Lucene学习总结之三:Lucene的索引文件格式(3)

原创 2011年01月10日 14:55:00

四、具体格式 

 

4.2. 反向信息 

反向信息是索引文件的核心,也即反向索引。

 

反向索引包括两部分,左面是词典(Term Dictionary),右面是倒排表(Posting List)。

 

在Lucene中,这两部分是分文件存储的,词典是存储在tii,tis中的,倒排表又包括两部分,一部分是文档号及词频,保存在frq中,一部分是词的位置信息,保存在prx中。

 

Term Dictionary (tii, tis) 

–> Frequencies (.frq) 

–> Positions (.prx) 

4.2.1. 词典(tis)及词典索引(tii)信息 

 

 

 

 

 

在词典中,所有的词是按照字典顺序排序的。

 

词典文件(tis) 

TermCount:词典中包含的总的词数 

IndexInterval:为了加快对词的查找速度,也应用类似跳跃表的结构,假设IndexInterval为4,则在词典索引(tii)文件中保存第4个,第8个,第12个词,这样可以加快在词典文件中查找词的速度。 

SkipInterval:倒排表无论是文档号及词频,还是位置信息,都是以跳跃表的结构存在的,SkipInterval是跳跃的步数。 

MaxSkipLevels:跳跃表是多层的,这个值指的是跳跃表的最大层数。 

TermCount个项的数组,每一项代表一个词,对于每一个词,以前缀后缀规则存放词的文本信息(PrefixLength + Suffix),词属于的域的域号(FieldNum),有多少篇文档包含此词(DocFreq),此词的倒排表在frq,prx中的偏移量(FreqDelta, ProxDelta),此词的倒排表的跳跃表在frq中的偏移量(SkipDelta),这里之所以用Delta,是应用差值规则。 

词典索引文件(tii) 

词典索引文件是为了加快对词典文件中词的查找速度,保存每隔IndexInterval个词。 

词典索引文件是会被全部加载到内存中去的。 

IndexTermCount = TermCount / IndexInterval:词典索引文件中包含的词数。 

IndexInterval同词典文件中的IndexInterval。 

SkipInterval同词典文件中的SkipInterval。 

MaxSkipLevels同词典文件中的MaxSkipLevels。 

IndexTermCount个项的数组,每一项代表一个词,每一项包括两部分,第一部分是词本身(TermInfo),第二部分是在词典文件中的偏移量(IndexDelta)。假设IndexInterval为4,此数组中保存第4个,第8个,第12个词。。。 

读取词典及词典索引文件的代码如下: 

origEnum = new SegmentTermEnum(directory.openInput(segment + "." + IndexFileNames.TERMS_EXTENSION,readBufferSize), fieldInfos, false);//用于读取tis文件

 

int firstInt = input.readInt(); 

size = input.readLong(); 

indexInterval = input.readInt(); 

skipInterval = input.readInt(); 

maxSkipLevels = input.readInt(); 

SegmentTermEnum indexEnum = new SegmentTermEnum(directory.openInput(segment + "." + IndexFileNames.TERMS_INDEX_EXTENSION, readBufferSize), fieldInfos, true);//用于读取tii文件

 

indexTerms = new Term[indexSize]; 

indexInfos = new TermInfo[indexSize]; 

indexPointers = new long[indexSize]; 

for (int i = 0; indexEnum.next(); i++) 

indexTerms[i] = indexEnum.term(); 

indexInfos[i] = indexEnum.termInfo(); 

indexPointers[i] = indexEnum.indexPointer; 

 

 

4.2.2. 文档号及词频(frq)信息 

 

 

 

 

 

文档号及词频文件里面保存的是倒排表,是以跳跃表形式存在的。

 

此文件包含TermCount个项,每一个词都有一项,因为每一个词都有自己的倒排表。 

对于每一个词的倒排表都包括两部分,一部分是倒排表本身,也即一个数组的文档号及词频,另一部分是跳跃表,为了更快的访问和定位倒排表中文档号及词频的位置。 

对于文档号和词频的存储应用的是差值规则和或然跟随规则,Lucene的文档本身有以下几句话,比较难以理解,在此解释一下: 

For example, the TermFreqs for a term which occurs once in document seven and three times in document eleven, with omitTf false, would be the following sequence of VInts: 

 

15, 8, 3 

 

If omitTf were true it would be this sequence of VInts instead: 

 

7,4 

 

首先我们看omitTf=false的情况,也即我们在索引中会存储一个文档中term出现的次数。

 

例子中说了,表示在文档7中出现1次,并且又在文档11中出现3次的文档用以下序列表示:15,8,3.

