Lucene fnm索引文件格式源码解析

目录

• 简介
• 版本
• 涉及的主要类
• 代码示例
• 文件结构全局示意图
• 字段描述
• Header
• FieldCount
• Field
• FieldName 
• FieldNumber 
• FieldBits
• IndexOptions
• DocValuesBits
• DocValuesGen
• Attributes
• PointDimensionCount
• PointNumBytes
• VectorDimension
• VectorSimilarityFunction
• Footer

简介

后缀为fnm文件是存储索引的字段的元信息，包含字段名称，字段类型，字段属性等信息。

版本

lucene 9.1.0

涉及的主要类

fnm索引文件的生成源码比较简单，不贴了，主要逻辑在：

org.apache.lucene.codecs.lucene90.Lucene90FieldInfosFormat

代码示例

FieldType fieldType = new FieldType();
fieldType.setStored(true);
fieldType.setStoreTermVectors(true);
fieldType.setStoreTermVectorOffsets(true);
fieldType.setStoreTermVectorPositions(true);
fieldType.setStoreTermVectorPayloads(true);
fieldType.setTokenized(true);
fieldType.setOmitNorms(true);
fieldType.setIndexOptions(IndexOptions.DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS);
Document doc = new Document();
doc.add(new Field("name", "maria", fieldType));
doc.add(new SortedDocValuesField("name", new BytesRef("maria")));
doc.add(new IntPoint("id", 1, 2, 3));
doc.add(new KnnVectorField("vector", new float[]{1.1f, 2.2f, 3.3f}, VectorSimilarityFunction.COSINE));

文件结构全局示意图

字段描述

Header

文件头部信息，主要是包括：

• 文件头魔数（同一lucene版本所有文件相同）
• 该文件使用的codec名称：Lucene90FieldInfos（codec可以理解成文件的布局格式，不同版本lucene相同后缀文件有不一样的版本格式）
• codec版本
• segment后缀名（一般为空）
• segment id（也是Segment_N文件中的N）

FieldCount

该索引的field总数

Field

记录字段的元信息

FieldName 

字段名称，比如示例代码中的name，id，vector都是字段名称

FieldNumber 

字段的编号

FieldBits

部分属性的位图信息，是一个组合值，描述字段是否具有以下属性：

• 是否存储词向量（termVector）：0x1
• 是否要忽略norm值：0x2
• 是否带有payload：0x4
• 该字段是否是软删除字段（soft delete）：0x8

示例代码中的name字段的FieldBits的值为：0x1 | 0x2 | 0x4 = 0x7

IndexOptions

字段的索引选项，表示在索引该字段的时候存储的倒排信息有哪些，所有的类型：

• 0：NONE
• 1：DOCS
• 2：DOCS_AND_FREQS
• 3：DOCS_AND_FREQS_AND_POSITIONS
• 4：DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS

DocValuesBits

官方文档描述的是由norm和docValue类型的组合值，但是从源码看只存储了docValue类型。

• 0：NONE
• 1：NUMERIC
• 2：BINARY
• 3：SORTED
• 4：SORTED_SET
• 5：SORTED_NUMERIC

DocValuesGen

可以理解为字段DocValues的版本号，通过IndexWriter.updateDocValues(...)会更新该版本号

Attributes

可能的值有：

PointDimensionCount

如果字段是IntPoint，LongPoint等类型，则记录维数。

PointNumBytes

如果字段是IntPoint，LongPoint等类型，则记录每一维数据存储需要的字节个数。

VectorDimension

向量字段记录向量的维数

VectorSimilarityFunction

向量相似度衡量函数：

• EUCLIDEAN：欧式距离
• DOT_PRODUCT：点积
• COSINE：consine距离

Footer

文件尾，主要包括

• 文件尾魔数（同一个lucene版本所有文件一样）
• 0
• 校验码

以上就是Lucene fnm索引文件格式源码解析的详细内容，更多关于Lucene fnm索引文件格式的资料请关注脚本之家其它相关文章！