lucene文件格式初探 (8.11)

https://lucene.apache.org/core/8_11_1/core/org/apache/lucene/codecs/lucene87/package-summary.html#package.description

basic definitions

  • doc: Seq[Field]
  • field: NamedSeq[Term]
  • term: Seq[Byte]

在不同field中的相同bytes, 被視為不同的term.So, term is represented as: field_name + field_value

索引

因?yàn)榉衷~成term(s), 所以Lucene是term-based搜索, 如何分詞影響到了search的效率和準(zhǔn)確(結(jié)果)

field的類型

field可以被直接存儲(chǔ), 即它們的原文(text of a field)可以被直接存儲(chǔ)stored, 也可以被倒排(tokeniezd into term)為索引indexed , 或者同時(shí)存在.
另外, 可以被tokenized為多個(gè)terms, 某些情況下也可以字面量的直接作為一個(gè)term.
更多信息可以org.apache.lucene.document.Field

segments段

indexs is composed of multi sub-indexes, called segments.每個(gè)段,都是一個(gè)完全獨(dú)立的index, 可以被單獨(dú)的搜索, 索引包括:

  • 為新加的文檔創(chuàng)建新的segments
  • merge已存在的segments

doc numbers

doc numbers是段內(nèi)unique的, 不是全局, 在更大范圍內(nèi)使用的時(shí)候需要被轉(zhuǎn)化為更大范圍的情況.標(biāo)準(zhǔn)技術(shù)是給每個(gè)段一個(gè)范圍的值, 當(dāng)需要轉(zhuǎn)化的時(shí)候,要使用到這個(gè)segment的base值, 當(dāng)從外部轉(zhuǎn)化為段內(nèi)序號(hào)的時(shí)候, 首先利用range判斷到哪個(gè)段內(nèi), 然后減去base值.
在doc被刪除的時(shí)候, 序號(hào)列表會(huì)出現(xiàn)空洞, 當(dāng)然最終在merge后,空洞被移除.

索引結(jié)構(gòu)

每個(gè)seg都包含以下信息

  • segment info: .si : metadata about a segment, such as member of docs, 使用占據(jù)了那些文件, seg是怎么被存儲(chǔ)的相關(guān)信息.

  • field names: .fnm : field names, 這個(gè)field在所所有fields中的排列序號(hào), 還包含著這個(gè)field的索引的選項(xiàng), DocValue的信息, field選項(xiàng): 是否有term vectors, 是否norms, 是否有payload.

  • stored field values: * org.apache.lucene.codecs.StoredFieldsFormat

    • fields data file: .fdt : 將docs以16kb的塊壓縮存儲(chǔ), 每當(dāng)內(nèi)存中超過16kb, 寫入disk, LZ4的方式壓縮....一些特殊情況, 看文檔
    • fields index file: .fdx : 包含兩個(gè)單調(diào)數(shù)組, 當(dāng)search的時(shí)候, 從第一個(gè)數(shù)組中找到對(duì)應(yīng)的docId所在的塊,然后找到docId, 再從第二個(gè)數(shù)組中找到磁盤上的offset
    • fields meta file: .fdm: stores metadata about the monotonic arrays stored in the index file.
  • term dictionary:.tim 是term和postings的紐帶文件:org.apache.lucene.codecs.PostingsFormat
    存著terms的列表, 且每個(gè)term的統(tǒng)計(jì)信息(docFreq, etc), 以及指向?qū)?yīng)term的freq, positions, payload 和 skip data 的存儲(chǔ)文件: .doc, .pos, .pay. 具體是由org.apache.lucene.codecs.FieldsConsumer的子類BlockTreeTermsWriter寫入以encode postings in packed integer for fast decode.
    .tip: term index, 是tim dictionary 的索引文件

NOTE: The term dictionary can plug into different postings implementations: the postings writer/reader are actually responsible for encoding and decoding the PostingsHeader and TermMetadata sections described here:
是否意味著: 我們可以自己寫讀取postings的實(shí)現(xiàn)?

