lucene文件格式待整理

标签：des   Lucene   style   http   color   os   

这是之前Lucene3.0生成的索引格式

a表

b表

、

c.这是网上找的图片(因为上面的两张表的segment都是合并了的)

lucene4.9 建立的索引：

    索引(Index)：
        在Lucene中一个索引是放在一个文件夹中的。
        如上图，同一文件夹中的所有的文件构成一个Lucene索引。
    段(Segment)：
        一个索引可以包含多个段，段与段之间是独立的，添加新文档可以生成新的段，不同的段可以合并。
        如上图，具有相同前缀文件的属同一个段，图中共两个段 "_0" 和 "_1"。
        segments.gen和segments_5是段的元数据文件，也即它们保存了段的属性信息。
    文档(Document)：
        文档是我们建索引的基本单位，不同的文档是保存在不同的段中的，一个段可以包含多篇文档。
        新添加的文档是单独保存在一个新生成的段中，随着段的合并，不同的文档合并到同一个段中。
    域(Field)：
        一篇文档包含不同类型的信息，可以分开索引，比如标题，时间，正文，作者等，都可以保存在不同的域里。
        不同域的索引方式可以不同，在真正解析域的存储的时候，我们会详细解读。
    词(Term)：
        词是索引的最小单位，是经过词法分析和语言处理后的字符串。

文件格式对应缩写  

.fdt   field data

.fdx   field index

.fnm  field name

.frq   frequencies

.nrm  norms

.prx  ProxFile

.tii    term info index

.tis   term infos

segments.gen

segments_N

所谓正向信息：

• 按层次保存了从索引，一直到词的包含关系：索引(Index) –> 段(segment) –> 文档(Document) –> 域(Field) –> 词(Term)
• 也即此索引包含了那些段，每个段包含了那些文档，每个文档包含了那些域，每个域包含了那些词。
• 既然是层次结构，则每个层次都保存了本层次的信息以及下一层次的元信息，也即属性信息，比如一本介绍中国地理的书，应该首先介绍中国地理的概况， 以及中国包含多少个省，每个省介绍本省的基本概况及包含多少个市，每个市介绍本市的基本概况及包含多少个县，每个县具体介绍每个县的具体情况。
• 如上图，包含正向信息的文件有：
  • segments_N保存了此索引包含多少个段，每个段包含多少篇文档。
  • .fnm保存了此段包含了多少个域，每个域的名称及索引方式。
  • .fdx，.fdt保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。
  • .tvx，.tvd，.tvf保存了此段包含多少文档，每篇文档包含了多少域，每个域包含了多少词，每个词的字符串，位置等信息。

所谓反向信息：

• 保存了词典到倒排表的映射：词(Term) –> 文档(Document)
• 如上图，包含反向信息的文件有：
  • XXX.tis，XXX.tii保存了词典(Term Dictionary)，也即此段包含的所有的词按字典顺序的排序。
  • XXX.frq保存了倒排表，也即包含每个词的文档ID列表。
  • XXX.prx保存了倒排表中每个词在包含此词的文档中的位置。

lucene文件格式待整理,布布扣,bubuko.com

lucene文件格式待整理

标签：des   Lucene   style   http   color   os   

原文地址：http://www.cnblogs.com/o-andy-o/p/3835502.html