Lucene 源代码剖析-6 索引文件结构(3)

转载自 http://download.csdn.net/source/858994
源地址下是 Word 文档，这里转换成HTML 格式

   

Lucene源代码剖析

3.3.3 Term频率数据（.frq）

    

    Term频率数据文件（.frq文件）存储容纳了每一个term的文档列表，以及该term出现在该文档中的频率（出现次数frequency，如果omitTf设置为fals时才存储）。

    

   

版本	包含的项	父类型	类型	描述
全部版本	TermFreqs	TermCount	TermFreq	按照term顺序排序，term是隐含的（?implicit），来自.tis文件。TermFreq按文档编号递增的顺序排序。
	SkipData	TermCount	SkipData
	TermFreq->DocDelta	TermCount	VInt	如果omitTf设置为false，要同时检测文档编号和频率，特别指出，DocDelta/2时该文档编号与上一个文档编号的差值（如果是第一个文档值为0）。当DocDelta为单数时频率为1，当DocDelta为偶数时频率为读取下一个VInt的值。如果omitTf设置为true，DocDelta为文档编号之间的差值（gap，不用乘以2，multiplited），频率信息则不被存储。
	TermFreq->[Freq?]	TermCount	VInt
	SkipData->SkipLevelLength	NumSkipLevels-1	VInt
	SkipData->SkipLevel	TermCount	SkipDatums
	SkipLevel->SkipDatum	DocFreq/(SkipInterval^(Level + 1))	SkipDatum
	SkipData->SkipDatum	TermCount	SkipDatum
	SkipDatum->DocSkip	1	VInt
	SkipDatum->PayloadLength?	1	VInt
	SkipDatum->FreqSkip	1	VInt
	SkipDatum->ProxSkip	1	VInt
	SkipDatum->SkipChildLevelPointer?	1	VLong

          

         结构如下图所示：

         

                         

      

         

    举例来说，当omitTf设置为false时，一个term的TermFreqs在文档7出现1次并且在文档11中出现3次，则为如下的VInt数字序列：
                   
    15, 8, 3
              
    如果omitTf设置为true时，则为如下数字序列：
     
    7, 4
        
    DocSkip记录在TermFreqs中每隔SkipInterval个文档之前的文档编号。如果该term的域fields中被禁用payloads时，则DocSkip呈现在序列中（in the sequence）与上一个值之间的差值（difference）。如果payloads启用时，则DocSkip/2表示序列中与上一个值之间的差值。如果payloads启用并且DocSkip为奇数时，PayloadLength将被存储并表示（indicating）在TermPositions中第SkipInterval个文档之前的最后一个payload的长度。FreqSkip和ProxSkip分别（respectively）记录在FreqFile和ProxFile文件中每SkipInterval个记录（entry）的位置。文件的位置信息对序列中前一个SkipDatumn来说与TermFreqs和Positions的起始信息相关。

       

    例如，如果DocFreq=35并且SkipInterval=16，则在TermFreqs中有两个SkipData记录，容纳第15和第31个文档编号。第一个FreqSkip代表第16个SkipDatumn起始的TermFreqs数据开始之后的字节数目，第二个FreqSkip表示第32个SkipDatumn开始之后的字节数目。第一个ProxSkip代表第16个SkipDatumn起始的Positions数据开始之后的字节数目，第二个ProxSkip表示第32个SkipDatumn开始之后的字节数目。       
         
    在Lucene 2.2版本中介绍了skip levels的想法（notion），每一个term可以有多个skip levels。一个term的skip levels的数目等于NumSkipLevels = Min(MaxSkipLevels, floor(log(DocFreq/log(SkipInterval))))。对一个skip level来说SkipData记录的数目等于DocFreq/(SkipInterval^(Level + 1))。然而（whereas）最低的（lowest）skip level等于Level = 0。
   
    例如假设SkipInterval = 4, MaxSkipLevels = 2, DocFreq = 35，则skip level 0有8个SkipData记录，在TermFreqs序列中包含第3、7、11、15、19、23、27和31个文档的编号。Skip level 1则有2个SkipData记录，在TermFreqs中包含了第15和第31个文档的编号。
        
    在所有level>0之上的SkipData记录中包含一个SkipChildLevelPointer，指向（referencing）level-1中相应）（corresponding）的SkipData记录。在这个例子中，level 1中的记录15有一个指针指向level 0中的记录15，level 1中的记录31有一个指针指向level 0中的记录31。

      

3.3.4 Positions位置信息数据（.prx）

         

Positions位置信息数据文件（.prx文件）容纳了每一个term出现在所有文档中的位置的列表。注意如果在fields中的omitTf设置为true时将不会在此文件中存储任何信息，并且如果索引中所有fields中的omitTf都设置为true，此.prx文件将不会存在。

    

版本	包含的项	数目	类型	描述
全部版本	TermPositions	TermCount	TermPositions	按照term顺序排序，term是隐含的（?implicit），来自.tis文件。
	TermPositions->Positions	DocFreq	Positions	按文档编号递增的顺序排序。
	Positions->PositionDelta	Freq	VInt	如果term的fields中payloads被禁用，则取值为term出现在该文档中当前位置与前一个位置的差值（第一个位置取值0）。如果payloads被启用，则取值为当前位置与上一个位置之间差值的2倍。如果payloads启用并且PositionDelta为单数，则PayloadLength被存储，表示当前位置的payloads的长度。
	Positions->Payload?	Freq	Payload
	Payload->PayloadLength?	1	VInt
	Payload->PayloadData	PayloadLength	byte

          

         结构如下图所示：

         

             

                   

    例如，如果一个term的TermPositions为一个文档中出现的第4个term，并且为后来的文档（subsequent document）中出现的第5个和第9个term，则将被存储为下面的VInt数据序列（payloads禁用）：

             

    4, 5, 4

      

    PayloadData是与term的当前位置相关联元数据（metadata），如果该位置的PayloadLength被存储，则它表示此payload的长度。如果PayloadLength没存储，则此payload与前一个位置的payload拥有相等的PayloadLength。

    
            

           

   

3.3.5 Norms调节因子文件（.nrm）

     

   

在Lucene 2.1版本之前，每一个索引都有一个norm文件给每一个文档都保存了一个字节。对每一个文档来说，那些.f[0-9]*包含了一个字节容纳一个被编码的分数，值为对hits结果集来说在那个field中被相乘得出的分数（multiplied into the score）。每一个分离的norm文件在适当的时候（when adequate）为复合的（compound）和非复合的segment片断创建，格式如下：

  

   Norms (.f[0-9]*) –> <Byte> ^SegSize            在Lucene 2.1及以上版本，只有一个norm文件容纳了所有norms数据：                    

版本	包含的项	数目	类型	描述
2.1及之后版本	NormsHeader	1	raw	‘N’,'R’,'M’,Version：4个字节，最后字节表示该文件的格式版本，当前为-1
	Norms	NumFieldsWithNorms	Norms
	Norms->Byte	SegSize	Byte	每一个字节编码了一个float指针数值，bits 0-2 容纳 3-bit 尾数（mantissa），bits 3-8容纳 5-bit 指数（exponent），这些被转换成一个IEEE单独的float数值，如图所示
	NormsHeader->Version	1	Byte

          

         结构如下图所示：

         

             

   

  

一个分离的norm文件在一个存在的segment的norm数据被更改的时候被创建，当field N被修改时，一个分离的norm文件.sN被创建，用来维护该field的norm数据。