拆解Clucene 系列(2)——Clucene的几个专业术语

• analyzer
  Analyzer是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、 “the”，中文中的“的”、“地”等词语，这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。
  分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。常用的分析器有mmseg,IKAnalyzer,Lucene 也自带了简单的二元分析器，比如把”北京天安门”划分成”北京”,”京天”、”天安、”安门”

• document
  用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回。

• field
  一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。
  Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：
  还是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我们只是希望能从搜索结果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。

• term
  term是搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所在的field。

• Token
  Token是term的一次出现，它包含term文本和相应的起止偏移，以及一个类型字符串。一句话中可以出现多次相同的词语，它们都用同一个term表示，但是是不同的Token，每个Token标记该词语出现的地方。

• segment
  添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。

• Posting Table
  一般情况下，将一个词条所索引的文档（一般用文档编号表示）称之为 Posting，那么一个词条索引的多个文档就称之为 Posting-list。
  多个Posting-list构成一个Postingtable
  

  **总的来说，一篇文章可以看成就是一个document,含有多个field和相应的内容content,field可以理解成标题,正文，作者等信息域，我们可以控制那些field可以索引，那些可以存储。当然索引是肯定需要分词的。不同的分词规则需要不同analyzer，一篇文章经过加工处理后，lucene会为每个doc分配一个名字，在构建索引时，每个document就是一个segment,随着构建索引的document 的增加，多个segment就会合并成一个新的segment里。
  可以认为倒排索引是一个map<term,list<Token>>,key是term,value是一系列term出现的位置。**