`
liulanghan110
  • 浏览: 1076658 次
  • 性别: Icon_minigender_1
  • 来自: 武汉
社区版块
存档分类
最新评论

Lucene 工作原理--倒排索引

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] [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<堉?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-core-2.0.0.jar

    它采用了倒排索引(Inverted Index)结构,这是一种将文档中出现的词及其位置存储在索引中的数据结构,使得查找匹配文档变得高效。此外,此版本还支持多线程索引,提高了并发性能。 查询执行方面,Lucene提供了一...

    lucene-codecs-4.4.0.zip

    2. 索引(Index):Lucene创建倒排索引,这是一种数据结构,使得快速查找包含特定词项的文档变得可能。索引由多个段(Segments)组成,每个段是一个独立的、不可变的搜索索引。 3. 查询解析器(QueryParser):将...

    lucene-6.4.0-src.zip

    1. **文档索引**:首先,Lucene会对输入的文档进行分析,将文本分解为关键词(术语),然后这些术语会被添加到倒排索引中。倒排索引是一种数据结构,它将每个术语映射到包含该术语的文档列表。 2. **查询处理**:...

    lucene-4.0.0-src.zip 【Lucene 4.0.0源码包src , source】

    1. **索引(Index)**:Lucene的索引是一个倒排索引,它允许快速地查找包含特定词汇的文档。在源码中,我们可以看到`IndexWriter`类用于创建和更新索引,而`Directory`接口代表了存储索引的物理位置。 2. **查询...

    lucene-4.2.1-src.tgz

    它将非结构化的文本数据转化为结构化的倒排索引,使搜索操作能够快速定位到相关的文档。在源代码中,你可以研究`IndexWriter`类和相关的`Analyzer`、`Document`、`Field`等,了解如何将文本数据转换为可搜索的索引。...

    lucene源码---官网最新下载

    在 `lucene-2.9.4` 这个版本中,我们可以深入研究 Lucene 的内部工作原理和设计模式。 1. **Lucene 的核心组件** - **Analyzer**: 分析器是 Lucene 的关键组件,负责将输入的文本转换为可供搜索的词项(Tokens)。...

    lucene-2.9.4-src.zip

    通过阅读和理解这些源代码,开发者可以深入理解Lucene的工作原理,定制自己的搜索引擎,或者为Lucene贡献新的功能。 总的来说,Apache Lucene 2.9.4是一个强大的全文检索引擎,其源代码提供了丰富的学习资源,有助...

    lucene-2.9.3-src.zip

    - **倒排索引(Inverted Index)**:Lucene的核心是构建倒排索引,它将文档中的每个词映射到包含该词的文档列表,从而实现了快速的全文检索。 - **分词(Tokenization)**:Lucene使用Analyzer对输入文本进行分词...

    lucene-core-2.3.0 lucene-core2.4.0以及极易分词器 jar包

    在使用这些组件时,开发者需要了解Lucene的基本概念,如文档模型、倒排索引、查询解析和过滤器等。同时,对于Je-Analysis,需要理解其分词规则,如何配置和调用分词器,以及如何将其集成到Lucene的索引和搜索流程中...

    lucene-core-3.0.0.rar_lucene_lucene-core3

    1. **索引**:Lucene的索引机制是一种倒排索引(Inverted Index),它将文档中的词汇映射到包含这些词汇的文档列表。这种数据结构使得搜索效率极高,能够在短时间内返回相关结果。 2. **分词器(Tokenizer)**:...

    lucene-core-4.9.3,开源jar包

    1. **索引**:Lucene首先对文档进行分词,然后创建一个倒排索引。倒排索引是一种数据结构,它将每个词与包含该词的文档列表关联,极大地提高了搜索速度。 2. **分析器**:分析器负责将原始文本转换为可供索引的标准...

    jakarta-lucene-1.9-final.zip_lucene_lucene 1.9 final j

    4. **倒排索引**:使用倒排索引来存储索引,使得查询速度非常快。 5. **内存和磁盘优化**:Lucene设计时考虑了内存和磁盘的使用,能在有限的资源下提供高效服务。 在1.9版本之后,Lucene不断进化,增加了更多特性,...

    lucene和je-analysis-1.5.3

    Lucene的核心功能包括索引构建、倒排索引、查询解析、评分和排序等,这些功能使得开发者可以快速地在大量文档中实现精确且高效的搜索。 在Lucene中,索引是其核心概念,它通过分析文本并创建倒排索引来实现快速查找...

    java全文搜索lucene-3.0.0-src+lib.zip

    它提供了完整的搜索功能,包括分词、建立倒排索引、查询解析、评分以及结果排序等。Lucene的设计目标是使开发者能够轻松地在应用程序中集成高级搜索功能。 1.2 Lucene 3.0.0版本亮点 Lucene 3.0.0是历史上的一个...

    lucene-5.0.0 完整资源(包含Jar包)

    1. **分词和索引**:Lucene能够对输入文档进行分词,创建一个高效的倒排索引,使得在大量数据中快速查找匹配项成为可能。这个过程包括分析、tokenization、词干提取和停用词处理等步骤。 2. **查询解析**:用户输入...

    lucene-5.2.1-src.tgz

    4. 索引(Index):索引是Lucene的核心,它是一种倒排索引结构,允许快速查找包含特定词元的文档。5.2.1版本对索引结构进行了优化,提高了查询速度和存储效率。 二、主要组件 1. 分析器(Analyzer):分析器负责将...

    最全的lucene-2.4.0jar包

    - **索引**:Lucene通过创建倒排索引来实现快速搜索。索引过程将文档内容转换为可搜索的数据结构,包括词项(Term)、词项频率(TF)和位置信息。 - **Analyzer**:Analyzer负责将输入文本分解为词元(Token),并...

    新闻发布系统lucene-1.4.1-src

    通过这个项目,开发者不仅可以学习到ASP编程,还能深入理解全文搜索引擎的工作原理,包括倒排索引、TF-IDF权重计算、布尔查询等核心概念。此外,对于信息管理与信息系统专业的学生,这是一个理想的实践平台,可以...

    lucene-3.3.0-src.zip

    - **索引(Indexing)**: Lucene 使用倒排索引技术,将文档内容转换为便于搜索的数据结构。`core`模块的`IndexWriter`类负责创建和更新索引,`Directory`接口则管理索引的存储位置。 - **搜索(Searching)**: `...

Global site tag (gtag.js) - Google Analytics