Lucene讀書筆記（三）

Lucene索引文檔格式：

 

以上就是Lucene的索引文件的概念结构。Lucene索引index由若干段(segment)组成，每一段由若干的文档（document）组成，每一个文档由若干的域（field）组成，每一个域由若干的项（term）组成。项是最小的索引概念单位，它直接代表了一个字符串以及其在文件中的位置、出现次数等信息。

域是一个关联的元组，由一个域名和一个域值组成，域名是一个字串，域值是一个项。

从概念上映射到结构中，索引被处理为一个目录（文件夹），其中含有的所有文件即为其内容，这些文件按照所属的段不同分组存放，同组的文件拥有相同的文件名，不同的扩展名。此外还有三个文件，分别用来保存所有的段的记录、保存已删除文件的记录和控制读写的同步，它们分别是segments，deletable和lock文件，都没有扩展名。每个段包含一组文件，它们的文件扩展名不同，但是文件名均为记录在文件segments中段的名字。

 

 

索引文件目錄由segments，deletable和lock文件和segment1所屬的文件組成。

segment1 = 域集合信息 + 項集合信息 + 標準化因子(segment1.prx) + 被刪文件(segment1.del)

域集合信息 = segment1.fnm + 域值存儲表(segment1.fdx, segment1.fdt)

項集合信息 = 項字典(segment1.tis, segmetn1.tii) + 項頻數(segment1.prx) + 項位置(segment1.frq)

 

索引文件与信息文件在记录的排列顺序上存在隐式的对应关系，即索引文件中按照“索引项1、索引项2…”排列，则信息文件则也按照“信息项1、信息项2…”排列。比如在图3.2所示文件中，segment1.fdx与segment1.fdt之间，segment1.tii与segment1.tis、segment1.prx、segment1.frq之间，都存在这样的组织关系。而域集合与项集合之间则通过域的在域记录文件（比如segment1.fnm）中所记录的域记录号维持对应关系