Lucene系列-索引文件

本文介绍下lucene生成的索引有哪些文件组成，每个文件包含了什么信息。基于Lucene 4.10.0。

数据结构

索引(index)包含了存储的文档(document)正排、倒排信息，用于文本搜索。索引又分为多个段(segments)，每个新添加的doc都会存到一个新segment中，不同的segments又会合并成一个segment。segment存储着具体的documents，每个doc有一系列的字段(field)组成，一个field的值是多个词(term)，一个term是以一些bytes。其递进关系如下：
index -> segments -> documents -> fields -> terms

文件介绍

全局性文件

segments_N： 记录索引的段数、各段名、各段中文档数、删除数和更新数。可能有多个segments_N文件，最大N的segments_N是有效文件。
segments.gen： 记录当前index的代数(generation)，即segments_N的最大N
write.log：阻止多个IndexWriter同时修改索引，一次只能有一个IndexWriter

段文件

• 段描述
  xxx.si： 段的元数据，如此段的文档数及相关文件
  xxx.del：删除的doc
• field信息
  xxx.fnm：field names，field名称、索引方式
  xxx.fdx：field index，索引xxx.fdt
  xxx.fdt：field data，存储stored fields
• term信息
  xxx.tip：term index，xxx.tim的索引，实现对xxx.tim的随机存取
  xxx.tim：term dictionary，按字典顺序排列的terms，其值指向.doc/.pos
  xxx.doc：倒排列表，term所在的docs、在doc中的频率
  xxx.pos：倒排列表，term在doc中的位置
  xxx.pay：payloads and offsets，term在doc中的offset
  注意：term的位置及频率都是在某doc下term在field中的位置和偏移，位置以切词为单位，偏移以字符为单位
• term vector
  term vector用于打分，存储StoreTermVectors的field
  xxx.tvx：term vector index，每个doc在xx.tvd、xx.tvf中的位置
  xxx.tvd：term vector data file，每个doc的term vector field信息在xxx.tvf中的位置
  xxx.tvf：term vector fields，field的term列表及各term的频率、位置或者偏移
• 归一化
  lucene为doc算分时根据各doc中的term weight（term对doc的重要性），但是不同的doc重要性不同、不同的field重要性不同、不同的文档长度也不同，要想让不同文档的term weight之间有可比性（打分有可比性）需要进行归一化。用于归一化的因子(normalization factors)，如doc和field的boost factor及长度，存在如下文件中。
  xxx.nvm：norms metadata
  xxx.nvd：norms data
• doc values
  存储DocValues类型的field，通过field value可以获取对应的doc number列表, 便于进行一些概括或者打分。类型为docvalue的field在doc不能重名。
  xxx.dvm：DocValues metadata
  xxx.dvd：DocValues data

总结

从上节可以看出正排信息存储在：段(segments_N) -> field (.fnm/.fdx/.fdt) -> term (./tvx/.tvd/.tvf)
倒排信息存储在：词典(.tim) ->倒排表(.doc/.pos)

参考见：
https://lucene.apache.org/core/4_10_0/core/org/apache/lucene/codecs/lucene410/package-summary.html#package_description
https://lucene.apache.org/core/3_0_3/fileformats.html
http://www.cnblogs.com/forfuture1978/archive/2009/12/14/1623597.html