lucene 的檢索算法屬于索引檢索，即用空間來換取時(shí)間，對需要檢索的文件、字符流進(jìn)行全文索引，在檢索的時(shí)候?qū)λ饕M(jìn)行快速的檢索，得到檢索位置，這個(gè)位置記錄檢索詞出現(xiàn)的文件路徑或者某個(gè)關(guān)鍵詞。

lucene 在存儲(chǔ)它的全文索引結(jié)構(gòu)時(shí)，是有層次結(jié)構(gòu)的，這涉及到5個(gè)層次：索引(Index)；段(Segment)；文檔(Document)；域(Field)；詞(Term)，他們的關(guān)系如下圖所示：（ lucene 索引存儲(chǔ)結(jié)構(gòu)概念圖）

下圖是 Lucene 生成的索引的一個(gè)實(shí)例，右邊是對這5個(gè)層次的描述：

?

Lucene 的索引結(jié)構(gòu)是有層次結(jié)構(gòu)的，主要分以下幾個(gè)層次： 索引(Index)： 一個(gè)目錄一個(gè)索引，在 Lucene 中一個(gè)索引是放在一個(gè)文件夾中的。 如左圖，同一文件夾中的所有的文件構(gòu)成一個(gè) Lucene 索引。 段(Segment)： 一個(gè)索引可以包含多個(gè)段，段與段之間是獨(dú)立的，添加新文檔可以生成新的段，不同的段可以合并。 在建立索引的時(shí)候?qū)π阅苡绊懽畲蟮牡胤骄褪窃趯⑺饕龑懭胛募臅r(shí)候, 所以在具體應(yīng)用的時(shí)候就需要對此加以控制，段(Segment) 就是實(shí)現(xiàn)這種控制的。稍后詳細(xì)描述段(Segment) 的控制策略。 如上圖，具有相同前綴文件的屬同一個(gè)段，圖中共兩個(gè)段 "_0" 和 "_1"。 segments.gen和segments_5是段的元數(shù)據(jù)文件，也即它們保存了段的屬性信息。 文檔(Document)： 文檔是我們建索引的基本單位，不同的文檔是保存在不同的段中的，一個(gè)段可以包含多篇文檔。 新添加的文檔是單獨(dú)保存在一個(gè)新生成的段中，隨著段的合并，不同的文檔合并到同一個(gè)段中。 域(Field)： 一篇文檔包含不同類型的信息，可以分開索引，比如標(biāo)題，時(shí)間，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。 詞(Term)： 詞是索引的最小單位，是經(jīng)過詞法分析和語言處理后的字符串。

?

Lucene 的索引結(jié)構(gòu)中，即保存了正向信息，也保存了反向信息。

所謂正向信息：

• 按層次保存了從索引，一直到詞的包含關(guān)系：索引(Index) –> 段(segment) –> 文檔(Document) –> 域(Field) –> 詞(Term)
• 也即此索引包含了那些段，每個(gè)段包含了那些文檔，每個(gè)文檔包含了那些域，每個(gè)域包含了那些詞。
• 既然是層次結(jié)構(gòu)，則每個(gè)層次都保存了本層次的信息以及下一層次的元信息，也即屬性信息，比如一本介紹中國地理的書，應(yīng)該首先介紹中國地理的概況，以及中國包含多少個(gè)省，每個(gè)省介紹本省的基本概況及包含多少個(gè)市，每個(gè)市介紹本市的基本概況及包含多少個(gè)縣，每個(gè)縣具體介紹每個(gè)縣的具體情況。
• 如上圖，包含正向信息的文件有：
  • segments_N保存了此索引包含多少個(gè)段，每個(gè)段包含多少篇文檔。
  • XXX.fnm保存了此段包含了多少個(gè)域，每個(gè)域的名稱及索引方式。
  • XXX.fdx，XXX.fdt保存了此段包含的所有文檔，每篇文檔包含了多少域，每個(gè)域保存了那些信息。
  • XXX.tvx，XXX.tvd，XXX.tvf保存了此段包含多少文檔，每篇文檔包含了多少域，每個(gè)域包含了多少詞，每個(gè)詞的字符串，位置等信息。

所謂反向信息：

• 保存了詞典到倒排表的映射：詞(Term) –> 文檔(Document)
• 如上圖，包含反向信息的文件有：
  • XXX.tis，XXX.tii保存了詞典(Term Dictionary)，也即此段包含的所有的詞按字典順序的排序。
  • XXX.frq保存了倒排表，也即包含每個(gè)詞的文檔ID列表。
  • XXX.prx保存了倒排表中每個(gè)詞在包含此詞的文檔中的位置。

?

段(Segment) 的控制策略

在建立索引的時(shí)候?qū)π阅苡绊懽畲蟮牡胤骄褪窃趯⑺饕龑懭胛募臅r(shí)候, 所以在具體應(yīng)用的時(shí)候就需要對此加以控制:?

Lucene 默認(rèn)情況是每加入10份文檔(Document)就從內(nèi)存往index文件寫入并生成一個(gè)段(Segment) ,然后每10個(gè)段(Segment)就合并成一個(gè)段(Segment). 這些控制的變量如下：?

IndexWriter屬性	默認(rèn)值	描述
MergeFactory	10	控制segment合并的頻率和大小
MaxMergeDocs	Int32.MaxValue	限制每個(gè)segment中包含的文檔數(shù)
MinMergeDocs	10	當(dāng)內(nèi)存中的文檔達(dá)到多少的時(shí)候再寫入segment

MaxMergeDocs用于控制一個(gè)segment文件中最多包含的Document數(shù).比如限制為100的話,即使當(dāng)前有10個(gè)segment也不會(huì)合并,因?yàn)楹喜⒑蟮膕egment將包含1000個(gè)文檔,超過了限制。

MinMergeDocs用于確定一個(gè)當(dāng)內(nèi)存中文檔達(dá)到多少的時(shí)候才寫入文件,該項(xiàng)對segment的數(shù)量和大小不會(huì)有什么影響,它僅僅影響內(nèi)存的使用,進(jìn)一步影響寫索引的效率。

?

參考資料：
第三節(jié) Lucene 索引文件格式分析
http://hi.baidu.com/hustwk/blog/item/133bd2333f867047ad4b5fd0.html

Lucene 學(xué)習(xí)總結(jié)之三： Lucene 的索引文件格式(1)
http://www.cnblogs.com/forfuture1978/archive/2009/12/14/1623597.html
Lucene 學(xué)習(xí)總結(jié)之三： Lucene 的索引文件格式(2)
http://www.cnblogs.com/forfuture1978/archive/2009/12/14/1623599.html

Lucene 入門與使用
http://blog.csdn.net/mxz391/archive/2007/05/15/1610140.aspx

Lucene 源代碼剖析-4 索引文件結(jié)構(gòu)(1)
http://www.cnblogs.com/eaglet/archive/2009/02/13/1390033.html

開放源代碼的全文檢索引擎 Lucene
http://www. lucene .com.cn/about.htm

Lucene ：基于Java的全文檢索引擎簡介
http://www.chedong.com/tech/ lucene .html

Lucene 應(yīng)用架構(gòu)分析
http://book.51cto.com/art/200807/80198.htm

淺談 Lucene 架構(gòu)——開源搜索架構(gòu)(二)?
http://swanmsg.blog.sohu.com/112470914.html

lucene .net的索引的建立(三): 建立索引的問題
http://tech.ddvip.com/2008-10/122337481074843.html

?