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。