lucene最重要的索引问里面是怎么存放的呢？也就是lucene索引文件的格式是怎么保存的。
- lucene的索引过程安照全文检索的过程，将倒排表写成此文件的过程。
- lucene的搜索过程是按照此文件的格式将索引进去的信息读取出来，然后对每篇文档打分的过程。
当写好一个索引-搜索的demo的时候，运行程序后，会在指定的indexDirectory生成索引文件：
索引的格式：
Lucene的索引结构是有层次结构的，主要分以下几个层次：
- 索引(Index)：
- 在Lucene中一个索引是放在一个文件夹中的。（开发者指定）
- 如上图，同一文件夹中的所有的文件构成一个Lucene索引。
- 段(Segment)：
- 一个索引可以包含多个段，段与段之间是独立的，添加新文档可以生成新的段，不同的段可以合并。
- 如上图，具有相同前缀文件的属同一个段，图中共两个段 "_0" 和 "_1"。
- segments.gen和segments_5是段的元数据文件，也即它们保存了段的属性信息。
- 文档(Document)：
- 文档是我们建索引的基本单位，不同的文档是保存在不同的段中的，一个段可以包含多篇文档。
- 新添加的文档是单独保存在一个新生成的段中，随着段的合并，不同的文档合并到同一个段中。
- 域(Field)：
- 一篇文档包含不同类型的信息，可以分开索引，比如标题，时间，正文，作者等，都可以保存在不同的域里。
- 不同域的索引方式可以不同，在真正解析域的存储的时候，我们会详细解读。
- 词(Term)：
- 词是索引的最小单位，是经过词法分析和语言处理后的字符串。
Lucene的索引结构中，即保存了正向信息，也保存了反向信息。
所谓正向信息：
- 按层次保存了从索引，一直到词的包含关系：索引(Index) –> 段(segment) –> 文档(Document) –> 域(Field) –> 词(Term)
- 也即此索引包含了那些段，每个段包含了那些文档，每个文档包含了那些域，每个域包含了那些词。
- 既然是层次结构，则每个层次都保存了本层次的信息以及下一层次的元信息，也即属性信息，比如一本介绍中国地理的书，应该首先介绍中国地理的概况，以及中国包含多少个省，每个省介绍本省的基本概况及包含多少个市，每个市介绍本市的基本概况及包含多少个县，每个县具体介绍每个县的具体情况。
- 如上图，包含正向信息的文件有：
- segments_N保存了此索引包含多少个段，每个段包含多少篇文档。
- XXX.fnm此段包含了多少个域，每个域的名称及索引方式。
- XXX.fdx，XXX.fdt保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。
- XXX.tvx，XXX.tvd，XXX.tvf保存了此段包含多少文档，每篇文档包含了多少域，每个域包含了多少词，每个词的字符串，位置等信息。
所谓反向信息：
- 保存了词典到倒排表的映射：词(Term) –> 文档(Document)
- 如上图，包含反向信息的文件有：
- XXX.tis，XXX.tii保存了词典(Term Dictionary)，也即此段包含的所有的词按字典顺序的排序。
- XXX.frq保存了倒排表，也即包含每个词的文档ID列表。
- XXX.prx保存了倒排表中每个词在包含此词的文档中的位置。
Index –> Segments (segments.gen, segments_N) –> Field(fnm, fdx, fdt) –> Term (tvx, tvd, tvf)。
segments.gen和segments_N保存的是段(segment)的元数据信息(metadata)，其实是每个Index一个的，而段的真正的数据信息，是保存在域(Field)和词(Term)中的
时间： 2024-12-31 03:24:39