Lucene是一個(gè)高性能的JAVA全文檢索工具包，它使用的是倒排文件索引結(jié)構(gòu)。該結(jié)構(gòu)及相應(yīng)的生成算法如下：

設(shè)有兩篇文章1和2：
文章1的內(nèi)容為：Tom lives in Guangzhou, I live in Guangzhou too.
文章2的內(nèi)容為：He once lived in Shanghai.

?

由于lucene是基于關(guān)鍵詞索引和查詢的，首先我們要取得這兩篇文章的關(guān)鍵詞，處理措施如下：
a. 分詞處理。英文單詞由于用空格分隔，比較好處理。中文單詞間是連在一起的需要特殊的分詞處理。
b. 文章中的“in”，“once”，“too”等詞沒(méi)有什么實(shí)際意義，中文中的“的”，“是”等字通常也無(wú)具體含義，這些不代表概念的詞可以過(guò)濾掉。
c. 所有單詞不區(qū)分大小寫。
d. 用戶通常希望查“l(fā)ive”時(shí)能把含“l(fā)ives”，“l(fā)ived”的文章也找出來(lái)，故把“l(fā)ives”，“l(fā)ived”還原成“l(fā)ive”。
e. 文章中的標(biāo)點(diǎn)符號(hào)通常不表示某種概念，也可以過(guò)濾掉。
在lucene中以上措施由Analyzer類完成。

?

經(jīng)過(guò)上面處理后
文章1的所有關(guān)鍵詞為：[tom] [live] [guangzhou] [i] [live] [guangzhou]
文章2的所有關(guān)鍵詞為：[he] [live] [shanghai]

?

有了關(guān)鍵詞后，我們就可以建立倒排索引了。上面的對(duì)應(yīng)關(guān)系是：“文章號(hào)”對(duì)應(yīng)“文章中所有關(guān)鍵詞”。倒排索引把這個(gè)關(guān)系倒過(guò)來(lái)，變成：“關(guān)鍵詞”對(duì)應(yīng)“擁有該關(guān)鍵詞的所有文章號(hào)”。

?

文章1，2經(jīng)過(guò)倒排后變成：
關(guān)鍵詞文章號(hào)
Guangzhou??????? 1
??? he????? ?????????? 2
??? I?????? ?????????? 1
??? live??? ??????? 1,2
??? shanghai??????? 2
??? tom???? ????? ?? 1
通常僅知道關(guān)鍵詞在哪些文章中出現(xiàn)還不夠，我們還需要知道關(guān)鍵詞在文章中出現(xiàn)次數(shù)和出現(xiàn)的位置，通常有兩種位置：a)字符位置，即記錄該詞是文章中第幾個(gè)字符（優(yōu)點(diǎn)是關(guān)鍵詞亮顯時(shí)定位快）；b)關(guān)鍵詞位置，即記錄該詞是文章中第幾個(gè)關(guān)鍵詞（優(yōu)點(diǎn)是節(jié)約索引空間、詞組（phase）查詢快），lucene中記錄的就是這種位置

?

加上“出現(xiàn)頻率”和“出現(xiàn)位置”信息后，我們的索引結(jié)構(gòu)變?yōu)?#xff1a;
關(guān)鍵詞???? 文章號(hào)[出現(xiàn)頻率]?????? 出現(xiàn)位置
Guangzhou?? ??? 1[2]??? ??????? ?????????? 3，6
he????? ??? 2[1]??? ?????????????????????????? ?1
I?????? ??? 1[1]??? ????????????????????????? ? 4
live??????? ??? 1[2],2[1]??????? ????????? ?? 2，5，2
shanghai??? ??? 2[1]??? ???????????????? ? 3
tom???? ??? 1[1]??? ??????????????????????? ? 1

以live這行為例我們說(shuō)明一下該結(jié)構(gòu)：live在文章1中出現(xiàn)了2次，文章2中出現(xiàn)了一次，它的出現(xiàn)位置為“2,5,2”，這表示什么呢？我們需要結(jié)合文章號(hào)和出現(xiàn)頻率來(lái)分析。

?

實(shí)現(xiàn)時(shí)lucene將上面三列分別作為詞典文件（Term?Dictionary）、頻率文件(Frequencies)、位置文件(Positions)保存。其中詞典文件不僅保存有每個(gè)關(guān)鍵詞，還保留了指向頻率文件和位置文件的指針，通過(guò)指針可以找到該關(guān)鍵字的頻率信息和位置信息。
Lucene中使用了field的概念，用于表達(dá)信息所在位置（如標(biāo)題中，文章中，URL中），在建索引時(shí)，該field信息也記錄在詞典文件中，每個(gè)關(guān)鍵詞都有一個(gè)field信息(因?yàn)槊總€(gè)關(guān)鍵字一定屬于一個(gè)或多個(gè)field)。

?

為了減小索引文件的大小，Lucene對(duì)索引還使用了壓縮技術(shù)。首先，對(duì)詞典文件中的關(guān)鍵詞進(jìn)行了壓縮，關(guān)鍵詞壓縮為<前綴長(zhǎng)度，后綴>，例如：當(dāng)前詞為“阿拉伯語(yǔ)”，前綴為“阿拉伯”，那么“阿拉伯語(yǔ)”壓縮為<3，語(yǔ)>。其次大量用到的是對(duì)數(shù)字的壓縮，數(shù)字只保存與上一個(gè)值的差值（這樣可以減小數(shù)字的長(zhǎng)度，進(jìn)而減少保存該數(shù)字需要的字節(jié)數(shù)）。例如當(dāng)前文章號(hào)是16389（不壓縮要用3個(gè)字節(jié)保存），上一文章號(hào)是16382，壓縮后保存7（只用一個(gè)字節(jié)）

?

下面我們可以通過(guò)對(duì)該索引的查詢來(lái)解釋一下為什么要建立索引。
假設(shè)要查詢單詞 “l(fā)ive”，lucene先對(duì)詞典二元查找、找到該詞，通過(guò)指向頻率文件的指針讀出所有文章號(hào)，然后返回結(jié)果。詞典通常非常小，因而，整個(gè)過(guò)程的時(shí)間是毫秒級(jí)的。
而用普通的順序匹配算法，不建索引，而是對(duì)所有文章的內(nèi)容進(jìn)行字符串匹配，這個(gè)過(guò)程將會(huì)相當(dāng)緩慢，當(dāng)文章數(shù)目很大時(shí)，時(shí)間往往是無(wú)法忍受的。

?

總結(jié)

以上是生活随笔為你收集整理的Lucene Inverted index(倒排索引)原来快速入门的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。