 

那这三个数字是怎么计算出来的呢?

 

首先,根据定义TermFreq --> DocDelta[, Freq?],一个TermFreq结构是由一个DocDelta后面或许跟着Freq组成,也即上面我们说的A+B?结构。

 

DocDelta自然是想存储包含此Term的文档的ID号了,Freq是在此文档中出现的次数。

 

所以根据例子,应该存储的完整信息为[DocID = 7, Freq = 1] [DocID = 11,  Freq = 3](见全文检索的基本原理章节)。 

 

然而为了节省空间,Lucene对编号此类的数据都是用差值来表示的,也即上面说的规则2,Delta规则,于是文档ID就不能按完整信息存了,就应该存放如下:

 

[DocIDDelta = 7, Freq = 1][DocIDDelta = 4 (11-7), Freq = 3]

 

然而Lucene对于A+B?这种或然跟随的结果,有其特殊的存储方式,见规则3,即A+B?规则,如果DocDelta后面跟随的Freq为1,则用DocDelta最后一位置1表示。

 

如果DocDelta后面跟随的Freq大于1,则DocDelta得最后一位置0,然后后面跟随真正的值,从而对于第一个Term,由于Freq为1,于是放在DocDelta的最后一位表示,DocIDDelta = 7的二进制是000 0111,必须要左移一位,且最后一位置一,000 1111 = 15,对于第二个Term,由于Freq大于一,于是放在DocDelta的最后一位置零,DocIDDelta = 4的二进制是0000 0100,必须要左移一位,且最后一位置零,0000 1000 = 8,然后后面跟随真正的Freq = 3。

 

于是得到序列:[DocDleta = 15][DocDelta = 8, Freq = 3],也即序列,15,8,3。

 

如果omitTf=true,也即我们不在索引中存储一个文档中Term出现的次数,则只存DocID就可以了,因而不存在A+B?规则的应用。

 

[DocID = 7][DocID = 11],然后应用规则2,Delta规则,于是得到序列[DocDelta = 7][DocDelta = 4 (11 - 7)],也即序列,7,4.

 

 

对于跳跃表的存储有以下几点需要解释一下: 

跳跃表可根据倒排表本身的长度(DocFreq)和跳跃的幅度(SkipInterval)而分不同的层次,层次数为NumSkipLevels = Min(MaxSkipLevels, floor(log(DocFreq/log(SkipInterval)))). 

第Level层的节点数为DocFreq/(SkipInterval^(Level + 1)),level从零计数。 

除了最高层之外,其他层都有SkipLevelLength来表示此层的二进制长度(而非节点的个数),方便读取某一层的跳跃表到缓存里面。 

低层在前,高层在后,当读完所有的低层后,剩下的就是最后一层,因而最后一层不需要SkipLevelLength。这也是为什么Lucene文档中的格式描述为 NumSkipLevels-1 , SkipLevel,也即低NumSKipLevels-1层有SkipLevelLength,最后一层只有SkipLevel,没有SkipLevelLength。 

除最低层以外,其他层都有SkipChildLevelPointer来指向下一层相应的节点。 

每一个跳跃节点包含以下信息:文档号,payload的长度,文档号对应的倒排表中的节点在frq中的偏移量,文档号对应的倒排表中的节点在prx中的偏移量。 

虽然Lucene的文档中有以下的描述,然而实验的结果却不是完全准确的: 

Example: SkipInterval = 4, MaxSkipLevels = 2, DocFreq = 35. Then skip level 0 has 8 SkipData entries, containing the 3rd , 7th , 11th , 15th , 19th , 23rd , 27th , and 31st document numbers in TermFreqs. Skip level 1 has 2 SkipData entries, containing the 15th and 31st document numbers in TermFreqs. 

 

按照描述,当SkipInterval为4,且有35篇文档的时候,Skip level = 0应该包括第3,第7,第11,第15,第19,第23,第27,第31篇文档,Skip level = 1应该包括第15,第31篇文档。

 

然而真正的实现中,跳跃表节点的时候,却向前偏移了,偏移的原因在于下面的代码:

 

FormatPostingsDocsWriter.addDoc(int docID, int termDocFreq) 

final int delta = docID - lastDocID; 

if ((++df % skipInterval) == 0) 

skipListWriter.setSkipData(lastDocID, storePayloads, posWriter.lastPayloadLength); 

skipListWriter.bufferSkip(df); 

