我們昨天講了人和計算機在查找一個目標時的一些共同之間，既會使用順序查找，也會使用類似字典查找那樣的二分查找。當然，使用後者需要對所有的數據先排序。無論是哪一種方法，在處理非常大量的數據時，都會顯得力不從心。

 

比如，我們要把北京市所有叫〝李強〞的人找出來，這件事就有點難辦。為什麼呢？因為叫李強的人太多了。研究發現全中國有兩百多萬個叫李強的人，超過人口的千分之一。按照這個比例，在北京市會有 3000 ~ 4000 個李強，把這麼多李強都找到，上面兩種方法就不大靈光了。

 

順序查找顯然不可取，畢竟北京市有 2,000 多萬具有當地戶籍的人。如果我們將所有的人按照姓名排一個序，進行二分查找，是否可行暱。我們假定一個理想狀況，北京市的人口沒有變動，是靜態的， 所有的人也都排好了序。這樣通過二分查找，找到某一個李強只需要25次查找。這看上去不算太多，至少和 2,000 萬人口對比是如此。

 

但是，這只是找到一個，未必是護照上的那一個。由於北京市的人口都排好了次序，因此我們知道其他的李強要嘛排在他前面，要嘛排在他後面，接下來我們只能用順序查找的方法，往前找一遍， 直到把前面的李強都找到，然後再往後找一遍，這樣大約要查看 3,000  ~ 4,000 個戶籍記錄，才可以把所有李強都找全了。講到這裡你可能會覺得這種辦法太機械了，不夠靈巧，做了很多無用功。

 

上述方法還有一個問題，因為數據庫是按照姓名排序的，如果要找到北京市裡面所有從清華大學畢業的人，按照姓名排的序就沒有任何幫助。當然，你可以再把2000萬人的數據庫複製一份，再按照畢業的學校排一次序，然後進行二分查找。不過，如果又有人提出，需要找到北京市所有在騰訊公司工作的人，難不成還需要再有第三個數據庫是按照就職單位排序的？如果Google的搜索引擎是這麼做的，不要說一毫秒內找到上百萬個相關文檔，一個恐怕也找不到，這還不算複製數據庫所浪費的空間。

 

 

然而，上述的需求是信息管理中經常遇到的， 那麼計算機對這個問題會怎麼處理呢？最簡單的辦法就是建立索引。

 

什麼是索引呢，其實計算機裡的索引和很多圖書最後附帶的關鍵詞索引非常類似。在圖書的關鍵詞索引中，會列舉出主要關鍵詞在書中的位置，比如索引寫清楚了計算機”這個詞出現在書中第 2 ~ 5頁， 8 ~ 10 頁和 33 頁。計算機裡面的索引也是類似的。

 

比如我們先把北京市戶籍數據庫中每一個人名的記錄編好號，相當於書的頁碼。它的人名索引是這樣的，索引的每一行是一個名字，後面是叫這個名字的所有人的信息記錄編號。比如，在索引中，叫李強這個名字的人，是數據庫中編號第 2,013,210 到第 2,016,902 的人。這樣，要找出北京市所有的李強，只要先在索引中找到李強這一行，然後根據索引的指示， 到數據庫中，直接調出第2,013,210 到第 2,016,902 個記錄即可。

 

建索引比直接進到數據庫中查找的好處非常多，我們至少可以列舉出下面這些好處：

 

1. 如果一個數據庫有了索引後，其實不需要進行排序，也可以快速查找到所需要的信息。我們還用找李強這個例子，並不需要所有的李強在數據庫中都放在一起，只要在索引中一一列舉出李強在檔案庫中的記錄號就可以了。比如，李強的記錄號是35, 783, 3499，等等。

 

2. 由於不需要對數據庫進行排序，當數據庫不斷變動時，維護數據庫的成本就非常低。我們昨天講，要維持一個數據庫有序，成本是很高的，因為每一次增加一些數據，或者刪除了一些數據，都要重新對它進行排序，而排序是件花時間的事清。不需要排序，就省了很多事情。

 

3. 有了索引，前面提到的要找到在某個單位工作的人，從某個大學畢業， 都很容易解決，因為再按照工作單位建一個索引，按照畢業的學校建一個索引就可以了。每當遇到新的需求，就建立新的索引就好了。

 

4. 如果做一些複雜的操作，阰如要找到清華大學畢業的李強，只要在人名索引中把李強的記錄編號找到，再從畢業學校索引中，把清華大學對應人員的記錄號找到，重合的號碼，就是那些從清華畢業的李強。

 

介紹完索引，就可以解釋 Google 的搜索為什麼那麼快了。首先，Google把在網絡上所有能找到的文檔（以及圖片、視頻等等內容）下載以後，會對每一個詞建立索引，記錄下來每一個詞都出現在哪一篇文檔（網頁）中的哪一些具體的位置。比如〝得到〞即這個詞出現在第 105 個網頁的第 4, 9, 37個位置，第 403 個網頁的第 9, 40, 77個位置，第 588 個網頁的第 73, 203 個位置， 等等。這樣，當一個互聯網的用戶搜索〝得到〞這個詞的時候，只要在索引中找到這個詞，就能通過一個操作，把互聯網上所有的包含〝得到〞的文本找出來了。

