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。
<3>实现
词典文件、频率文件、位置文件
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)。
<4>压缩算法
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)。
<5>应用原因
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。