lucene-索引文件格式(转）

索引文件结构

Lucene使用文件扩展名标识不同的索引文件，文件名标识不同版本或者代（generation）的索引片段（segment）。如.fnm文件存储域Fields名称及其属性，.fdt存储文档各项域数据，.fdx存储文档在fdt中的偏移位置即其索引文件，.frq存储文档中term位置数据，.tii文件存储term字典，.tis文件存储term频率数据，.prx存储term接近度数据，.nrm存储调节因子数据，另外segments_X文件存储当前最新索引片段的信息，其中X为其最新修改版本，segments.gen存储当前版本即X值，这些文件的详细介绍上节已说过了。

下面的图描述了一个典型的lucene索引文件列表：





如果将它们的关系划成图则如下所示：


[img]http://dl.iteye.com/upload/attachment/486937/dc704eb1-2289-3fdb-949f-5f7068b22523.jpg[/img]




这些文件中存储数据的详细结构是怎样的呢，下面几个小节逐一介绍它们，熟悉它们的结构非常有助于优化Lucene的查询和索引效率和存储空间等。





3.2 每个Index包含的单个文件

下面几节介绍的文件存在于每个索引index中，并且只有一份。

3.2.1 Segments文件



索引中活动（active）的Segments被存储在segment info文件中，segments_N，在索引中可能会包含一个或多个segments_N文件。然而，最大一代的那个文件（the one with largest generation）是活动的片断文件（这时更旧的segments_N文件依然存在（are present）是因为它们暂时（temporarily）还不能被删除，或者，一个writer正在处理提交请求（in the process of committing），或者一个用户定义的（custom）IndexDeletionPolicy正被使用）。这个文件按照名称列举每一个片断（lists each segment by name），详细描述分离的标准（seperate norm）和要删除的文件（deletion files），并且还包含了每一个片断的大小。



对2.1版本来说，还有一个文件segments.gen。这个文件包含了该索引中当前生成的代（current generation）（segments_N中的_N）。这个文件仅用于一个后退处理（fallback）以防止（in case）当前代（current generation）不能被准确地（accurately）通过单独地目录文件列举（by directory listing alone）来确定（determened）（由于某些NFS客户端因为基于时间的目录（time-based directory）的缓存终止（cache expiration）而引起）。这个文件简单地包含了一个int32的版本头（version header）（SegmentInfos.FORMAT_LOCKLESS=-2），遵照代的记录（followed by the generation recorded）规则，对int64来说会写两次（write twice）。



版本


包含的项


数目


类型


描述

2.1之前版本


Format


1


Int32


在Lucene1.4中为-1，而在Lucene 2.1中为-3（SegmentsInfos.FORMAT_SINGLE_NORM_FILE）

Version


1


Int64


统计在删除和添加文档时，索引被更改了多少次。

NameCounter


1


Int32


用于为新的片断文件生成新的名字。

SegCount


1


Int32


片断的数目

SegName


SegCount


String


片断的名字，用于所有构成片断索引的文件的文件名前缀。

SegSize


SegCount


Int32


包含在片断索引中的文档的数目。

2.1及之后版本


Format


1


Int32


在Lucene 2.1和Lucene 2.2中为-3（SegmentsInfos.FORMAT_SINGLE_NORM_FILE）

Version


1


Int64


同上

NameCounter


1


Int32


同上

SegCount


1


Int32


同上

SegName


SegCount


String


同上

SegSize


SegCount


Int32


同上

DelGen


SegCount


Int64


为分离的删除文件的代的数目（generation count of the separate deletes file），如果值为-1，表示没有分离的删除文件。如果值为0，表示这是一个2.1版本之前的片断，这时你必须检查文件是否存在_X.del这样的文件。任意大于0的值，表示有分离的删除文件，文件名为_X_N.del。

HasSingleNormFile


SegCount


Int8


该值如果为1，表示Norm域（field）被写为一个单一连接的文件（single joined file）中（扩展名为.nrm），如果值为0，表示每一个field的norms被存储为分离的.fN文件中，参考下面的“标准化因素（Normalization Factors）”

NumField


SegCount


Int32


表示NormGen数组的大小，如果为-1表示没有NormGen被存储。

NormGen


SegCount * NumField


Int64


记录分离的标准文件（separate norm file）的代（generation），如果值为-1，表示没有normGens被存储，并且当片断文件是2.1之前版本生成的时，它们全部被假设为0（assumed to be 0）。而当片断文件是2.1及更高版本生成的时，它们全部被假设为-1。这时这个代（generation）的意义与上面DelGen的意义一样。

