一、Lucene 介绍及应用
Apache Lucene 是当下最为流行的开源全文检索工具包，基于 JAVA 语言编写。
目前基于此工具包开源的搜索引擎，成熟且广为人知的有 Solr 和 Elasticsearch。2010 年后 Lucene 和 Solr 两个项目由同一个 Apache 软件基金会的开发团队制作，所以通常我们看到的版本都是同步的。二者的区别是 Lucene 是工具包，而 Solr 是基于 Lucene 制作的企业级搜索应用。另外，我们常用的 Eclipse，帮助系统的搜索功能也是基于 Lucene 实现的。
二、Lucene 的两项工作
在我们的生活物品中，汉语字典与全文索引是很相似的。我们拿拼音查字法举例，首先我们通过拼音找到我们要查字的页数，然后翻到该页，阅读这个字的详细解释。
在上面的例子中，我们提到了两个要素：一个是字典，另一个是查字的过程。对应到 Lucene 的功能上，一个是我们要建立一个字典，这个过程叫做建立索引，另一个是根据搜索词基于索引进行查询。
2.1 建立索引
1）文档的准备（Document）
文档就是指我们要去搜索的原文。
2）分词组件（Tokenizer）
将第一步的文档进行词语切割，去除标点，去除无用词，比如“是”，“的”等。常用的开源中文分词组件有 MMSEG4J、IKAnalyzer 等。切割后的词语我们称为词元（Token）。
3）语言处理（Linguistic Processor）
将上一步的获得的词元进行处理，比如英文的大写转小写，复数变单数，过去时分词转原形等。此时得到的结果，被称作词(Term)
4）索引组件
索引组件将上步得到的词，生成索引和词典，存储到磁盘上。索引组件先将 Term 变成字典，然后对字典进行排序，排序后对相同的词进行合并，形成倒排列表。每个词在列表中存储了对应的文档 Id（Document Frequency）以及这个词在这个文档中出现了几次（Term Frequency）。
2.2 搜索
1）输入查询词
2）词法分析及语言处理
对输入的词进行拆分，关键字识别 (AND,NOT) 等。对拆分的词元进行语言处理，与建立字典时语言处理的过程相同。由关键字与处理后的词生成语法树。
3）搜索索引，获得符合语法树的文档
如 A and B not C 形成的语法树，则会搜索包含 A B C 的文档列表，然后用 A 和 B 的文档列表做交集，结果集与 C 做差集，得到的结果，就是符合搜索条件的文档列表
4）根据相关性，对搜索结果排序
通过向量空间模型的算法，得到结果的相关性。比较简单的实现描述如下：在建立索引的时候，我们得到了 Document Frequency 和 Term Frequency，Term Frequency 越高，说明文档的相关性越高；Document Frequency 越高，说明相关性越弱。这个算法可以自己进行实现。
5）根据上面的排序结果，返回文档。
三、索引结构
Lucene 的索引结构是有层次结构的。我们以下图为例
3.1 索引(Index)
如果拿数据库做类比，索引类似于数据库的表。
在 Lucene 中一个索引是放在一个文件夹中的。所以可以理解索引为整个文件夹的内容。
3.2 段(Segment)
如果拿数据库做类比，段类似于表的分区。
索引下面引入了 Segment 的概念，一个索引下可以多个段。当 flush 或者 commit 时生成段文件。截图中有 0，1 两个段。segments.gen 和 segments_5 是段的元数据文件，它们保存了段的属性信息。其他的文件对应的就是各段的文件，稍后会详细说明各文件的用处。
索引的写入是顺序的，只能被追加，不能被修改。当索引要删除时，在.del 文件中写入对应的 docId。查询的时候会过滤到此 docId。另外索引的修改，是对 Document 进行删除后做的追加。这种设计保证了高吞吐量。
分段的设计能保证查询的高效，当段太大时，查询会产生很大的 IO 消耗。段太小，则需要查询的段太多。所以 lucene 对段进行了合并，另外删除的数据也是在合并过程中过滤掉的。4.0 之前的默认的合并策略为 LogMergePolicy，这个策略会合并小于指定值的相邻段，如果两个相邻段，一个大小为 1G，一个大小为 1k，则会重写 1G 的文件会占用很大资源。4.0 之后默认策略改为了 TieredMergePolicy，这个策略会先按分段大小进行排序，对段进行删除比计算，优先合并小的分段。当系统闲暇的时候，才对大分段进行合并。
3.3 文档(Document)
如果拿数据库做类比，文档类似于数据的一行。
Document 是索引的基本单位。一个段可以有多个 Document
3.4 域(Field)
如果拿数据库做类比，域相当于表的字段。
Doument 里可以有多个 Field。Lucene 提供多种不同类型的 Field，例如 StringField、TextField、LongFiled 或 NumericDocValuesField 等。
3.5 词(Term)
Term 是索引的最小单位。Term 是由 Field 经过 Analyzer（分词）产生。
四、段的文件说明
第三章节详细描述了段的设计和合并策略，以下详细讲解一些段文件的内容。
segments_N 保存了此索引包含多少个段，每个段包含多少篇文档。
*.fnm
保存了此段包含了多少个域，每个域的名称及索引方式。
*.fdx，*.fdt
保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。
*.tvx，*.tvd，*.tvf
保存了此段包含多少文档，每篇文档包含了多少域，每个域包含了多少词，每个词的字符串，位置等信息。
*.tis，*.tii
保存了词典(Term Dictionary)，也即此段包含的所有的词按字典顺序的排序。
*.frq
保存了倒排表，也即包含每个词的文档 ID 列表。
*.prx
保存了倒排表中每个词在包含此词的文档中的位置
*.del
前面讲段的时候有提到，用来是存储删掉文档 id 的。
作者：田梁
来源：宜信技术学院