位图索引/R树索引/倒排索引的适用场景对比

除了通用的B树和哈希索引，还有三种为特定数据形态量身定制的索引结构， 各自解决的是B树/哈希索引不擅长的问题。位图索引用一串二进制位表示 “哪些记录取某个特定值”（每个可能取值对应一个位图，第i位为1表示第i条 记录取这个值），代价是空间极小（百万条记录的一个位图仅占约122KB） 且增删改查都能用位运算完成、速度很快，但它只适合取值种类少、重复率 高的字段（如性别、地区）——取值种类一多，位图数量跟着暴增，查询 效率反而下降；同时因为每次数据修改都要更新对应位图，它不适合频繁 写入的场景。R树是B树在高维/空间数据上的扩展，用最小外接矩形（MBR） 逐层框定空间范围，节点越往上框住的空间越大——本质上和B树一样是 “先粗筛大范围、再逐层精确定位”，只是把B树里”关键字区间”的概念换成 了”空间矩形区域”，主要用于地理信息系统这类需要按空间位置查询的场景， 增删改查操作的思路与B树完全类似。倒排索引和一般索引的存储方向正好 相反：一般索引存”关键字→数据位置指针”，倒排索引存”数据值→包含该值 的文档/记录位置列表”，天然适合全文检索场景（如Lucene的实现）—— 给定一个查询词，直接查倒排表就能拿到所有包含这个词的文档，不需要 像一般索引那样先确定要查哪个字段再定位关键字。三者的选型逻辑是： 取值集中且读多写少选位图索引，空间/多维数据选R树索引，全文检索选 倒排索引。

结构图：

flowchart TD
    A[特殊场景索引选型] --> B{数据特征}
    B -->|取值种类少+重复率高+读多写少| C[位图索引<br/>每位代表一条记录,位运算高效]
    B -->|空间/多维数据| D[R树索引<br/>B树的空间扩展,用最小外接矩形逐层框定]
    B -->|全文检索场景| E[倒排索引<br/>存'数据值→文档位置列表'而非'关键字→数据指针']