IsCompoundFile


SegCount


Int8


记录是否该片断文件被写为一个复合的文件，如果值为-1表示它不是一个复合文件（compound file），如果为1则为一个复合文件。另外如果值为0，表示我们需要检查文件系统是否存在_X.cfs。

2.3


Format


1


Int32


在Lucene 2.3中为-4 (SegmentInfos.FORMAT_SHARED_DOC_STORE)

Version


1


Int64


同上

NameCounter


1


Int32


同上

SegCount


1


Int32


同上

SegName


SegCount


String


同上

SegSize


SegCount


Int32


同上

DelGen


SegCount


Int64


同上

DocStoreOffset


1


Int32


如果值为-1则该segment有自己的存储文档的fields数据和term vectors的文件，并且DocStoreSegment, DocStoreIsCompoundFile不会存储。在这种情况下，存储fields数据（*.fdt和*.fdx文件）以及term vectors数据（*.tvf和*.tvd和*.tvx文件）的所有文件将存储在该segment下。另外，DocStoreSegment将存储那些拥有共享的文档存储文件的segment。DocStoreIsCompoundFile值为1如果segment存储为compound文件格式（如.cfx文件），并且DocStoreOffset值为那些共享文档存储文件中起始的文档编号，即该segment的文档开始的位置。在这种情况下，该segment不会存储自己的文档数据文件，而是与别的segment共享一个单一的数据文件集。

[DocStoreSegment]


1


String


如上

[DocStoreIsCompoundFile]


1


Int8


如上

HasSingleNormFile


SegCount


Int8


同上

NumField


SegCount


Int32


同上

NormGen


SegCount * NumField


Int64


同上

IsCompoundFile


SegCount


Int8


同上

2.4及以上


Format


1


Int32


在Lucene 2.4中为-7 (SegmentInfos.FORMAT_HAS_PROX)

Version


1


Int64


同上

NameCounter


1


Int32


同上

SegCount


1


Int32


同上

SegName


SegCount


String


同上

SegSize


SegCount


Int32


同上

DelGen


SegCount


Int64


同上

DocStoreOffset


1


Int32


同上

[DocStoreSegment]


1


String


同上

[DocStoreIsCompoundFile]


1


Int8


同上

HasSingleNormFile


SegCount


Int8


同上

NumField


SegCount


Int32


同上

NormGen


SegCount * NumField


Int64


同上

IsCompoundFile


SegCount


Int8


同上

DeletionCount


SegCount


Int32


记录该segment中删除的文档数目

HasProx


SegCount


Int8


值为1表示该segment中至少一个fields的omitTf设置为false，否则为0

Checksum


1


Int64


存储segments_N文件中直到checksum的所有字节的CRC32 checksum数据，用来校验打开的索引文件的完整性（integrity）。



3.2.2 Lock文件



写锁（write lock）文件名为“write.lock”，它缺省存储在索引目录中。如果锁目录（lock directory）与索引目录不一致，写锁将被命名为“XXXX-write.lock”，其中“XXXX”是一个唯一的前缀（unique prefix），来源于（derived from）索引目录的全路径（full path）。当这个写锁出现时，一个writer当前正在修改索引（添加或者清除文档）。这个写锁确保在一个时刻只有一个writer修改索引。



需要注意的是在2.1版本之前（prior to），Lucene还使用一个commit lock，这个锁在2.1版本里被删除了。



3.2.3 Deletable文件



在Lucene 2.1版本之前，有一个“deletable”文件，包含了那些需要被删除文档的详细资料。在2.1版本后，一个writer会动态地（dynamically）计算哪些文件需要删除，因此，没有文件被写入文件系统。



3.2.4 Compound文件（.cfs）



从Lucene 1.4版本开始，compound文件格式成为缺省信息。这是一个简单的容器（container）来服务所有下一章节（next section）描述的文件（除了.del文件），格式如下：





版本


包含的项


数目


类型


描述

1.4之后版本


FileCount


1


VInt




DataOffset


FileCount


Long




FileName


FileCount


String




FileData


FileCount


raw


Raw文件数据是上面命名的所有单个的文件数据（the individual named above）。



结构如下图所示：

[img]http://dl.iteye.com/upload/attachment/486939/64b7d9b2-0f03-31c1-a8c7-1d494dc74c1c.gif[/img]

http://blog.csdn.net/deepfuture/archive/2009/12/23/5063641.aspx