #include sstream // 将输入文本切分为小写词项 std::vectorstd::string tokenize(const std::string text) { std::vectorstd::string tokens; std::string current; for (char ch : text) { if (std::isalnum(static_castunsigned char(ch))) { current std::tolower(static_castunsigned char(ch)); } else { if (!current.empty()) { tokens.push_back(current); current.clear(); } } } if (!current.empty()) tokens.push_back(current); return tokens; }std::isalnum的参数必须先转unsigned char否则遇到负值字符是未定义行为这是很多人翻车的地方。分词结果统一转小写保证「Data」和「data」能命中同一个倒排表。3.2 建索引主流程遍历文档、更新倒排表建索引的过程就是对每篇文档分词统计每个词的出现次数然后把文档 ID 追加到对应词的倒排表里。// 向索引中添加一篇文档返回分配的文档ID int addDocument(const std::string title, const std::string body) { int docId static_castint(docStore.size()); docStore.push_back({title, , static_castint(tokenize(body).size())}); auto tokens tokenize(body); std::unordered_mapstd::string, int freq; for (auto t : tokens) freq[t]; for (auto [term, count] : freq) { indexWithFreq[term].push_back({docId, count}); } return docId; }先用局部freq统计词频再一次性写入倒排表避免同一个词在同一篇文档里被重复追加。docStore的size()在建表前取保证文档 ID 从 0 开始连续分配。3.3 索引落盘与加载二进制格式最省事内存索引重启就没了必须持久化。文本格式可读但体积大、解析慢二进制格式是更实际的选择。写入时先写词项数量再逐个写词项长度、词项内容、倒排表大小和每条记录。#include fstream void saveIndex(const std::string path) { std::ofstream out(path, std::ios::binary); size_t termCount indexWithFreq.size(); out.write(reinterpret_castconst char*(termCount), sizeof(termCount)); for (auto [term, postings] : indexWithFreq) { size_t len term.size(); out.write(reinterpret_castconst char*(len), sizeof(len)); out.write(term.data(), len); size_t psize postings.size(); out.write(reinterpret_castconst char*(psize), sizeof(psize)); out.write(reinterpret_castconst char*(postings.data()), psize * sizeof(Posting)); } }写入顺序必须和读取顺序严格一致否则解析全乱。Posting是 POD 类型可以直接按字节块写入。如果结构体里有std::string成员就不能这么干必须逐字段序列化。4. 查询与排序多词交集、TF-IDF 打分和 Top-K 截断4.1 单词查询与多词交集归并两个有序数组单词查询直接查词典返回倒排表。多词查询AND 语义需要对多个倒排表求交集。因为倒排表里的文档 ID 是递增的可以用双指针归并。// 求两个有序倒排表的交集 PostingList intersect(const PostingList a, const PostingList b) { PostingList result; size_t i 0, j 0; while (i a.size() j b.size()) { if (a[i].docId b[j].docId) { result.push_back(a[i]); i; j; } else if (a[i].docId b[j].docId) { i; } else { j; } } return result; }双指针归并的复杂度是 O(mn)比用哈希集合求交集快得多因为不需要额外内存分配。多个词时从倒排表最短的那个词开始依次求交能最快缩小候选集。4.2 TF-IDF 打分让相关文档排前面交集只给出「命中了哪些文档」顺序还是文档 ID 顺序。要按相关性排序需要打分。TF-IDF 是最经典的方案词频越高、该词越罕见得分越高。#include cmath // 计算某文档对某词的TF-IDF得分 double tfIdf(int termFreq, int docLength, int totalDocs, int docFreq) { double tf static_castdouble(termFreq) / docLength; double idf std::log(static_castdouble(totalDocs) / (docFreq 1)); return tf * idf; }docFreq是该词出现在多少篇文档里也就是倒排表的长度。