【Lucene】Lucene 学习之索引文件结构

Lucene 索引文件结构

基本概念

索引（index）
- Lucene的索引由许多个文件组成，这些文件放在同一个目录下
段（segment）
- 一个Lucene的索引由多个段组成，段与段之间是独立的。添加新的文档时可以生成新的段，达到阈值（段的个数，段中包含的文件数等）时，不同的段可以合并。
- 在文件夹下，具有相同前缀的文件属于同一个段
- segments.gen 和 segments_N（N表示一个具体数字，eg：segments_5）是段的元数据文件，他们保存了段的属性信息。
文档（document）
- 文档时建索引的基本单位，一个段中可以包含多篇文档
- 新添加的文档时单独保存在一个新生成的段中，随着段的合并，不同的文档会合并到至相同的段中。
域（Field）
- 一个文档有可由多个域（Field）组成，比如一篇新闻，有标题，作者，正文等多个属性，这些属性可以看作是文档的域。
- 不同的域可以指定不同的索引方式，比如指定不同的分词方式，是否构建索引，是否存储等
词（Term）
- 词是索引的最小单位，是经过词法分词和语言处理后的字符串

正向信息：　索引（index）—— 文档（document）—— 域（field）—— 词（term）

总体结构（图片来自网络）

Lucene的一个index文件存放在同一个文件夹下，由多个文件组成。

segments.gen : 用于帮助定位到最新的segments_N。

segments.gen文件格式：，读取gen文件，然后判定Version是否正确，接着读取gen0和gen1，如果两个值相当，那么genB=gen0；

此外，会选择index所在文件夹下的segments_N文件，选择最大的一个作为genA，然后比较genA和genB，找到最大的一个，最后才打开segments_N。

IndexInput genInput = directory.openInput(IndexFileNames.SEGMENTS_GEN);//"segments.gen" 
int version = genInput.readInt();//读出版本号 
if (version == FORMAT_LOCKLESS) {//如果版本号正确 
    long gen0 = genInput.readLong();//读出第一个N 
    long gen1 = genInput.readLong();//读出第二个N 
    if (gen0 == gen1) {//如果两者相等则为genB 
        genB = gen0; 
    } 
}

if (genA > genB) 
    gen = genA; 
else 
    gen = genB;

segments_N：段的元数据信息文件。保存了此索引包含多少个段，每个段包含多少篇文档等信息。

Format：
- 索引文件格式的版本号。由于Lucene是在不断开发过程中的，不同版本的Lucene可能有不同索引文件格式，所以规定了文件格式的版本号。
Version　　
- 索引的版本号
NameCount
- 下一个新段的段名
SegCount
- 段的个数

SegCount个段的元数据信息：

segment：
- segName
  - 段名
- SegSize
  - 此段包含的文档数
  - 包含已经删除，尚未optimize的文档。因为在optimize之前，Lucene的段中包含了所有被索引过的文档，而被删除的文档时保存在.del文件中的，在搜索过程中，是从段中读到了被删除的文档，然后再用.del的标志，将这篇文档过滤掉。
  - optimize时，会触发段的合并，此时不会将已删除的文档合并至新段中。
- DelGen
  - .del文件的版本号
  - 在optimize之前，删除的文档是保存在.del文件中的。

　　segment_N 与 segment 文件格式：

一个段(Segment)包含多个域，每个域都有一些元数据信息，保存在.fnm文件中，.fnm文件的格式如下：

域的数据信息存储在 .fdt 和 .fdx 文件中：

　　其中，.fdx 文件中存放FieldValuesPositon，指向.fdt文件，也就是说域的具体数据是存放在fdt文件中的。

域数据文件(fdt)：
- 真正保存存储域(stored field)信息的是fdt文件
- 在一个段中总共有segment size 篇文档，所有fdt文档中共有segment size 个项，每一个项保存一篇文档的域信息。
- 每一篇文档对应一个FieldCount，表示此文档包含的域的数目，接着是fieldcount个项，每个项保存一个域的信息
- 对于每一个域，fieldnum是域号，接着是一个byte，8bit，根据填充的0/1，代表不同的意义，最低一位表示此域是否分词，倒数第二位表示此域保存的是字符串数据还是二进制数据，倒数第三位表示此域是否被压缩。最后存储的是这个存储域的值。

域索引文件(fdx)：
- 由域数据文件格式可知，每篇文档包含的域的个数、每个存储域的值都是不一样的，因为域数据文件中的segment size篇文档，每篇文档占用的大小也是一样的，那么如何快速在fdt文件中辨别每一篇文档的起始地址和终止地址？如何能够更快的找到第n篇文档的存储域的信息呢？这就需要借组域索引文件
- 域索引文件也总共有segment size 个项，每篇文档都有一个项，每一项都是一个long，大小固定，每一项都是对应的文档在fdt中的起始地址偏移量。

词向量(Term Vector)的数据信息（.tvx, .tvd, .tvf）

　　词向量信息是从索引（index）到文档（document）到域（field）到词（term）的正向信息，有了词向量信息，就可以得到一篇文档包含哪些词的信息。

词向量索引文件（tvx）：
- 一个段（segment）包含N篇文档，此文件就有N项，每一项代表一篇文档
- 每一项包含两部分信息：第一部分是词向量文档文件（tvd）中此文档的偏移量；第二部分是词向量文件（tvf）中此文档的第一个域的偏移量。

词向量文档文件（tvd）：
- 每一项首先是此文档包含的域的个数NumFields，然后是一个NumFields大小的数组，数组每一项都是域号，然后是（NumField - 1）大小的数组，每一篇文档的第一个域在tvf文件中的偏移量信息存储在 tvx 文件中，而其他（NumFields - 1）个域在 tvf 中的偏移量就是第一个域的偏移量加上这（NumField - 1）个数组的每一项的值。
词向量域文件（tvf）：
- 此文件包含了此段中的所有域，并不对文档做区分，到底第几个域到第几个域是属于那篇文件，是由tvx文件中的第一个域的偏移量以及tvd文件中的（NumField - 1）个域的偏移量来决定哪些域数据那个文档的。
- 对于每一个域，首先是此域包含的词的个数NumTerms，然后是8bit的byte，最后一位指定是否保存位置信息，倒数第二位表示是否保存偏移量信息。然后是NumTerms个项的数组，每一项代表一个词（Term），对于每一个词，由词的文本TermText，词频TermFreq（词在该文档中出现的次数），词的位置信息，词的偏移量信息。

参考：http://www.cnblogs.com/forfuture1978/archive/2009/12/14/1623599.html

posted @ 2018-07-07 00:22 buliang 阅读(5894) 评论(0) 编辑收藏举报

刷新页面返回顶部

Simple, not simple

【Lucene】Lucene 学习之索引文件结构

公告