Lucene搜索过程解析

本文转自：http://forfuture1978.iteye.com/blog/632815

一、Lucene搜索过程总论

搜索的过程总的来说就是将词典及倒排表信息从索引中读出来，根据用户输入的查询语句合并倒排表，得到结果文档集并对文档进行打分的过程。

其可用如下图示：

总共包括以下几个过程：

1 IndexReader打开索引文件，读取并打开指向索引文件的流。

2 用户输入查询语句

3 将查询语句转换为查询对象Query对象树

4 构造Weight对象树，用于计算词的权重Term Weight，也即计算打分公式中与仅与搜索语句相关与文档无关的部分(红色部分)。

5 构造Scorer对象树，用于计算打分(TermScorer.score())。

6 在构造Scorer对象树的过程中，其叶子节点的TermScorer会将词典和倒排表从索引中读出来。

7 构造SumScorer对象树，其是为了方便合并倒排表对Scorer对象树的从新组织，它的叶子节点仍为TermScorer，包含词典和倒排 表。此步将倒排表合并后得到结果文档集，并对结果文档计算打分公式中的蓝色部分。打分公式中的求和符合，并非简单的相加，而是根据子查询倒排表的合并方式 (与或非)来对子查询的打分求和，计算出父查询的打分。

8 将收集的结果集合及打分返回给用户。

二、Lucene搜索详细过程

为了解析Lucene对索引文件搜索的过程，预先写入索引了如下几个文件：

file01.txt: apple apples cat dog

file02.txt: apple boy cat category

file03.txt: apply dog eat etc

file04.txt: apply cat foods

2.1、打开IndexReader指向索引文件夹

代码为：

IndexReader reader = IndexReader.open(FSDirectory.open(indexDir));

其实是调用了DirectoryReader.open(Directory, IndexDeletionPolicy, IndexCommit, boolean, int) 函数，其主要作用是生成一个SegmentInfos.FindSegmentsFile对象，并用它来找到此索引文件中所有的段，并打开这些段。

SegmentInfos.FindSegmentsFile.run(IndexCommit commit)主要做以下事情：

2.1.1、找到最新的segment_N文件

· 由于segment_N是整个索引中总的元数据，因而正确的选择segment_N更加重要。

· 然而有时候为了使得索引能够保存在另外的存储系统上，有时候需要用NFS mount一个远程的磁盘来存放索引，然而NFS为了提高性能，在本地有Cache，因而有可能使得此次打开的索引不是另外的writer写入的最新信息，所以在此处用了双保险。

· 一方面，列出所有的segment_N，并取出其中的最大的N，设为genA

String[] files = directory.listAll(); long genA = getCurrentSegmentGeneration(files);

long getCurrentSegmentGeneration(String[] files) {     long max = -1;     for (int i = 0; i < files.length; i++) {       String file = files[i];       if (file.startsWith(IndexFileNames.SEGMENTS) //"segments_N"           && !file.equals(IndexFileNames.SEGMENTS_GEN)) { //"segments.gen"         long gen = generationFromSegmentsFileName(file);         if (gen > max) {           max = gen;         }       }     }     return max;   }

· 另一方面，打开segment.gen文件，从中读出N，设为genB

IndexInput genInput = directory.openInput(IndexFileNames.SEGMENTS_GEN); int version = genInput.readInt(); long gen0 = genInput.readLong(); long gen1 = genInput.readLong(); if (gen0 == gen1) {     genB = gen0; }

· 在genA和genB中去较大者，为gen，并用此gen构造要打开的segments_N的文件名

if (genA > genB)     gen = genA; else     gen = genB; String segmentFileName = IndexFileNames.fileNameFromGeneration(IndexFileNames.SEGMENTS, "", gen); //segmentFileName    "segments_4"

2.1.2、通过segment_N文件中保存的各个段的信息打开各个段

· 从segment_N中读出段的元数据信息，生成SegmentInfos

SegmentInfos infos = new SegmentInfos(); infos.read(directory, segmentFileName);