 

網頁搜索的這種做法和你在 Word 中打字時，用 CtrI+F 查找是不一樣的。在 Word 中是不會對每一個詞建索引的，因此查找時是順序查找，一個個來，查找完一遍，計算機實際上是把你輸入的文章也瀏覽了一遍。在網頁搜索中，因為這個數據量實在太大，全世界大約有 1000 億個有意義的網頁，即使每個網頁平均只有 500 個詞，也是 50 萬億個詞，是不可能用順序搜索的。在使用Word寫作時，一篇文章最多不過幾萬字，順序瀏覽一遍還是可以忍受的。

 

其次，當你要搜索一組關鍵詞時，比如搜索同時包合，〝得到〞、〝方法論〞這兩個詞，如果沒有索引，可就麻煩了，即使找到了包含〝得到”這個詞的網頁，還要想辦法看看裡面是否有〝方法論〞這個詞，這非常花時間。如果有了索引，我們知道〝得到〞這個詞出現在第 105, 403, 588 等網頁中，類似地，我們還知道〝方法論〞這個詞出現在403, 545, 1032等網頁中，那麼只要找到這兩個索引的交集，也就是403等等，就可以了，這個操作就簡單很多。

 

如果你要搜索一個長句子，搜索引擎會先把它分割成一個個獨立的詞，然後根據每一個詞的索引找到這個句子。

 

最後，需要說的是，Google在建索引時，是對所有的詞建索引的，而不僅僅是對於一些重要的詞建立索引。因此，Google搜索出來的結果非常全，不會漏掉很多。而大部分其他的搜索引擎，為了節省成本，常常把一些他們認為不重要的詞忽略掉，因此用戶會發現找到的網頁沒有Google找到的多。

 

此外，Google 是對所有語言，所有文字建一個統一的索引，而國內的搜索引擎，會把文本分為中文的，英文的，或者其他什麼文字的，單獨建立索引。這在僅僅做一個市場生意時，起步可能會工作量小一點，運營成本會高點，但是，要想做全球化的生意，就幾乎不可能了。不僅如此，你如果在國內用這些搜索引擎查找外文的東西幾乎找不到

 

了解了索引，你就清楚為什麼搜索引擎非常快。事實上，今天你在網絡上找一篇文章，甚至比你在自己的計算機內部找一篇文章更決。這個現像不僅大家都發現了，而且十多年前比爾蓋茨也因此批評微軟的操作系統做得不好。你可以想像，一個公司裡老大發了狠，下面自然會有人響應，這就導致了微軟第一款強調個人電腦本機搜索的操作系統 Windows Vista 的誕生。不過遺撼的是，Vista是一款非常失敗的產品，其中的原因我們明天會分析。

 

下面，我們總結一下今天的內容要點：

 

1. 為了方便地查找信息，一個簡單有效的方法就是根據信息的內容，建立索引。從原理上講，計算機的索引和圖書後面的關鍵詞索引很相似，它們都保存著所要找的信息的位置。如果所要找的信息不止一條，它會保留所有的位置。但是所不同的是，書後面關鍵詞的索引只有一種， 而計算機裡的索引常常需要根據應用場景建立很多種。

 

2. 索引有很多的好處，不僅帶來搜索的效率，而且帶來靈活性，對於同一個數據庫，可以建立各種索引，預按照不同門類的訊息進行查找。一般索引只會根據一個維度的訊息建立，而不會用幾個維度的組合訊息建立，比如，不會建立〝人名 + 畢業學校〞這樣的索引。

 

3. 善於建索引，不僅是 Google 搜索引擎查找訊息非常快的根本原因，也是保證 Google 的產品在訊息爆炸時代能體現出高質量的原因。事實上在 Google 內，使用索引幾乎成了所有軟體開發的標準。今天一些公司做出來的軟體產品質量不高，一個很重要的原因是開發者對索引的重要性缺乏認識，思路還停留在小數據時代，以至於很多功能的速度奇漫無比。

 

4. 從索引你可以看出，為什麼計算機需要對裡面的一切東西進行編號，因為沒有編號，就無從建立索引。

 

5. 索引這件事，不是我們人平時工作會用到的，因為我們人接觸的信息不多。但是，在工作中，把東西整理好，有條不紊，一定是提高效率的好方法。我經常講爛筆頭永遠比最好的頭腦可靠，其實也是這個道理。我們的頭腦就相當於是一個大數據庫，裡面什麼東西都有，你真要找一個東西，其實很困難。在紙上或者筆記本上寫下今天要做的事情，做完一項劃掉一項，是最高效率很好的辦法。

 

 

來源：《吳軍-Google如何在一毫秒內找到你想要的上百萬份文檔？ 》