Lucene是个高性能java全文检索工具包它使用是倒排文件索引结构该结构及相应生成算法如下:

　　0)设有两篇文章1和2

　　文章1内容为:Tom lives in Guangzhou,I live in Guangzhou too.

　　文章2内容为:He once lived in Shanghai.

　　1)由于lucene是基于关键词索引和查询首先我们要取得这两篇文章关键词通常我们需要如下处理措施

　　a.我们现在有是文章内容即个串我们先要找出串中所有单词即分词英文单词由于用空格分隔比较好处理中文单词间是连在起需要特殊分词处理

　　b.文章中”in”, “once” “too”等词没有什么实际意义中文中“”“是”等字通常也无具体含义这些不代表概念词可以过滤掉

　　c.用户通常希望查“He”时能把含“he”“HE”文章也找出来所以所有单词需要统大小写

　　d.用户通常希望查“live”时能把含“lives”“lived”文章也找出来所以需要把“lives”“lived”还原成“live”

　　e.文章中标点符号通常不表示某种概念也可以过滤掉

　　在lucene中以上措施由Analyzer类完成

　　经过上面处理后

　　 文章1所有关键词为:[tom] [live] [guangzhou] [i] [live] [guangzhou]

　　 文章2所有关键词为:[he] [live] [shanghai]

　　2) 有了关键词后我们就可以建立倒排索引了上面对应关系是:“文章号”对“文章中所有关键词”倒排索引把这个关系倒过来变成:“关键词”对“拥有该关键词所有文章号”文章12经过倒排后变成

　　关键词 文章号

　　guangzhou 1
　　he 2
　　i 1
　　live 1,2
　　shanghai 2
　　tom 1

　　通常仅知道关键词在哪些文章中出现还不够我们还需要知道关键词在文章中出现次数和出现位置通常有两种位置:a)位置即记录该词是文章中第几个(优点是关键词亮显时定位快)；b)关键词位置即记录该词是文章中第几个关键词(优点是节约索引空间、词组(phase)查询快)lucene 中记录就是这种位置

　　加上“出现频率”和“出现位置”信息后我们索引结构变为:

　　关键词 文章号[出现频率] 出现位置

　　guangzhou 1[2] 36
　　he 2[1] 1
　　i 1[1] 4
　　live 1[2],2[1] 252
　　shanghai 2[1] 3
　　tom 1[1] 1

　　以live 这行为例我们介绍说明下该结构:live在文章1中出现了2次文章2中出现了次它出现位置为“2,5,2”这表示什么呢？我们需要结合文章号和出现频率来分析文章1中出现了2次那么“2,5”就表示live在文章1中出现两个位置文章2中出现了次剩下“2”就表示live是文章2中第 2个关键字

　　以上就是lucene索引结构中最核心部分我们注意到关键字是按顺序排列(lucene没有使用B树结构)因此lucene可以用 2元搜索算法快速定位关键词

　　实现时 lucene将上面 3列分别作为词典文件(Term Dictionary)、频率文件(frequencies)、位置文件 (positions)保存其中词典文件不仅保存有每个关键词还保留了指向频率文件和位置文件指针(什么格式)通过指针可以找到该关键字频率信息和位置信息

　　 Lucene中使用了field概念用于表达信息所在位置(如标题中文章中url中)在建索引中该field信息也记录在词典文件中每个关键词都有个field信息(每个关键字定属于个或多个field)

　　为了减小索引文件大小Lucene对索引还使用了压缩技术首先对词典文件中关键词进行了压缩关键词压缩为<前缀长度后缀>例如:当前词为“阿拉伯语”上个词为“阿拉伯”那么“阿拉伯语”压缩为<3语>其次大量用到是对数字压缩数字只保存和上个值差值(这样可以减小数字长度进而减少保存该数字需要字节数)例如当前文章号是16389(不压缩要用3个字节保存)上文章号是16382压缩后保存7(只用个字节)

　　 下面我们可以通过对该索引查询来解释下为什么要建立索引

　　假设要查询单词 “live”lucene先对词典 2元查找、找到该词通过指向频率文件指针读出所有文章号然后返回结果词典通常非常小因而整个过程时间是毫秒级

　　而用普通顺序匹配算法不建索引而是对所有文章内容进行串匹配这个过程将会相当缓慢当文章数目很大时时间往往是无法忍受