【转】lucene文件格式

转自：http://lianj-lee.iteye.com/blog/465121

 

索引文件格式 

本文定义了Lucene（版本1.3）用到的索引文件的格式。 
Jakarta Lucene是用Java写成的，同时有很多团体正在默默的用其他的程序语言来改写它。如果这些新的版本想和Jakarta Lucene兼容，就需要一个与具体语言无关的Lucene索引文件格式。本文正是试图提供一个完整的与语言无关的Jakarta Lucene 1.3索引文件格式的规格定义。 
随着Lucene不断发展，本文也应该更新。不同语言写成的Lucene实现版本应当尽力遵守文 
件格式，也必须产生本文的新版本。 
本文同时提供兼容性批注，描述文件格式上与前一版本不同的地方。 

定义 
Lucene中最基础的概念是索引（index），文档（document），域（field）和项（term）。 

索引包含了一个文档的序列。 
· 文档是一些域的序列。 
· 域是一些项的序列。 
· 项就是一个字串。 
存在于不同域中的同一个字串被认为是不同的项。因此项实际是用一对字串表示的，第一个字串是域名，第二个是域中的字串。 

倒排索引 
为了使得基于项的搜索更有效率，索引中项是静态存储的。Lucene的索引属于索引方式中的倒排索引，因为对于一个项这种索引可以列出包含它的文档。这刚好是文档与项自然联系的倒置。 

域的类型 
Lucene中，域的文本可能以逐字的非倒排的方式存储在索引中。而倒排过的域称为被索引过了。域也可能同时被存储和被索引。 域的文本可能被分解许多项目而被索引，或者就被用作一个项目而被索引。大多数的域是被分解过的，但是有些时候某些标识符域被当做一个项目索引是很有用的。 

段（Segment） 
Lucene索引可能由多个子索引组成，这些子索引成为段。每一段都是完整独立的索引，能被搜索。索引是这样作成的： 
1. 为新加入的文档创建新段。 
2. 合并已经存在的段。 
搜索时需要涉及到多个段和/或者多个索引，每一个索引又可能由一些段组成。 

文档号（Document Number） 
内部的来说，Lucene用一个整形（interger）的文档号来指示文档。第一个被加入到索引中的文档就是0号，顺序加入的文档将得到一个由前一个号码递增而来的号码。 注意文档号是可能改变的，所以在Lucene外部存储这些号码时必须小心。特别的，号码的 
改变的情况如下： · 只有段内的号码是相同的，不同段之间不同，因而在一个比段广泛的上下文环境中使用这些号码时，就必须改变它们。标准的技术是根据每一段号码多少为每一段分配一个段号。将段内文档号转换到段外时，加上段号。将某段外的文档号转换到段内时，根据每段中可能的转换后号码范围来判断文档属于那一段，并减调这一段的段号。例如有两个含5个文档的段合并，那么第一段的段号就是0，第二段段号5。第二段中的第三个文档，在段外的号码就是8。 · 文档删除后，连续的号码就出现了间断。这可以通过合并索引来解决，段合并时删除的文档相应也删掉了，新合并而成的段并没有号码间断。 

绪论 
索引段维护着以下的信息： 
· 域集合。包含了索引中用到的所有的域。 
· 域值存储表。每一个文档都含有一个“属性－值”对的列表，属性即为域名。这个列表用来存储文档的一些附加信息，如标题，url或者访问数据库的一个ID。在搜索时存储域的集合可以被返回。这个表以文档号标识。 
· 项字典。这个字典含有所有文档的所有域中使用过的的项，同时含有使用过它的文档的文档号，以及指向使用频数信息和位置信息的指针。 
· 项频数信息。对于项字典中的每个项，这些信息包含含有这个项的文档的总数，以及每个文档中使用的次数。 
· 项位置信息。对于项字典中的每个项，都存有在每个文档中出现的各个位置。 
· Normalization factors. For each field in each document, a value is stored that is multiplied into the score for hits on that field. 标准化因子。对于文档中的每一个域，存有一个值，用来以后乘以这个这个域的命中数（hits）。 
· 被删除的文档信息。这是一个可选文件，用来表明那些文档已经删除了。 接下来的各部分部分详细描述这些信息。 

文件的命名（File Naming） 
同属于一个段的文件拥有相同的文件名，不同的扩展名。扩展名由以下讨论的各种文件格式确定。 一般来说，一个索引存放一个目录，其所有段都存放在这个目录里，尽管我们不要求您这样做。 

基本数据类型（Primitive Types） 

Byte 
最基本的数据类型就是字节（byte，8位）。文件就是按字节顺序访问的。其它的一些数据类型也定义为字节的序列，文件的格式具有字节意义上的独立性。 

UInt32 
32位无符号整数，由四个字节组成，高位优先。 

UInt32 --> <Byte>4 
Uint64 
64位无符号整数，由八字节组成，高位优先。 

UInt64 --> <Byte>8 
VInt 
可变长的正整数类型，每字节的最高位表明还剩多少字节。每字节的低七位表明整数的值。因此单字节的值从0到127，两字节值从128到16,383，等等。 

VInt 编码示例 
Value 
First byte 
Second byte 
Third byte 

0 
00000000 
1 
00000001 
2 
00000010 
... 
127 
01111111 
128 
10000000 
00000001 
129 
10000001 
00000001 
130 
10000010 
00000001 
... 
16,383 
11111111 
01111111 
16,384 
10000000 
10000000 
00000001 
16,385 
10000001 
10000000 
00000001 
... 

