【转】Lucene倒排索引原理

    Lucene 是一个高性能的 java 全文检索工具包，它使用的是倒排文件索引结构。该结构及相应的生成算法如下：

0 ）设有两篇文章 1 和 2

文章1的内容为：Tom lives  in  Guangzhou,I live  in  Guangzhou too.
文章2的内容为：He once lived  in  Shanghai.

1) 由于 lucene 是基于关键词索引和查询的，首先我们要取得这两篇文章的关键词，通常我们需要如下处理措施
a. 我们现在有的是文章内容，即一个字符串，我们先要找出字符串中的所有单词，即分词。英文单词由于用空格分隔，比较好处理。中文单词间是连在一起的需要特殊的分词处理。
b. 文章中的 ”in”, “once” “too” 等词没有什么实际意义，中文中的 “ 的 ”“ 是 ” 等字通常也无具体含义，这些不代表概念的词可以过滤掉
c. 用户通常希望查 “He” 时能把含 “he” ， “HE” 的文章也找出来，所以所有单词需要统一大小写。
d. 用户通常希望查 “live” 时能把含 “lives” ， “lived” 的文章也找出来，所以需要把 “lives” ， “lived” 还原成 “live”
e. 文章中的标点符号通常不表示某种概念，也可以过滤掉
在 lucene 中以上措施由 Analyzer 类完成

经过上面处理后

    文章1的所有关键词为：[tom] [live] [guangzhou] [i] [live] [guangzhou]
    文章2的所有关键词为：[he] [live] [shanghai]

2)  有了关键词后，我们就可以建立倒排索引了。上面的对应关系是： “ 文章号 ” 对 “ 文章中所有关键词 ” 。倒排索引把这个关系倒过来，变成： “ 关键词 ” 对 “ 拥有该关键词的所有文章号 ” 。文章 1 ， 2 经过倒排后变成：

关键词   文章号
guangzhou   1
he          2
i            1
live        1 , 2
shanghai    2
tom          1

通常仅知道关键词在哪些文章中出现还不够，我们还需要知道关键词在文章中出现次数和出现的位置，通常有两种位置：a)字符位置，即记录该词是文章中第几个字符（优点是关键词亮显时定位快）；b)关键词位置，即记录该词是文章中第几个关键词（优点是节约索引空间、词组（phase）查询快），lucene中记录的就是这种位置。

加上 “ 出现频率 ” 和 “ 出现位置 ” 信息后，我们的索引结构变为：

关键词   文章号[出现频率]   出现位置
guangzhou  1 [ 2 ]                3 ， 6
he        2 [ 1 ]                1
i          1 [ 1 ]                4
live       1 [ 2 ], 2 [ 1 ]            2 ， 5 ， 2
shanghai   2 [ 1 ]                3
tom       1 [ 1 ]                1

以live 这行为例我们说明一下该结构：live在文章1中出现了2次，文章2中出现了一次，它的出现位置为“2,5, 2” 这表示什么呢？我们需要结合文章号和出现 频率来分析，文章1中出现了2次，那么“2, 5” 就表示live在文章1中出现的两个位置，文章2中出现了一次，剩下的“ 2” 就表示live是文章2中第 2个关键字。
    
以上就是lucene索引结构中最核心的部分。我们注意到关键字是按字符顺序排列的（lucene没有使用B树结构），因此lucene可以用二元搜索算法快速定位关键词。
    
实 现时 lucene将上面三列分别作为词典文件（Term Dictionary）、频率文件(frequencies)、位置文件 (positions)保存。其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，通过指针可以找到该关键字的频率信息和位置信 息。

    Lucene中使用了field的概念，用于表达信息所在位置（如标题中，文章中，url中），在建索引中，该field信息也记录在词典文件中，每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。

     为了减小索引文件的大小，Lucene对索引还使用了压缩技术。首先，对词典文件中的关键词进行了压缩，关键词压缩为<前缀长度，后缀>，例 如：当前词为“阿拉伯语”，上一个词为“阿拉伯”，那么“阿拉伯语”压缩为<3，语>。其次大量用到的是对数字的压缩，数字只保存与上一个值 的差值（这样可以减小数字的长度，进而减少保存该数字需要的字节数）。例如当前文章号是16389（不压缩要用3个字节保存），上一文章号是16382， 压缩后保存7（只用一个字节）。
    
    下面我们可以通过对该索引的查询来解释一下为什么要建立索引。假设要查询单词 “live”，lucene先对词典二元查找、找到该词，通过指向频率文件的指针读出所有文章号，然后返回结果。词典通常非常小，因而，整个过程的时间是毫秒级的。而用普通的顺序匹配算法，不建索引，而是对所有文章的内容进行字符串匹配，这个过程将会相当缓慢，当文章数目很大时，时间往往是无法忍受的。