Lucene索引在文件和内存中的数据结构

Lucene索引文件结构:

Lucene的索引由多个不同后缀格式的文件组成，本文准确来说应该是lucene索引倒排表的文件结构,具体的组织形式如下：

	field fieldName  --域的名称
		term termName --term的名称，也就是分出的词
			doc docId --文档id,在指定域下，出现指定term（分词）的文档的id
				Freq count --term在文档中出现的次数
				Pos  --属于第几个分词
				Offset --term在文档中的偏移
				Payload --payload信息

在不同的codec下,文件的后缀名称和存储格式不一样，其中有个simpletext的codec,特别适合用来学习lucene的“黑盒”索引文件,本文就是讲解在SimpleTextCodec编码下的倒排表文件,具体如何指定codec呢？可以参考下面的代码：

 

SimpleTextCodec stc = new SimpleTextCodec();

IndexWriterConfig config = new

IndexWriterConfig(Version.LUCENE_40,analyzer);

config.setCodec(stc);//设置索引的编码格式

 

在SimpleTextCodec编码格式下,lucene索引倒排表文件的后缀是.pst,现在我们来索引两个文档来具体看下倒排表的文件内容。

 

Document doc0 = new Document();

doc0.add(new Field("title", "title hello title", type));

doc0.add(new Field(