[原]Lucene系列-索引文件

Tags: lucene

本文介绍下lucene生成的索引有哪些文件组成,每个文件包含了什么信息。基于Lucene 4.10.0。

数据结构

索引(index)包含了存储的文档(document)正排、倒排信息,用于文本搜索。索引又分为多个段(segments),每个新添加的doc都会存到一个新segment中,不同的segments又会合并成一个segment。segment存储着具体的documents,每个doc有一系列的字段(field)组成,一个field的值是多个词(term),一个term是以一些bytes。其递进关系如下:index -> segments -> documents -> fields -> terms

文件介绍

全局性文件

segments_N: 记录索引的段数、各段名、各段中文档数、删除数和更新数。可能有多个segments_N文件,最大N的segments_N是有效文件。

segments.gen: 记录当前index的代数(generation),即segments_N的最大N

write.log:阻止多个IndexWriter同时修改索引,一次只能有一个IndexWriter

段文件

  • 段描述
    xxx.si: 段的元数据,如此段的文档数及相关文件
    xxx.del:删除的doc

  • field信息
    xxx.fnm:field names,field名称、索引方式
    xxx.fdx:field index,索引xxx.fdt
    xxx.fdt:field data,存储stored fields

  • term信息
    xxx.tip:term index,xxx.tim的索引,实现对xxx.tim的随机存取
    xxx.tim:term dictionary,按字典顺序排列的terms,其值指向.doc/.pos
    xxx.doc:倒排列表,term所在的docs、在doc中的频率
    xxx.pos:倒排列表,term在doc中的位置
    xxx.pay:payloads and offsets,term在doc中的offset
    注意:term的位置及频率都是在某doc下term在field中的位置和偏移,位置以切词为单位,偏移以字符为单位

  • term vector
    term vector用于打分,存储StoreTermVectors的field
    xxx.tvx:term vector index,每个doc在xx.tvd、xx.tvf中的位置
    xxx.tvd:term vector data file,每个doc的term vector field信息在xxx.tvf中的位置
    xxx.tvf:term vector fields,field的term列表及各term的频率、位置或者偏移

  • 归一化
    lucene为doc算分时根据各doc中的term weight(term对doc的重要性),但是不同的doc重要性不同、不同的field重要性不同、不同的文档长度也不同,要想让不同文档的term weight之间有可比性(打分有可比性)需要进行归一化。用于归一化的因子(normalization factors),如doc和field的boost factor及长度,存在如下文件中。
    xxx.nvm:norms metadata
    xxx.nvd:norms data

  • doc values
    存储DocValues类型的field,通过field value可以获取对应的doc number列表, 便于进行一些概括或者打分。类型为docvalue的field在doc不能重名。
    xxx.dvm:DocValues metadata
    xxx.dvd:DocValues data

总结

从上节可以看出 正排信息 存储在:段(segments_N) -> field (.fnm/.fdx/.fdt) -> term (./tvx/.tvd/.tvf)

倒排信息存储在:词典(.tim) ->倒排表(.doc/.pos)

参考见:

https://lucene.apache.org/core/4_10_0/core/org/apache/lucene/codecs/lucene410/package-summary.html#package_description

https://lucene.apache.org/core/3_0_3/fileformats.html

http://www.cnblogs.com/forfuture1978/archive/2009/12/14/1623597.html

作者:whuqin 发表于2015/4/24 19:08:39 原文链接

本文链接:http://www.4byte.cn/learning/119799/-yuan-lucene-xi-lie-suo-yin-wen-jian.html