这种编码提供了一种在高效率解码时压缩数据的方法。 

Chars 
Lucene输出UNICODE字符序列，使用标准UTF-8编码。 

String 
Lucene输出由VINT和字符串组成的字串，VINT表示字串长，字符串紧接其后。 
String --> VInt, Chars 

索引包含的文件（Per-Index Files） 
这部分介绍每个索引包含的文件。 

Segments文件 
索引中活动的段存储在Segments文件中。每个索引只能含有一个这样的文件，名 

为"segments".这个文件依次列出每个段的名字和每个段的大小。 
Segments --> SegCount, <SegName, SegSize>SegCount 
SegCount, SegSize --> UInt32 
SegName --> String 
SegName表示该segment的名字，同时作为索引其他文件的前缀。 
SegSize是段索引中含有的文档数。 

Lock文件 
有一些文件用来表示另一个进程在使用索引。 
· 如果存在"commit.lock"文件，表示有进程在写"segments"文件和删除无用的段索引文件，或者表示有进程在读"segments"文件和打开某些段的文件。在一个进程在读取"segments"文件段信息后，还没来得及打开所有该段的文件前，这个Lock文件可以防止另一个进程删除这些文件。 
· 如果存在"index.lock"文件，表示有进程在向索引中加入文档，或者是从索引中删除文档。这个文件防止很多文件同时修改一个索引。 

Deleteable文件 
名为"deletetable"的文件包含了索引不再使用的文件的名字，这些文件可能并没有被实际的删除。这种情况只存在与Win32平台下，因为Win32下文件仍打开时并不能删除。 
Deleteable --> DelableCount, <DelableName>DelableCount 
DelableCount --> UInt32 
DelableName --> String 

段包含的文件（Per-Segment Files） 
剩下的文件是每段中包含的文件，因此由后缀来区分。 
域（Field） 
域集合信息（Field Info） 
所有域名都存储在这个文件的域集合信息中，这个文件以后缀.fnm结尾。 
FieldInfos (.fnm) --> FieldsCount, <FieldName, FieldBits>FieldsCount 
FieldsCount --> VInt 
FieldName --> String 
FieldBits --> Byte 
目前情况下，FieldBits只有使用低位，对于已索引的域值为1，对未索引的域值为0。 文件中的域根据它们的次序编号。因此域0是文件中的第一个域，域1是接下来的，等等。 

这个和文档号的编号方式相同。 
域值存储表（Stored Fields） 
域值存储表使用两个文件表示： 

1. 域索引（.fdx文件）。 
如下，对于每个文档这个文件包含指向域值的指针： 
FieldIndex (.fdx) --> <FieldValuesPosition>SegSize 
FieldValuesPosition --> Uint64 
FieldValuesPosition指示的是某一文档的某域的域值在域值文件中的位置。因为域值文件含有定长的数据信息，因而很容易随机访问。在域值文件中，文档n的域值信息就存在n*8位置处（The position of document n's field data is the Uint64 at n*8 in this file.）。 

2. 域值（.fdt文件）。 
如下，每个文档的域值信息包含： 
FieldData (.fdt) --> <DocFieldData>SegSize 
DocFieldData --> FieldCount, <FieldNum, Bits, Value>FieldCount 
FieldCount --> VInt 
FieldNum --> VInt 
Bits --> Byte 
Value --> String 
目前情况下，Bits只有低位被使用，值为1表示域名被分解过，值为0表示未分解过。 

项字典（Term Dictionary） 
项字典用以下两个文件表示： 
1. 项信息（.tis文件）。 
TermInfoFile (.tis)--> TermCount, TermInfos 
TermCount --> UInt32 
TermInfos --> <TermInfo>TermCount 
TermInfo --> <Term, DocFreq, FreqDelta, ProxDelta> 
Term --> <PrefixLength, Suffix, FieldNum> 
Suffix --> String 
PrefixLength, DocFreq, FreqDelta, ProxDelta 
--> VInt 
项信息按项排序。项信息排序时先按项所属的域的文字顺序排序，然后按照项的字串的文字顺序排序。 项的字前缀往往是共同的，与字的后缀组成字。PrefixLength变量就是表示与前一项相同的前缀的字数。因此，如果前一个项的字是"bone"，后一个是"boy"的话，PrefixLength值为2，Suffix值为"y"。 

