0

Lucene 索引的内存表示（相对于文件格式）是什么样的？整个反向索引是否加载到内存中，例如作为发布列表数组（其中每个发布列表包含文档 ID、文档中的术语频率和位置）？就像是

class Posting {
  private int docID;
  private int termFreq;
  private int[] termPositions;
}

class PostingList {
  private Posting[] postings;
}

public class SomeClassThatHoldsTheIndexInMemory {
  private PostingList[] index;  // Indexed by some internal term ID?
}

我知道构成索引的所有内容（包括有关术语的辅助信息）可能不会保存在内存中，但肯定有什么？

哪些类定义了索引的内存表示？如果索引看起来像上面那样，Lucene 如何从一个术语（一个字符串）变成一个术语 ID（一个 int）？

4

1 回答 1

2

Lucene 内存中的表示被定义为RAMDirectory类。这基本上HashMap是String（键）和（RAMFiles）中的一个。RAMFile依次是表示文件字节的字节缓冲区列表。您将存储在FSDirectory.

Lucene 存储倒排索引。索引组织为一组增量（可能未合并）段。每个段都属于一个“索引提交”，每个段或多或少是另一个倒排索引。您甚至可以找到仅包含一个文档的倒排索引的“段”。

Document一旦将“发布”或原始结构添加到索引中，它就会丢失。此外，您不能遍历整个文档集合（据我所知）。无论如何，没有什么能阻止您将您的帖子/文档存储在二级结构中，或者将其序列化版本存储在索引中，或者将其对象属性StoredField一一存储；也不在字段中定义您自己的“可迭代”文档 ID。

DirectoryReader和SegmentReaders 处理索引的内部结构。

在我使用 Lucene 的那段时间里，我从未见过像“术语 ID”这样的东西。然而，“文档 ID”是一个常见的概念。

于 2013-03-09T18:04:00.093 回答