1是平滑项防止某个词在所有文档都出现时 IDF 变成 0。docLength做归一化避免长文档因为词多而占便宜。4.3 Top-K 截断别把命中文档全返回查询「data」可能命中几万篇文档全排序再返回前 10 条是浪费。用一个大小为 K 的最小堆遍历过程中只保留得分最高的 K 条。#include queue // 返回得分最高的K篇文档 std::vectorstd::pairint, double topK( const std::vectorstd::pairint, double scored, int k) { // 小顶堆堆顶是当前K个里得分最低的 auto cmp [](auto a, auto b) { return a.second b.second; }; std::priority_queuestd::pairint, double, std::vectorstd::pairint, double, decltype(cmp) heap(cmp); for (auto item : scored) { if (heap.size() static_castsize_t(k)) { heap.push(item); } else if (item.second heap.top().second) { heap.pop(); heap.push(item); } } std::vectorstd::pairint, double result; while (!heap.empty()) { result.push_back(heap.top()); heap.pop(); } return result; }堆的比较器用构造小顶堆堆顶始终是当前保留的 K 条里最差的。新元素比堆顶好就替换。最终结果是从小到大返回前反转一下即可。K 一般取 10 到 100取决于前端一页展示多少条。5. 避坑与排查倒排索引实现里最容易翻车的五个地方5.1 分词后没去重倒排表里同一文档出现多次现象查询结果里同一篇文档出现好几遍或者打分异常偏高。原因建索引时对每个 token 直接 push 文档 ID没有先按文档聚合词频。同一篇文档里「data」出现 5 次倒排表里就有 5 条相同 docId 的记录。解决先用局部哈希表统计词频再一次性写入。如果已经写坏了查询时对倒排表按 docId 去重但更彻底的做法是重建索引。5.2 文档 ID 用 size_t 导致二进制文件跨平台不兼容现象在 64 位机器上存的索引拿到 32 位环境加载后数据错乱。原因size_t的宽度随平台变化直接按字节块读写会导致字段宽度不一致。解决持久化时统一用固定宽度类型比如uint32_t存文档 ID 和词频uint64_t存数量字段。跨平台场景下不要用size_t做序列化。5.3 倒排表未排序就做交集结果漏文档现象多词查询返回的结果比预期少但单词查询正常。原因文档不是按 ID 递增顺序加入的或者中途删过文档导致倒排表里 docId 乱序。双指针归并要求两边都有序乱序时比较逻辑失效。解决建索引时保证 docId 单调递增如果有删除操作用标记删除而不是物理删除查询时跳过标记位。或者在求交集前对每个倒排表做一次排序。5.4 IDF 计算用了实时文档总数导致打分不稳定现象同样的查询加了几篇文档后排序结果大变。原因totalDocs每次查询都取当前文档总数索引一变 IDF 就变。如果docFreq没同步更新打分就失真。解决把totalDocs和每个词的docFreq在索引构建完成后固化下来查询时直接读快照。增量更新时同步维护这两个值。5.5 内存索引全量加载导致启动慢现象索引文件几百 MB程序启动要等十几秒。原因加载时逐个词项解析并插入unordered_map每个词项都触发一次内存分配。解决加载前用reserve预留哈希桶数量减少 rehash。更大的索引可以改造成内存映射文件查询时按需读取但实现复杂度会上升一个量级。6. 进阶技巧用内存映射和跳表把查询再压一档索引大到几百 MB 后全量加载进内存越来越不划算。一个实用的进阶做法是把倒排表按词项分块存盘查询时用内存映射按需读取。下面是一个最小示例展示如何用mmap把索引文件映射进地址空间。#include sys/mman.h #include fcntl.h #include unistd.h // 将索引文件映射到内存返回起始指针 const char* mapIndex(const std::string path, size_t fileSize) { int fd open(path.c_str(), O_RDONLY); if (fd 0) return nullptr; fileSize lseek(fd, 0, SEEK_END); const char* data static_castconst char*( mmap(nullptr, fileSize, PROT_READ, MAP_PRIVATE, fd, 0)); close(fd); return data; }映射后不需要把整个文件读进堆内存操作系统按页调度。查询某个词时先读词典区拿到偏移量再跳到对应位置解析倒排表。词典区可以常驻内存倒排区按需换入。另一个值得做的优化是给倒排表加跳表指针。在倒排表里每隔 128 个文档插一个跳转点求交集时先按跳转点跳跃再在小区间内线性比较。文档量上万后这个优化能把交集耗时降一半左右。参数上跳表间隔取 64 到 256 之间比较合适。太小则跳转点本身占内存太大则跳跃收益不明显。我一般先用 128 跑基准测试再根据实际倒排表长度微调。验证优化效果的方法很直接构造 10 万篇模拟文档分别测优化前后的查询 P99 延迟和常驻内存。如果延迟降了但内存涨了 30% 以上就要重新权衡。我自己的习惯是每次只改一个变量测完记录数据再动下一个不然出了问题根本不知道是哪个改动引起的。希望帮到你。本文还有配套的精品资源点击获取