SegmentInfos.read(Directory, String) 代码如下： int format = input.readInt(); version = input.readLong(); counter = input.readInt(); for (int i = input.readInt(); i > 0; i—) {   //读出每一个段，并构造SegmentInfo对象   add(new SegmentInfo(directory, format, input)); }

SegmentInfo(Directory dir, int format, IndexInput input)构造函数如下： name = input.readString(); docCount = input.readInt(); delGen = input.readLong(); docStoreOffset = input.readInt(); if (docStoreOffset != -1) {   docStoreSegment = input.readString();   docStoreIsCompoundFile = (1 == input.readByte()); } else {   docStoreSegment = name;   docStoreIsCompoundFile = false; } hasSingleNormFile = (1 == input.readByte()); int numNormGen = input.readInt(); normGen = new long[numNormGen]; for(int j=0;j<numNormGen;j++) {   normGen[j] = input.readLong(); } isCompoundFile = input.readByte(); delCount = input.readInt(); hasProx = input.readByte() == 1; 其实不用多介绍，看过Lucene学习总结之三：Lucene的索引文件格式 (2)一章，就很容易明白。

· 根据生成的SegmentInfos打开各个段，并生成ReadOnlyDirectoryReader

SegmentReader[] readers = new SegmentReader[sis.size()]; for (int i = sis.size()-1; i >= 0; i—) {    //打开每一个段    readers[i] = SegmentReader.get(readOnly, sis.info(i), termInfosIndexDivisor); }

SegmentReader.get(boolean, Directory, SegmentInfo, int, boolean, int) 代码如下： instance.core = new CoreReaders(dir, si, readBufferSize, termInfosIndexDivisor); instance.core.openDocStores(si); //生成用于读取存储域和词向量的对象。 instance.loadDeletedDocs(); //读取被删除文档(.del)文件 instance.openNorms(instance.core.cfsDir, readBufferSize); //读取标准化因子(.nrm)

CoreReaders(Directory dir, SegmentInfo si, int readBufferSize, int termsIndexDivisor)构造函数代码如下： cfsReader = new CompoundFileReader(dir, segment + "." + IndexFileNames.COMPOUND_FILE_EXTENSION, readBufferSize); //读取cfs的reader fieldInfos = new FieldInfos(cfsDir, segment + "." + IndexFileNames.FIELD_INFOS_EXTENSION); //读取段元数据信息(.fnm) TermInfosReader reader = new TermInfosReader(cfsDir, segment, fieldInfos, readBufferSize, termsIndexDivisor); //用于读取词典信息(.tii .tis) freqStream = cfsDir.openInput(segment + "." + IndexFileNames.FREQ_EXTENSION, readBufferSize); //用于读取freq proxStream = cfsDir.openInput(segment + "." + IndexFileNames.PROX_EXTENSION, readBufferSize); //用于读取prox

FieldInfos(Directory d, String name)构造函数如下： IndexInput input = d.openInput(name); int firstInt = input.readVInt(); size = input.readVInt(); for (int i = 0; i < size; i++) {   //读取域名   String name = StringHelper.intern(input.readString());   //读取域的各种标志位   byte bits = input.readByte();   boolean isIndexed = (bits & IS_INDEXED) != 0;   boolean storeTermVector = (bits & STORE_TERMVECTOR) != 0;   boolean storePositionsWithTermVector = (bits & STORE_POSITIONS_WITH_TERMVECTOR) != 0;   boolean storeOffsetWithTermVector = (bits & STORE_OFFSET_WITH_TERMVECTOR) != 0;   boolean omitNorms = (bits & OMIT_NORMS) != 0;   boolean storePayloads = (bits & STORE_PAYLOADS) != 0;   boolean omitTermFreqAndPositions = (bits & OMIT_TERM_FREQ_AND_POSITIONS) != 0;   //将读出的域生成FieldInfo对象，加入fieldinfos进行管理   addInternal(name, isIndexed, storeTermVector, storePositionsWithTermVector, storeOffsetWithTermVector, omitNorms, storePayloads, omitTermFreqAndPositions); }

