目录：
- Dictionary Data Structure 词典数据结构
- Wild-Card Query 通配符查询
- Spelling Correction 拼写纠正
- 索引词（term vocabulary）。
- 文档频率（document frequency，即这个词在多少个文档里出现）。
- 指向倒排表的指针（pointers to each postings list ）。
一棵m 阶的B-树满足下列特性的m 叉树：
- 树中每个结点至多有m 棵子树；
- 若根结点不是叶子结点，则至少有两棵子树；
- 除根结点之外的所有非终端结点至少有[m/2] 棵子树；
- 所有的非终端结点中包含以下信息数据：（n，A0，K1，A1，K2，…，Kn，An）。其中：Ki（i=1,2,…,n）为关键码，且Ki<Ki+1，Ai 为指向子树根结点的指针(i=0,1,…,n)，且指针Ai-1 所指子树中所有结点的关键码均小于Ki (i=1,2,…,n)，An 所指子树中所有结点的关键码均大于Kn。n为关键码的个数。
- 所有的叶子结点都出现在同一层次上，并且不带信息（可以看作是外部结点或查找失败的结点，实际上这些结点不存在，指向这些结点的指针为空）。
这样讲起来或许比较枯燥难懂，看这张图就好了：
树的优点就是可以解决前缀查找的问题了。
缺点是速度比哈希慢点，是O（logM）并且要求是平衡的，重新平衡一棵树的代价大。（虽然B-树减轻了这种代价）
Wildcard queries，通配符查询。
比如查询语句 mon*：找出所有以mon开头的单词。如果采用树（或者B-树）结构词典，我们可以很容易的解决，只需要查询范围在mon ≤ w < moo的所有单词就ok了。
但是查询语句 *mon：找出所有以mon结尾的单词就比较困难了。其中一种办法就是我们增加一个额外的B-树来存储所有单词，以从后向前的顺序，然后在这个树上查询范围在nom ≤ w < non的所有单词。
可是如何处理通配符在单词中间的查询呢？
比如query是co*tion的话。我们当然可以分别在B-树查询到co*和*tion的所有单词然后合并这些单词，但是这样开销太大了。
解决办法就是：轮排索引（Permuterm Index），我们把query的通配符转换到结尾处。
设置一个标志$表示单词的结尾。
以hello举例，hello可以被转换成hello$, ello$h, llo$he, lo$hel, o$hell。$代表中hello的结束。现在，查询X等于查询X$，查询X*等于查询X*$，查询*X等于查询X$*，查询X*Y等于查询Y$X*。对于hel*o来说，X等于hel，Y等于o。
既然我们已经把通配符都弄到了单词尾部，现在我们又可以通过B-树像以前那样查询拉。
以上，我们已经完成了对query的转换，那么那些存储的索引的词要怎么处理才能配合这种query查询呢？
我们对索引来建立索引！！
Bigram indexes。就是两两个字母来索引。
举例来说，一个文本是“April is the cruelest month”，分别成Bigram indexes就是“$a,ap,pr,ri,il,l$,$i,is,s$,$t,th,he,e$,$c,cr,ru,ue,el,le,es,st,t$, $m,mo,on,nt,h$”，其中$ 代表着单词边界的符号。
那么如何对索引建立索引？？
维护第二个倒排表，倒排表的索引词是Bigram indexes，posting list的值就是与之匹配的dictionary terms。
像这样：
好了！目前为止，我们既对query进行了处理，也对terms进行了处理。
所以现在如果我们要查询 mon*，query会被分解成 $m AND mo AND on ，然后从上图中的倒排表做两个AND可以得到匹配的terms了！！
但是，我们会发现 $m AND mo AND on 也会匹配到单词moon，而moon不符合mon*的格式，这是他的一个缺点。我们必须要过滤掉这些词。
另外，一条查询语句往往相当多的布尔查询，这个开销也挺大的。
Spelling correction，拼写校正。
我们google一下 Alanis Morisett ，得到结果如图：
对了，就是这个提示，您找的是不是：xxxxxx。
在搜索引擎中，需要有一个可以查询到所有正确单词的词典。
给定一个词典和一个query，返回一个和query最接近的words。
怎么用才算是最接近？？
- 编辑距离算法。
- 带权编辑距离算法。
编辑距离（Edit distance）：
给定两个字符串S1和S2，从S1转换到S2的最小步骤就是他们的编辑距离。这些步骤包括，Insert（1步）, Delete（1步）, Replace（1步），copy（0步）。
比如说：
dof到dog的编辑距离是1，cat到act的编辑距离是2，cat到dog的编辑距离是3.
算法导论里关于编辑距离的伪代码如下：
举例子：算cats到fast的编辑距离~
括号里圈出来的表示实际应该填的值，其他的只是用来进行对比，取其中最小的数。
具体到表中的每一格中四个数字的含义就是：
从左边的格子过来代表增加，上边的格子过来代表删除，斜上角的格子过来代表替换（此时两个字符不相等）或复制（此时两个字符不相等）。
编辑距离就是这样子。那么什么是带权编辑距离呢？
比如说，我们打字的时候，m被错打成n的几率会比m错打成p的几率更大，所以我们应该认为m和n的编辑距离小于m到p的编辑距离。因此将m替换为n时计算编辑距离应该比将m替换为p时的编辑距离小。
实现带权编辑距离，我们需要一个额外的权值矩阵。
那么，给定一个查询词，我们是不是得计算这个查询词和所有的索引词之间编辑距离呢？
答案是否定的，因为这样开销很大而且慢。
怎么用减少计算呢？？
比如说，如果query是lord：
我们只取lo,or,rd中有重叠两次或以上的term，然后合并这些term，以这个为范围进行编辑距离的计算。
如果本文对您有一点点的帮助，请帮忙点个赞，十分感谢！~ =。=
如果您有更好的见解或纠正，欢迎您在下面评论指出。