lucene分析（2）

2021SC@SDUSC

lucene索引结构

搜索的基础是索引文件，因此索引结构对于我的研究工作很有帮助。

基本概念：       

索引

       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

       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

       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

        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

        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。同一个bytes序列，在不同的field中被认为是不同的term;因此term由一对值组成：field name(string)和field value(bytes)

        lucene的一个index文件存放在同一个文件夹下，由多个文件组成。

        lucene通过一个整型的文档编码来关联文档（document）,第一个文档的编码为0，其他文档的编码依次递增。文档的编码可能会变更因此在lucene之外存储这些编码的时候要格外小心。