CoreReaders.openDocStores(SegmentInfo)主要代码如下： fieldsReaderOrig = new FieldsReader(storeDir, storesSegment, fieldInfos, readBufferSize, si.getDocStoreOffset(), si.docCount); //用于读取存储域(.fdx, .fdt) termVectorsReaderOrig = new TermVectorsReader(storeDir, storesSegment, fieldInfos, readBufferSize, si.getDocStoreOffset(), si.docCount); //用于读取词向量(.tvx, .tvd, .tvf)

· 初始化生成的ReadOnlyDirectoryReader，对打开的多个SegmentReader中的文档编号

在Lucene中，每个段中的文档编号都是从0开始的，而一个索引有多个段，需要重新进行编号，于是维护数组start[]，来保存每个段的文档号的偏移量，从而第i个段的文档号是从start[i]至start[i]+Num private void initialize(SegmentReader[] subReaders) {   this.subReaders = subReaders;   starts = new int[subReaders.length + 1];   for (int i = 0; i < subReaders.length; i++) {     starts[i] = maxDoc;     maxDoc += subReaders[i].maxDoc();     if (subReaders[i].hasDeletions())       hasDeletions = true;   }   starts[subReaders.length] = maxDoc; }

2.1.3、得到的IndexReader对象

IndexReader有以下几个特性：

· 段元数据信息已经被读入到内存中，因而索引文件夹中因为新添加文档而新增加的段对已经打开的reader是不可见的。

· .del文件已经读入内存，因而其他的reader或者writer删除的文档对打开的reader也是不可见的。

· 打开的reader已经有inputstream指向cfs文件，从段合并的过程我们知道，一个段文件从生成起就不会改变，新添加的文档都在新的 段中，删除的文档都在.del中，段之间的合并是生成新的段，而不会改变旧的段，只不过在段的合并过程中，会将旧的段文件删除，这没有问题，因为从操作系 统的角度来讲，一旦一个文件被打开一个inputstream也即打开了一个文件描述符，在内核中，此文件会保持reference count，只要reader还没有关闭，文件描述符还在，文件是不会被删除的，仅仅reference count减一。

· 以上三点保证了IndexReader的snapshot的性质，也即一个IndexReader打开一个索引，就好像对此索引照了一张像，无论背后索引如何改变，此IndexReader在被重新打开之前，看到的信息总是相同的。

· 严格的来讲，Lucene的文档号仅仅对打开的某个reader有效，当索引发生了变化，再打开另外一个reader的时候，前面reader的 文档0就不一定是后面reader的文档0了，因而我们进行查询的时候，从结果中得到文档号的时候，一定要在reader关闭之前应用，从存储域中得到真 正能够唯一标识你的业务逻辑中的文档的信息，如url，md5等等，一旦reader关闭了，则文档号已经无意义，如果用其他的reader查询这些文档 号，得到的可能是不期望的文档。

2.2、打开IndexSearcher

代码为：

IndexSearcher searcher = new IndexSearcher(reader);

其过程非常简单：

private IndexSearcher(IndexReader r, boolean closeReader) {   reader = r;   //当关闭searcher的时候，是否关闭其reader   this.closeReader = closeReader;   //对文档号进行编号   List<IndexReader> subReadersList = new ArrayList<IndexReader>();   gatherSubReaders(subReadersList, reader);   subReaders = subReadersList.toArray(new IndexReader[subReadersList.size()]);   docStarts = new int[subReaders.length];   int maxDoc = 0;   for (int i = 0; i < subReaders.length; i++) {     docStarts[i] = maxDoc;     maxDoc += subReaders[i].maxDoc();   } }

IndexSearcher表面上看起来好像仅仅是reader的一个封装，它的很多函数都是直接调用reader的相应函数，如：int docFreq(Term term)，Document doc(int i)，int maxDoc()。然而它提供了两个非常重要的函数：

· void setSimilarity(Similarity similarity)，用户可以实现自己的Similarity对象，从而影响搜索过程的打分，详见有关Lucene的问题(4):影响Lucene对文档打分的四种方式

· 一系列search函数，是搜索过程的关键，主要负责打分的计算和倒排表的合并。

因而在某些应用之中，只想得到某个词的倒排表的时候，最好不要用IndexSearcher，而直接用IndexReader.termDocs(Term term)，则省去了打分的计算。