《Lucene 原理与代码分析完整版》.pdf

Lucene 原理与代码分析原理与代码分析 原理与代码分析原理与代码分析 觉先觉先 (forfuture1978) 觉先觉先 博客博客：： 博客博客：： /forfuture1978 /forfuture1978/ / 邮箱邮箱：： 邮箱邮箱：： forfuture1978@ 目录目录 目录目录 目录 2 第一篇：原理篇 9 第一章：全文检索的基本原理 10 一、总论 10 二、索引里面究竟存些什么 13 三、如何创建索引 14 第一步：一些要索引的原文档(Document)。 14 第二步：将原文档传给分次组件(Tokenizer)。 14 第三步：将得到的词元(Token)传给语言处理组件(Linguistic Processor)。 15 第四步：将得到的词(Term)传给索引组件(Indexer)。 16 1. 利用得到的词(Term)创建一个字典。 16 2. 对字典按字母顺序进行排序。 17 3. 合并相同的词(Term)成为文档倒排(Posting List)链表。 18 四、如何对索引进行搜索？ 20 第一步：用户输入查询语句。 21 第二步：对查询语句进行词法分析，语法分析，及语言处理。 21 1. 词法分析主要用来识别单词和关键字。 21 2. 语法分析主要是根据查询语句的语法规则来形成一棵语法树。 21 3. 语言处理同索引过程中的语言处理几乎相同。 .. 22 第三步：搜索索引，得到符合语法树的文档。 22 第四步：根据得到的文档和查询语句的相关性，对结果进行排序。 23 1. 计算权重(Term weight)的过程。 24 2. 判断 Term 之间的关系从而得到文档相关性的过程，也即向量空间模型的算法 (VSM) 。 25 第二章：Lucene 的总体架构 29 2 第二篇：代码分析篇 34 第三章：Lucene 的索引文件格式 35 一、基本概念 35 二、基本类型 38 三、基本规则 39 1. 前缀后缀规则(Prefix+Suffix) 39 2. 差值规则(Delta) 40 3. 或然跟随规则(A, B?) 41 4. 跳跃表规则(Skip list) 42 四、具体格式 44 4.1. 正向信息 44 4.1.1. 段的元数据信息(segments_N) 44 4.1.2. 域(Field)的元数据信息(.fnm) 60 4.1.3. 域(Field)的数据信息(.fdt，.fdx) 4.1.3. 词向量(Term Vector)的数据信息(.tvx，.tvd，.tvf) 69 4.2. 反向信息 72 4.2.1. 词典(tis)及词典索引(tii)信息 72 4.2.2. 文档号及词频(frq)信息 74 4.2.3. 词位置(prx)信息 78 4.3. 其他信息 79 4.3.1. 标准化因子文件(nrm) 79