5分钟了解lucene全文索引

一、Lucene介绍及应用

Apache Lucene是当下最为流行的开源全文检索工具包，基于JAVA语言编写。

目前基于此工具包开源的搜索引擎，成熟且广为人知的有Solr和Elasticsearch。2010年后Lucene和Solr两个项目由同一个Apache软件基金会的开发团队制作，所以通常我们看到的版本都是同步的。二者的区别是Lucene是工具包，而Solr是基于Lucene制作的企业级搜索应用。另外，我们常用的Eclipse，帮助系统的搜索功能也是基于Lucene实现的。

二、Lucene的两项工作

在我们的生活物品中，汉语字典与全文索引是很相似的。我们拿拼音查字法举例，首先我们通过拼音找到我们要查字的页数，然后翻到该页，阅读这个字的详细解释。

在上面的例子中，我们提到了两个要素：一个是字典，另一个是查字的过程。对应到Lucene的功能上，一个是我们要建立一个字典，这个过程叫做建立索引，另一个是根据搜索词基于索引进行查询。

2.1 建立索引

1）文档的准备（Document）

文档就是指我们要去搜索的原文。

2）分词组件（Tokenizer）

将第一步的文档进行词语切割，去除标点，去除无用词，比如“是”，“的”等。常用的开源中文分词组件有MMSEG4J、IKAnalyzer等。切割后的词语我们称为词元（Token）。

3）语言处理（Linguistic Processor）

将上一步的获得的词元进行处理，比如英文的大写转小写，复数变单数，过去时分词转原形等。此时得到的结果，被称作词(Term)

4）索引组件

索引组件将上步得到的词，生成索引和词典，存储到磁盘上。索引组件先将Term变成字典，然后对字典进行排序，排序后对相同的词进行合并，形成倒排列表。每个词在列表中存储了对应的文档Id（Document Frequency）以及这个词在这个文档中出现了几次（Term Frequency）。

2.2 搜索

1）输入查询词

2）词法分析及语言处理

对输入的词进行拆分，关键字识别(AND,NOT)等。对拆分的词元进行语言处理，与建立字典时语言处理的过程相同。由关键字与处理后的词生成语法树。

3）搜索索引，获得符合语法树的文档

如A and B not C形成的语法树，则会搜索包含A B C的文档列表，然后用A和B的文档列表做交集，结果集与C做差集，得到的结果，就是符合搜索条件的文档列表

4）根据相关性，对搜索结果排序

通过向量空间模型的算法，得到结果的相关性。比较简单的实现描述如下：在建立索引的时候，我们得到了Document Frequency和Term Frequency，Term Frequency越高，说明文档的相关性越高；Document Frequency越高，说明相关性越弱。这个算法可以自己进行实现。

5）根据上面的排序结果，返回文档。

三、索引结构

Lucene的索引结构是有层次结构的。我们以下图为例

3.1 索引(Index)

如果拿数据库做类比，索引类似于数据库的表。

在Lucene中一个索引是放在一个文件夹中的。所以可以理解索引为整个文件夹的内容。

3.2 段(Segment)

如果拿数据库做类比，段类似于表的分区。

索引下面引入了Segment 的概念，一个索引下可以多个段。当flush或者commit时生成段文件。截图中有0，1两个段。segments.gen和segments_5是段的元数据文件，它们保存了段的属性信息。其他的文件对应的就是各段的文件，稍后会详细说明各文件的用处。

索引的写入是顺序的，只能被追加，不能被修改。当索引要删除时，在.del文件中写入对应的docId。查询的时候会过滤到此docId。另外索引的修改，是对Document进行删除后做的追加。这种设计保证了高吞吐量。

分段的设计能保证查询的高效，当段太大时，查询会产生很大的IO消耗。段太小，则需要查询的段太多。所以lucene对段进行了合并，另外删除的数据也是在合并过程中过滤掉的。4.0之前的默认的合并策略为LogMergePolicy，这个策略会合并小于指定值的相邻段，如果两个相邻段，一个大小为1G，一个大小为1k，则会重写1G的文件会占用很大资源。4.0之后默认策略改为了TieredMergePolicy，这个策略会先按分段大小进行排序，对段进行删除比计算，优先合并小的分段。当系统闲暇的时候，才对大分段进行合并。

3.3 文档(Document)

如果拿数据库做类比，文档类似于数据的一行。

Document是索引的基本单位。一个段可以有多个Document

3.4 域(Field)

如果拿数据库做类比，域相当于表的字段。

Doument里可以有多个Field。Lucene提供多种不同类型的Field，例如StringField、TextField、LongFiled或NumericDocValuesField等。

3.5 词(Term)

Term是索引的最小单位。Term是由Field经过Analyzer（分词）产生。

四、段的文件说明

第三章节详细描述了段的设计和合并策略，以下详细讲解一些段文件的内容。

segments_N保存了此索引包含多少个段，每个段包含多少篇文档。

*.fnm

保存了此段包含了多少个域，每个域的名称及索引方式。

*.fdx，*.fdt

保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。

*.tvx，*.tvd，*.tvf

保存了此段包含多少文档，每篇文档包含了多少域，每个域包含了多少词，每个词的字符串，位置等信息。

*.tis，*.tii

保存了词典(Term Dictionary)，也即此段包含的所有的词按字典顺序的排序。

*.frq

保存了倒排表，也即包含每个词的文档ID列表。

*.prx

保存了倒排表中每个词在包含此词的文档中的位置

*.del

前面讲段的时候有提到，用来是存储删掉文档id的。

作者：田梁

来源：宜信技术学院