也来谈谈Lucene倒排索引原理

Lucene是一个高性能的java全文检索工具包&＃xff0c;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&＃xff1a;

0&＃xff09;设有两篇文章1和2
文章1的内容为&＃xff1a;Tom lives in Guangzhou,I live in Guangzhou too.
文章2的内容为&＃xff1a;He once lived in Shanghai.

1)由于lucene是基于关键词索引和查询的&＃xff0c;首先我们要取得这两篇文章的关键词&＃xff0c;通常我们需要如下处理措施
a.我们现在有的是文章内容&＃xff0c;即一个字符串&＃xff0c;我们先要找出字符串中的所有单词&＃xff0c;即分词。英文单词由于用空格分隔&＃xff0c;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&＃xff0c;中文中的“的”“是”等字通常也无具体含义&＃xff0c;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”&＃xff0c;“HE”的文章也找出来&＃xff0c;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”&＃xff0c;“lived”的文章也找出来&＃xff0c;所以需要把“lives”&＃xff0c;“lived”还原成“live”
e.文章中的标点符号通常不表示某种概念&＃xff0c;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&＃xff1a;[tom] [live] [guangzhou] [i] [live] [guangzhou]
    文章2的所有关键词为&＃xff1a;[he] [live] [shanghai]

2) 有了关键词后&＃xff0c;我们就可以建立倒排索引了。上面的对应关系是&＃xff1a;“文章号”对“文章中所有关键词”。倒排索引把这个关系倒过来&＃xff0c;变成&＃xff1a;“关键词”对“拥有该关键词的所有文章号”。文章1&＃xff0c;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&＃xff0c;我们还需要知道关键词在文章中出现次数和出现的位置&＃xff0c;通常有两种位置&＃xff1a;
a)字符位置&＃xff0c;即记录该词是文章中第几个字符&＃xff08;优点是关键词亮显时定位快&＃xff09;&＃xff1b;
b)关键词位置&＃xff0c;即记录该词是文章中第几个关键词&＃xff08;优点是节约索引空间、词组&＃xff08;phase&＃xff09;查询快&＃xff09;&＃xff0c;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&＃xff0c;我们的索引结构变为&＃xff1a;
关键词   文章号[出现频率]   出现位置
guangzhou 1[2]               3&＃xff0c;6
he        2[1]               1
i         1[1]               4
live      1[2],2[1]          2&＃xff0c;5&＃xff0c;2
shanghai  2[1]               3
tom       1[1]               1

以live 这行为例我们说明一下该结构&＃xff1a;live在文章1中出现了2次&＃xff0c;文章2中出现了一次&＃xff0c;它的出现位置为“2,5,2”这表示什么呢&＃xff1f;我们需要结合文章号和出现频率来分析&＃xff0c;文章1中出现了2次&＃xff0c;那么“2,5”就表示live在文章1中出现的两个位置&＃xff0c;文章2中出现了一次&＃xff0c;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&＃xff08;lucene没有使用B树结构&＃xff09;&＃xff0c;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&＃xff08;Term Dictionary&＃xff09;、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&＃xff0c;还保留了指向频率文件和位置文件的指针&＃xff0c;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&＃xff0c;用于表达信息所在位置&＃xff08;如标题中&＃xff0c;文章中&＃xff0c;url中&＃xff09;&＃xff0c;在建索引中&＃xff0c;该field信息也记录在词典文件中&＃xff0c;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&＃xff0c;Lucene对索引还使用了压缩技术。首先&＃xff0c;对词典文件中的关键词进行了压缩&＃xff0c;关键词压缩为<前缀长度&＃xff0c;后缀>&＃xff0c;例如&＃xff1a;当前词为“阿拉伯语”&＃xff0c;上一个词为“阿拉伯”&＃xff0c;那么“阿拉伯语”压缩为<3&＃xff0c;语>。其次大量用到的是对数字的压缩&＃xff0c;数字只保存与上一个值的差值&＃xff08;这样可以减小数字的长度&＃xff0c;进而减少保存该数字需要的字节数&＃xff09;。例如当前文章号是16389&＃xff08;不压缩要用3个字节保存&＃xff09;&＃xff0c;上一文章号是16382&＃xff0c;压缩后保存7&＃xff08;只用一个字节&＃xff09;。
    
    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”&＃xff0c;lucene先对词典二元查找、找到该词&＃xff0c;通过指向频率文件的指针读出所有文章号&＃xff0c;然后返回结果。词典通常非常小&＃xff0c;因而&＃xff0c;整个过程的时间是毫秒级的。
而用普通的顺序匹配算法&＃xff0c;不建索引&＃xff0c;而是对所有文章的内容进行字符串匹配&＃xff0c;这个过程将会相当缓慢&＃xff0c;当文章数目很大时&＃xff0c;时间往往是无法忍受的。