Elasticsearch通过倒排索引实现毫秒级全文检索：先经Analyzer分词查词典定位倒排列表，再解压获取文档ID及位置信息，接着多词项布尔运算合并结果，然后用BM25公式基于TF/IDF等评分排序，最后通过正排索引加载原文并高亮。

当您向Elasticsearch发起一个全文查询请求时，系统并非逐条扫描所有文档进行匹配，而是直接利用预构建的倒排索引结构快速定位目标文档。这种机制是Elasticsearch实现毫秒级响应的核心所在。以下是倒排索引在查询过程中实际运作的关键环节：

一、词项解析与词典查找

查询字符串首先被送入Analyzer进行标准化处理，包括分词、小写转换、停用词过滤等步骤，生成一组规范化的词项（Term）。随后，Elasticsearch在内存中加载的词项索引（Term Index）中执行前缀查找或二分搜索，快速定位到词项在词项字典（Term Dictionary）中的物理偏移位置。

1、将用户输入的查询语句"elasticsearch inverted index"送入标准分析器standard analyzer。

2、输出三个规范化词项："elasticsearch"、"inverted"、"index"。

3、对每个词项，在Term Index中查找其在Term Dictionary中的起始地址。

4、根据地址跳转至Term Dictionary，读取该词项对应的倒排列表指针。

二、倒排列表获取与解压

词项字典中存储的并非完整倒排列表，而是一个指向磁盘上压缩倒排数据块的指针。Elasticsearch依据该指针读取对应段（Segment）中的倒排文件，并使用如FOR（Frame of Reference）编码或RLE（Run-Length Encoding）等算法实时解压，还原出原始文档ID序列及附加元数据（TF、Position、Offset）。

1、从Segment_001的.fdt文件中定位到"index"词项的倒排数据块。

2、读取压缩后的文档ID差分序列：[1, 3, 2, 5]。

3、执行差分解码，得到绝对文档ID：[1, 4, 6, 11]。

4、同步解压并加载各文档中"index"出现的位置信息（如[2, 8]表示第2和第8个token位置）。

三、多词项布尔运算与结果合并

对于含多个查询词的语句（如"elasticsearch AND index"），Elasticsearch分别获取各词项的倒排列表后，在内存中执行集合运算。AND操作对应交集计算，OR操作对应并集，NOT操作对应补集。运算过程采用跳跃指针（Skip List）加速遍历，避免线性扫描整个列表。

1、获取"elasticsearch"的文档ID列表：[1, 2, 3, 5, 7]。

2、获取"index"的文档ID列表：[2, 4, 5, 6, 11]。

3、启动双指针归并算法，比较两列表元素：当指针分别指向2和2时匹配成功；继续推进至5和5再次匹配。

4、输出交集结果：[2, 5]作为初步命中文档集。

四、相关性评分与排序

命中文档ID列表仅是中间结果。Elasticsearch进一步读取各文档的字段长度、词频（TF）、逆文档频率（IDF）、字段权重等信息，代入BM25评分公式计算相关性得分。该过程在倒排列表中已预存的TF和文档长度信息支持下完成，无需回查原始文档内容。

1、对文档2，读取"elasticsearch"的TF值（假设为4）、字段总token数（假设为120）。

2、查询全局词频统计，获取"elasticsearch"在全部文档中的DF值（假设为187）。

3、结合索引配置的k1=1.2、b=0.75参数，代入BM25公式计算初始得分。

4、若查询含多个词项，对各词项得分加权求和，生成最终排序依据。

五、原始文档加载与高亮渲染

经排序后的前N个文档ID被提交至协调节点，触发Fetch阶段。此时系统不再依赖倒排索引，而是通过正排索引（Doc Values 或 _source 字段）直接读取原始JSON内容。若启用高亮，系统依据倒排列表中存储的Offset位置信息在原文本中标记匹配片段。

1、根据文档ID 2，从_segment_001.doc文件中读取存储的_source JSON对象。

2、提取"content"字段原始文本："Elasticsearch uses an inverted index for fast search..."。

3、调用highlighter模块，依据"index"词项的Offset [18, 23]区间，在文本中包裹标签。

4、返回包含高亮HTML片段的响应体。