从代码中,我们可以看出,当SkipInterval为4的时候,当docID = 0时,++df为1,1%4不为0,不是跳跃节点,当docID = 3时,++df=4,4%4为0,为跳跃节点,然而skipData里面保存的却是lastDocID为2。

 

所以真正的倒排表和跳跃表中保存一下的信息:

 

 

 

 

4.2.3. 词位置(prx)信息 

 

 

 

 

 

词位置信息也是倒排表,也是以跳跃表形式存在的。

 

此文件包含TermCount个项,每一个词都有一项,因为每一个词都有自己的词位置倒排表。 

对于每一个词的都有一个DocFreq大小的数组,每项代表一篇文档,记录此文档中此词出现的位置。这个文档数组也是和frq文件中的跳跃表有关系的,从上面我们知道,在frq的跳跃表节点中有ProxSkip,当SkipInterval为3的时候,frq的跳跃表节点指向prx文件中的此数组中的第1,第4,第7,第10,第13,第16篇文档。 

对于每一篇文档,可能包含一个词多次,因而有一个Freq大小的数组,每一项代表此词在此文档中出现一次,则有一个位置信息。 

每一个位置信息包含:PositionDelta(采用差值规则),还可以保存payload,应用或然跟随规则。 

4.3. 其他信息 

4.3.1. 标准化因子文件(nrm) 

为什么会有标准化因子呢?从第一章中的描述,我们知道,在搜索过程中,搜索出的文档要按与查询语句的相关性排序,相关性大的打分(score)高,从而排在前面。相关性打分(score)使用向量空间模型(Vector Space Model),在计算相关性之前,要计算Term Weight,也即某Term相对于某Document的重要性。在计算Term Weight时,主要有两个影响因素,一个是此Term在此文档中出现的次数,一个是此Term的普通程度。显然此Term在此文档中出现的次数越多,此Term在此文档中越重要。

 

这种Term Weight的计算方法是最普通的,然而存在以下几个问题:

 

不同的文档重要性不同。有的文档重要些,有的文档相对不重要,比如对于做软件的,在索引书籍的时候,我想让计算机方面的书更容易搜到,而文学方面的书籍搜索时排名靠后。 

不同的域重要性不同。有的域重要一些,如关键字,如标题,有的域不重要一些,如附件等。同样一个词(Term),出现在关键字中应该比出现在附件中打分要高。 

根据词(Term)在文档中出现的绝对次数来决定此词对文档的重要性,有不合理的地方。比如长的文档词在文档中出现的次数相对较多,这样短的文档比较吃亏。比如一个词在一本砖头书中出现了10次,在另外一篇不足100字的文章中出现了9次,就说明砖头书应该排在前面码?不应该,显然此词在不足100字的文章中能出现9次,可见其对此文章的重要性。 

由于以上原因,Lucene在计算Term Weight时,都会乘上一个标准化因子(Normalization Factor),来减少上面三个问题的影响。

 

标准化因子(Normalization Factor)是会影响随后打分(score)的计算的,Lucene的打分计算一部分发生在索引过程中,一般是与查询语句无关的参数如标准化因子,大部分发生在搜索过程中,会在搜索过程的代码分析中详述。

 

标准化因子(Normalization Factor)在索引过程总的计算如下:

 

 

 

 

 

 

它包括三个参数:

 

Document boost:此值越大,说明此文档越重要。 

Field boost:此域越大,说明此域越重要。 

lengthNorm(field) = (1.0 / Math.sqrt(numTerms)):一个域中包含的Term总数越多,也即文档越长,此值越小,文档越短,此值越大。 

从上面的公式,我们知道,一个词(Term)出现在不同的文档或不同的域中,标准化因子不同。比如有两个文档,每个文档有两个域,如果不考虑文档长度,就有四种排列组合,在重要文档的重要域中,在重要文档的非重要域中,在非重要文档的重要域中,在非重要文档的非重要域中,四种组合,每种有不同的标准化因子。

 

于是在Lucene中,标准化因子共保存了(文档数目乘以域数目)个,格式如下:

 

 

 

 

 

 

标准化因子文件(Normalization Factor File: nrm): 

NormsHeader:字符串“NRM”外加Version,依Lucene的版本的不同而不同。 

接着是一个数组,大小为NumFields,每个Field一项,每一项为一个Norms。 

Norms也是一个数组,大小为SegSize,即此段中文档的数量,每一项为一个Byte,表示一个浮点数,其中0~2为尾数,3~8为指数。 

4.3.2. 删除文档文件(del) 

 

 

