在上表所示的“文檔-關鍵詞”矩陣索引中，如果用戶使用搜索引擎搜索壹個目標關鍵詞(如Mars)，搜索引擎會從索引庫中的所有關鍵詞即web_x_1和web_x_2中收錄Mars的文檔，並根據網頁文件本身的值分值(如關鍵詞出現的次數)按順序顯示給用戶，用戶得到的按順序顯示。這是正向索引的壹般過程。
在這個矩陣中，預先找到了所有與Mars關鍵詞對應的網頁，甚至預先計算了網頁文檔的權重並進行排序。當用戶輸入Mars關鍵詞，會立刻得到web _ x _ 2和web _ x _ 1的反饋結果。
這裏可能有人會想，是不是關鍵詞太多超過了網頁的數量，效率才不會變低。事實上，人類語言詞匯的數量是相對有限和固定的，但網頁的數量是沒有上限的。比如中文，有3萬個漢字，40萬個左右的詞匯，但中文網站的數量遠不止這些。
需要註意的是，每個詞對應的文檔數是動態變化的，所以倒排表的建立和維護比較復雜。但在查詢時，可以壹次性得到查詢關鍵詞對應的所有文檔，因此倒排表的效率更高。
對於該表，Elasticsearch將創建以下索引:
索引1:名稱
索引2:顏色
指數3:比率
在這個索引中，名稱、顏色、費率的字段稱為歸檔，而iphone 666 plus、藍色、中間的字段稱為$ Term，所有與$ Term對應的產品的id，如【1，3】，就是過賬列表。
當用戶想找壹個Color=blue的產品時，可以通過索引三中的$ Term和Posting List快速找到，目標是壹個id為2的產品，然後可以通過索引壹找到產品名稱華為mate 98k。
上面簡單解釋了$ Term和Posting List，但是在實際制作中，Elasticsearch需要面對數以億計的數據記錄，而數據$ Term的數量是驚人的，所以往往需要花費大量的時間才能命中，而且大部分時候搜索是多條件的，需要多次重復搜索，效率還是不高。
這時候就需要優化$ Term的排序，也就是用二分搜索法查找$ Term，類似於查字典，叫做$ Term字典。
同樣在上面的例子中，在名稱、顏色和比率這三個索引下的所有$ Term按照英文字母表中第壹個字母的位置排序如下:
當用戶想找壹個高費率的商品時，可以通過二分法快速找到，搜索過程的時間復雜度為log N，大大提高了搜索速度。關於二分搜索法，我在這裏就不贅述了。如果妳不知道，朋友們可以自行百度或點擊二分搜索法了解更多信息。
這裏很多人會有疑問，那麽這和傳統的B樹有什麽區別呢？有必要引入另壹個概念，$ Term指數。
事實上，$ Term索引也可以理解為壹個樹形結構。第壹級排序從$ Term的第壹個字母開始。如果有多個首字母相同的$ Term，第二級排序從該字母開始。如果只有壹個以該字母為首的$ Term，則不會進行第二次排序。
同樣是上面的例子，它的$ Term索引如下圖所示:
上圖中有兩個以字母B開頭的$ Term，分別是藍色和黑色，所以我們需要對第二個字母進行排序，也就是對第二個字母進行排序。這時我們發現兩個$ Term的第二個字母是L，於是在第三層排序，第三層排序的結果是bla和blu，分別對應兩個$ Term，黑色和藍色，以及[1，3]和2。對應關系如下圖所示:
需要保存在$ Term索引中的是$ Term字段的第壹部分以及與$ Term字典的映射關系，這減少了存儲的信息量。結合FST (Refine State Translator)壓縮技術，可以將$ Term索引壓縮到足夠小，以便緩存在服務器內存中。這樣，用戶搜索時，先從內存中的$ Term索引中找到$ Term字典中的位置映射關系，然後到磁盤中找到對應的$ Term，再找到對應的Posting List，大大減少了磁盤讀取次數，提高了效率和速度。
FST壓縮技術請參考本文:/blog/2018/12/04/Lucene-FST/。如果妳擅長英語，妳可以閱讀這篇https://cs.nyu.edu/~mohri/pub/fla.pdf,的文章，裏面有關於FST的詳細解釋。
先在這裏埋個坑，以後有空再填。