`
pavel
  • 浏览: 927930 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

Lucene倒排索引原理

阅读更多

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。

分享到:
评论

相关推荐

    Lucene 倒排原理.docx

    ### Lucene倒排索引原理详解 #### 一、引言 搜索引擎的速度和效率往往令人惊叹,这其中的秘密在于其背后的索引技术。本篇将通过Lucene这一知名的开源全文检索库,来深入探讨搜索引擎是如何利用倒排索引原理实现高效...

    lucene索引结构原理

    4. **倒排索引(Inverted Index)**:这是Lucene的核心索引结构。每个词项在倒排索引中对应一个倒排列表(Posting List),记录了该词项在哪些文档中出现以及其在文档中的位置。倒排列表通常存储在磁盘上,以节省...

    倒排索引java实现

    首先,我们需要理解倒排索引的基本原理。倒排索引由两部分组成:词典(Dictionary)和倒排列表(Posting List)。词典存储了所有出现过的词汇,每个词汇对应一个倒排列表。倒排列表则记录了每个词汇在文档中的出现...

    lucene索引结构原理.docx

    【Lucene 索引结构原理】 Lucene 是一个高性能、全文检索的开源...在Lucene中,这个过程包括分析文本、创建倒排索引等步骤,使得搜索操作从线性时间复杂度转变为对数时间复杂度,显著提高了大规模文本数据的检索速度。

    Lucene之删除索引

    Lucene的索引删除过程并不像传统的文件系统删除那么简单,它涉及到对倒排索引结构的修改。 1. **删除文档**:在Lucene中,删除操作并不是真正地从磁盘上移除文档,而是通过添加一个删除标记到索引中。当你调用`...

    Hadoop倒排索引程序

    《Hadoop倒排索引程序:并行框架下的文本处理技术》 在现代大数据处理领域,Hadoop作为一款开源的并行计算框架,扮演着至关重要的角色。倒排索引,作为一种高效的全文检索技术,被广泛应用于搜索引擎和信息检索系统...

    lucene全文索引原理

    倒排索引是Lucene的核心,它将词语作为索引,每个词语指向一个列表,列表包含了包含该词语的文档ID及其在文档中的位置。这种结构使得搜索时能快速找到包含特定词语的文档。 4. **分析器(Analyzer)**: 分析器...

    Lucene的原理完整版pdf

    7. **倒排索引**:Lucene的核心是倒排索引,它允许快速定位含有特定术语的文档,极大提高了搜索效率。 ### 四、应用示例 例如,假设你正在构建一个博客平台,可以使用Lucene来实现全文检索功能。每个博客文章作为...

    深入 Lucene 索引机制

    2. 索引匹配:Lucene通过遍历倒排索引,找到所有匹配查询的Term,并结合Posting List找出包含这些Term的文档。 3. 排序和评分:Lucene使用TF-IDF(词频-逆文档频率)和其他因素(如文档长度、查询词位置等)计算每...

    Lucene的应用

    #### Lucene倒排索引原理 Lucene的核心机制之一是倒排索引。倒排索引是一种高效的索引数据结构,用于快速定位包含特定词汇的文档。在Lucene中,倒排索引的构建过程包括以下几个步骤: 1. **文档分析**:对输入文档...

    Lucene 3.0 原理

    倒排索引是 Lucene 的核心数据结构,它将每个术语映射到包含该术语的文档列表,以及在这些文档中出现的位置信息。 2. **分词器(Analyzer)**:在 Lucene 3.0 中,分词器负责将输入的文本拆分成可搜索的单元。它...

    lucene索引查看工具及源码

    Luke 提供了诸如查看文档字段、搜索索引、查看倒排索引结构等功能,对于开发者来说是了解和调试 Lucene 索引的利器。 Luke 的源码也公开在 GitHub 上,这对于想深入理解 Lucene 内部机制的开发者来说是一个宝贵的...

    LUCENE搜索引擎基本工作原理

    总结来说,Lucene搜索引擎的基本工作原理包括建立倒排索引、处理用户查询以及返回相关性最高的结果。同时,Lucene还支持与目录索引的集成,适应各种搜索场景。通过理解这些原理,开发者可以更好地利用Lucene构建高效...

    基于Lucene索引的分析与实现

    倒排索引是Lucene的核心索引结构。不同于顺序扫描中存储文件内容与字符串的对应关系,倒排索引存储的是字符串到文件的映射,即知道某个词汇出现在哪些文件中及其位置。这大大提升了搜索效率。在Lucene中,索引由多个...

    lucene 索引 查看 工具

    1. **Lucene 索引**:Lucene 的索引是一种倒排索引,它将文档中的词项(tokens)映射到包含这些词项的文档列表。这种数据结构使得搜索过程高效,能够在大量文档中快速找到包含特定关键词的文档。 2. **Luke 工具**...

    Lucene 原理 介绍

    Lucene的核心机制是基于倒排索引,这是一种为了快速进行文本查找而设计的数据结构。 ### 倒排索引的原理 倒排索引是Lucene实现高效搜索的关键。在传统的文件系统中,数据是以正排索引的形式存储的,即每个文档对应...

    面试指南-Lucene-ES篇-课件

    - #### 倒排索引的原理以及它是用来解决哪些问题(谈谈你对倒排索引的理解) - #### 倒排索引底层数据结构(倒排索引的数据结构) - #### 倒排表的压缩算法(底层算法) - #### Trie字典树(Prefix Trees)原理...

    Lucene索引和查询

    这些词项构成了倒排索引(Inverted Index),这是一种数据结构,它允许我们快速找到包含特定词项的所有文档。具体步骤包括: - 分词(Tokenization):通过分词器(Tokenizer)将文本切分成词项。 - 词项处理(Term...

Global site tag (gtag.js) - Google Analytics