  • norms data:

    • norms data: .nvd: norms data, 對(duì)么個(gè)norms的field, 存儲(chǔ)實(shí)際的數(shù)據(jù),整個(gè)每個(gè)文檔
    • norms metadata: .nvm: norms metadata, 對(duì)每個(gè)norms的field, 存儲(chǔ)metadata, 比如在norms data中的offset
  • term vectors: 對(duì)每個(gè)doc的每個(gè)field, 如果存儲(chǔ)了, 它包含著term的text和term的freq

    • a vector data file: .tvd: 存儲(chǔ)每個(gè)文檔的terms, freqs, positions, offsets and payloads
    • An index file : .tvx:
  • Per-document values: 實(shí)現(xiàn)DocValue的....https://www.elastic.co/cn/blog/sparse-versus-dense-document-values-with-apache-lucene

  • live documents: .liv: 可選的, 只有在seg中存在刪除文檔時(shí)候,存在這個(gè)文件, per-seg.

  • point value: .kdi, .kdm: 將緯度信息encode進(jìn)入BKD-tree

索引選項(xiàng):
0: not indexed
1: indexed as DOCS_ONLY
2: indexed as DOCS_AND_FREQS
3: indexed as DOCS_AND_FREQS_AND_POSITIONS
4: indexed as DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市材义,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌褪迟,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,946評(píng)論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件枫绅,死亡現(xiàn)場(chǎng)離奇詭異荐绝,居然都是意外死亡漫拭,警方通過查閱死者的電腦和手機(jī)改览,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,336評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門下翎,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人宝当,你說我怎么就攤上這事视事。” “怎么了庆揩?”我有些...
    開封第一講書人閱讀 169,716評(píng)論 0 364
  • 文/不壞的土叔 我叫張陵俐东,是天一觀的道長(zhǎng)。 經(jīng)常有香客問我订晌,道長(zhǎng)虏辫,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,222評(píng)論 1 300
  • 正文 為了忘掉前任锈拨,我火速辦了婚禮砌庄,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘奕枢。我一直安慰自己娄昆,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,223評(píng)論 6 398
  • 文/花漫 我一把揭開白布缝彬。 她就那樣靜靜地躺著萌焰,像睡著了一般。 火紅的嫁衣襯著肌膚如雪谷浅。 梳的紋絲不亂的頭發(fā)上扒俯,一...
    開封第一講書人閱讀 52,807評(píng)論 1 314
  • 那天,我揣著相機(jī)與錄音一疯,去河邊找鬼陵珍。 笑死,一個(gè)胖子當(dāng)著我的面吹牛违施,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播瑟幕,決...
    沈念sama閱讀 41,235評(píng)論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼磕蒲,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來了只盹?” 一聲冷哼從身側(cè)響起辣往,我...
    開封第一講書人閱讀 40,189評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎殖卑,沒想到半個(gè)月后站削,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,712評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡孵稽,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,775評(píng)論 3 343
  • 正文 我和宋清朗相戀三年许起,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了十偶。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,926評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡园细,死狀恐怖惦积,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情猛频,我是刑警寧澤狮崩,帶...
    沈念sama閱讀 36,580評(píng)論 5 351
  • 正文 年R本政府宣布,位于F島的核電站鹿寻,受9級(jí)特大地震影響睦柴,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜毡熏,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,259評(píng)論 3 336
  • 文/蒙蒙 一坦敌、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧招刹,春花似錦恬试、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,750評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至妇拯,卻和暖如春幻馁,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背越锈。 一陣腳步聲響...
    開封第一講書人閱讀 33,867評(píng)論 1 274
  • 我被黑心中介騙來泰國打工仗嗦, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人甘凭。 一個(gè)月前我還...
    沈念sama閱讀 49,368評(píng)論 3 379
  • 正文 我出身青樓稀拐,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國和親丹弱。 傳聞我的和親對(duì)象是個(gè)殘疾皇子德撬,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,930評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容