Lucerne倒排索引原理

Lucerne使用的是倒排文件索引結構。該結構及相應的生成算法以下：  　　

設有兩篇文章1和2：

文章1的內容爲：Tom lives in Guangzhou,I live in Guangzhou too. 　　 文章2的內容爲：He once lived in Shanghai.

<1>取得關鍵詞

因爲lucene是基於關鍵詞索引和查詢的，首先咱們要取得這兩篇文章的關鍵詞，一般咱們須要以下處理措施： 　　

a.咱們如今有的是文章內容，即一個字符串，咱們先要找出字符串中的全部單詞，即分詞。英文單詞因爲用空格分隔，比較好處理。中文單詞間是連在一塊兒的須要特殊的分詞處理。 　 　

b.文章中的」in」, 「once」 「too」等詞沒有什麼實際意義，中文中的「的」「是」等字一般也無具體含義，這些不表明概念的詞能夠過濾掉 　　

c.用戶一般但願查「He」時能把含「he」，「HE」的文章也找出來，因此全部單詞須要統一大小寫。 　　

d.用戶一般但願查「live」時能把含「lives」，「lived」的文章也找出來，因此須要把「lives」，「lived」還原成「live」 　　

e.文章中的標點符號一般不表示某種概念，也能夠過濾掉 　　

在lucene中以上措施由Analyzer類完成。 通過上面處理後，

文章1的全部關鍵詞爲：[tom] [live] [guangzhou] [i] [live] [guangzhou] 　 　 文章2的全部關鍵詞爲：[he] [live] [shanghai]

<2>創建倒排索引

有了關鍵詞後，咱們就能夠創建倒排索引了。上面的對應關係是：「文章號」對「文章中全部關鍵詞」。倒排索引把這個關係倒過來，變成: 「關鍵詞」對「擁有該關鍵詞的全部文章號」。

文章1，2通過倒排後變成 　　

關鍵詞          文章號 　　
guangzhou        1 　　
he               2 　　
i                1 　　
live             1,2 　　
shanghai         2 　　
tom              1 　　

 

一般僅知道關鍵詞在哪些文章中出現還不夠，咱們還須要知道關鍵詞在文章中出現次數和出現的位置，一般有兩種位置：

a.字符位置，即記錄該詞是文章中第幾個字符（優勢是關鍵詞亮顯時定位快）；

b.關鍵詞位置，即記錄該詞是文章中第幾個關鍵詞（優勢是節約索引空間、詞組（phase）查詢快），lucene中記錄的就是這種位置。 　　

加上「出現頻率」和「出現位置」信息後，咱們的索引結構變爲： 　　

 

關鍵詞            文章號[出現頻率]              出現位置 　　
guangzhou           1[2]                      3，6 　　
he                  2[1]                      1 　　
i                   1[1]                      4 　　
live                1[2]                      2，5, 
                    2[1]                      2 　　
shanghai            2[1]                      3 　　
tom                 1[1]                      1 　　

 

以live 這行爲例咱們說明一下該結構：live在文章1中出現了2次，文章2中出現了一次，它的出現位置爲「2,5,2」這表示什麼呢？咱們須要結合文章號和出現頻率來分析，文章1中出現了2次，那麼「2,5」就表示live在文章1中出現的兩個位置，文章2中出現了一次，剩下的「2」就表示live是文章2中第 2個關鍵字。 　　

以上就是lucene索引結構中最核心的部分。咱們注意到關鍵字是按字符順序排列的（lucene沒有使用B樹結構），所以lucene能夠用二元搜索算法快速定位關鍵詞。

<3>實現

實現時，lucene將上面三列分別做爲詞典文件（Term Dictionary）、頻率文件(frequencies)、位置文件 (positions)保存。其中詞典文件不只保存有每一個關鍵詞，還保留了指向頻率文件和位置文件的指針，經過指針能夠找到該關鍵字的頻率信息和位置信息。 　　

Lucene中使用了field的概念，用於表達信息所在位置（如標題中，文章中，url中），在建索引中，該field信息也記錄在詞典文件中，每一個關鍵詞都有一個field信息(由於每一個關鍵字必定屬於一個或多個field)。

<4>壓縮算法

爲了減少索引文件的大小，Lucene對索引還使用了壓縮技術。

首先，對詞典文件中的關鍵詞進行了壓縮，關鍵詞壓縮爲<前綴長度，後綴>，例如：當前詞爲「阿拉伯語」，上一個詞爲「阿拉伯」，那麼「阿拉伯語」壓縮爲<3，語>。

其次大量用到的是對數字的壓縮，數字只保存與上一個值的差值（這樣能夠減少數字的長度，進而減小保存該數字須要的字節數）。例如當前文章號是16389（不壓縮要用3個字節保存），上一文章號是16382，壓縮後保存7（只用一個字節）。