 

 

 

被删除文档文件(Deleted Document File: .del) 

Format:在此文件中,Bits和DGaps只能保存其中之一,-1表示保存DGaps,非负值表示保存Bits。 

ByteCount:此段中有多少文档,就有多少个bit被保存,但是以byte形式计数,也即Bits的大小应该是byte的倍数。 

BitCount:Bits中有多少位被至1,表示此文档已经被删除。 

Bits:一个数组的byte,大小为ByteCount,应用时被认为是byte*8个bit。 

DGaps:如果删除的文档数量很小,则Bits大部分位为0,很浪费空间。DGaps采用以下的方式来保存稀疏数组:比如第十,十二,三十二个文档被删除,于是第十,十二,三十二位设为1,DGaps也是以byte为单位的,仅保存不为0的byte,如第1个byte,第4个byte,第1个byte十进制为20,第4个byte十进制为1。于是保存成DGaps,第1个byte,位置1用不定长正整数保存,值为20用二进制保存,第2个byte,位置4用不定长正整数保存,用差值为3,值为1用二进制保存,二进制数据不用差值表示。 

五、总体结构 

 

 

图示为Lucene索引文件的整体结构: 

属于整个索引(Index)的segment.gen,segment_N,其保存的是段(segment)的元数据信息,然后分多个segment保存数据信息,同一个segment有相同的前缀文件名。 

对于每一个段,包含域信息,词信息,以及其他信息(标准化因子,删除文档) 

域信息也包括域的元数据信息,在fnm中,域的数据信息,在fdx,fdt中。 

词信息是反向信息,包括词典(tis, tii),文档号及词频倒排表(frq),词位置倒排表(prx)。 

大家可以通过看源代码,相应的Reader和Writer来了解文件结构,将更为透彻。

 

 

本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/forfuture1978/archive/2009/12/10/4976794.aspx

相关文章推荐

Lucene学习总结之三:Lucene的索引文件格式(3)

四、具体格式 4.2. 反向信息 反向信息是索引文件的核心,也即反向索引。 反向索引包括两部分,左面是词典(Term Dictionary),右面是倒排表(Posting L...

Lucene学习总结之三:综述Lucene的索引文件格式

原文:http://www.lucene.com.cn/about.htm#_Toc43005322在Lucene的web站点上,有关于Lucene的文件格式的规范,其规定了Lucene的文件格式采取...

Lucene学习总结之三:Lucene的索引文件格式(2)

四、具体格式 上面曾经交代过,Lucene保存了从Index到Segment到Document到Field一直到Term的正向信息,也包括了从Term到Document映射的反向信息,还有其他一...

Lucene学习总结之三:Lucene的索引文件格式(2)

四、具体格式上面曾经交代过,Lucene保存了从Index到Segment到Document到Field一直到Term的正向信息,也包括了从Term到Document映射的反向信息,还有其他一些Luc...

Lucene学习总结之三:Lucene的索引文件格式(1)

Lucene的索引里面存了些什么,如何存放的,也即Lucene的索引文件格式,是读懂Lucene源代码的一把钥匙。当我们真正进入到Lucene源代码之中的时候,我们会发现:Lucene的索引过程,就是...

lucene学习资料(索引文件格式详解)

lucene学习资料(索引文件格式详解) 本文介绍lucene中segment,.fnm,.fdx,.fdt,.tii,.tis,deletable ,.cfs等格式文件的用途。 1。...

Lucene学习总结之五:细述Lucene的索引文件格式(2)

四、具体格式上面曾经交代过,Lucene保存了从Index到Segment到Document到Field一直到Term的正向信息,也包括了从Term到Document映射的反向信息,还有其他一些Luc...

Lucene学习总结之四:细述Lucene的索引文件格式(1)

原文地址:http://forfuture1978.javaeye.com/blog/546824ps:这篇文章是以lucene2.9.0 版本进行讲解的。Lucene的索引里面存了些什么,如何存放的...

Lucene学习(三):综述Lucene的索引文件格式

转载:http://blog.csdn.net/lengyuhong/article/details/6227524 在Lucene的web站点上,有关于Lucene的文件格式的规范,其...

Lucene的索引文件格式

Lucene的索引里面存了些什么,如何存放的,也即Lucene的索引文件格式,是读懂Lucene源代码的一把钥匙。 当我们真正进入到Lucene源代码之中的时候,我们会发现: Lucene...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Lucene学习总结之三:Lucene的索引文件格式(3)
举报原因:
原因补充:

(最多只允许输入30个字)