FieldNum指明了项属于的域号，而域名存储在.fdt文件中。 
DocFreg表示的是含有该项的文档的数量。 
FreqDelta指明了项所属TermFreq变量在.frq文件中的位置。详细的说，就是指相对于前一个项的数据的位置偏移量（或者是0，表示文件中第一个项）。 
ProxDelta指明了项所属的TermPosition变量在.prx文件中的位置。详细的说，就是指相对于前一个项的数据的位置偏移量（或者是0，表示文件中第一个项）。 

2. 项信息索引（.tii文件）。 
每个项信息索引文件包含.tis文件中的128个条目，依照条目在.tis文件中的顺序。这样设计是为了一次将索引信息读入内存能，然后使用它来随机的访问.tis文件。 这个文件的结构和.tis文件非常类似，只在每个条目记录上增加了一个变量IndexDelta。 
TermInfoIndex (.tii)--> IndexTermCount, TermIndices 
IndexTermCount --> UInt32 
TermIndices --> <TermInfo, IndexDelta>IndexTermCount 
IndexDelta --> VInt 
IndexDelta表示该项的TermInfo变量值在.tis文件中的位置。详细的讲，就是指相对于前 
一个条目的偏移量（或者是0，对于文件中第一个项）。 

项频数（Frequencies） 
.frq文件包含每一项的文档的列表，还有该项在对应文档中出现的频数。 
FreqFile (.frq) --> <TermFreqs>TermCount 
TermFreqs --> <TermFreq>DocFreq 
TermFreq --> DocDelta, Freq? 
DocDelta,Freq --> VInt 
TermFreqs序列按照项来排序（依据于.tis文件中的项，即项是隐含存在的）。 
TermFreq元组按照文档号升序排列。 
DocDelta决定了文档号和频数。详细的说，DocDelta/2表示相对于前一文档号的偏移量（或者是0，表示这是TermFreqs里面的第一项）。当DocDelta是奇数时表示在该文档中频数为1，当DocDelta是偶数时，另一个VInt（Freq）就表示在该文档中出现的频数。 
例如，假设某一项在文档7中出现一次，在文档11中出现了3次，在TermFreqs中就存在如下的VInts序列： 15, 22, 3 

项位置（Position） 
.prx文件包含了某文档中某项出现的位置信息的列表。 
ProxFile (.prx) --> <TermPositions>TermCount 
TermPositions --> <Positions>DocFreq 
Positions --> <PositionDelta>Freq 
PositionDelta --> VInt 
TermPositions按照项来排序（依据于.tis文件中的项，即项是隐含存在的）。 
Positions元组按照文档号升序排列。 
PositionDelta是相对于前一个出现位置的偏移位置（或者为0，表示这是第一次在这个文档中出现）。 例如，假设某一项在某文档第4项出现，在另一个文档中第5项和第9项出现，将存在如下的 
VInt序列： 4, 5, 4 

标准化因子（Normalization Factor） 
.nrm文件包含了每个文档的标准化因子，标准化因子用来以后乘以这个这个域的命中数。 
Norms (.nrm) --> <Byte>SegSize 
每个字节记录一个浮点数。位0-2包含了3位的尾数部分，位3-8包含了5位的指数部分。 
按如下规则可将这些字节转换为IEEE标准单精度浮点数： 
1. 如果该字节是0，就是浮点0； 
2. 否则，设置新浮点数的标志位为0； 
3. 将字节中的指数加上48后作为新的浮点数的指数； 
4. 将字节中的尾数映射到新浮点数尾数的高3位；并且 
5. 设置新浮点数尾数的低21位为0。 

被删除的文档（Deleted Document） 
.del文件是可选的，只有在某段中存在删除操作后才存在： 
Deletions (.del) --> ByteCount,BitCount,Bits 
ByteSize,BitCount --> Uint32 
Bits --> <Byte>ByteCount 
ByteCount表示的是Bits列表中Byte的数量。典型的，它等于（SegSize/8）+1。 
BitCount表示Bits列表中多少个已经被设置过了。 
Bits列表包含了一些位（bit），顺序表示一个文档。当对应于文档号的位被设置了，就标 
志着这个文档已经被删除了。位的顺序是从低到高。因此，如果Bits包含两个字节，0x00 
和0x02，那么表示文档9已经删除了。 

局限性（Limitations） 
在以上的文件格式中，好几处都有限制项和文档的最大个数为32位数的极限，即接近于40亿。今天看来，这不会造成问题，但是，长远的看，可能造成问题。因此，这些极限应该或者换为UInt64类型的值，或者更好的，换为VInt类型的值（VInt值没有上限）。 
有两处地方的代码要求必须是定长的值，他们是： 
1. FieldValuesPosition变量（存储于域索引文件中，.fdx文件）。它已经是一个UInt64型，所以不会有问题。 
2. TermCount变量（存储于项信息文件中，.tis文件）。这是最后输出到文件中的，但是 
最先被读取，因此是存储于文件的最前端 。索引代码先在这里写入一个0值，然后在其他 
文件输出完毕后覆盖这个值。所以无论它存储在什么地方，它都必须是一个定长的值，它 
应该被变成UInt64型。 
除此之外，所有的UInt值都可以换成VInt型以去掉限制