tech

Lucene搜索引擎分词原理

Lucene是一个高性能的java全文检索工具包,它使用的是倒排文件索引结构.该结构及相应的生成算法如下:
0)设有两篇文章1和2
文章1的内容为:tom lives in guangzhou,i live in guangzhou too.
文章2的内容为:he once lived in shanghai.
1)由于lucene是基于关键词索引和查询的，首先我们要取得这两篇文章的关键词,通常我们需要如下处理措施
　a.我们现在有的是文章内容,即一个字符串,我们先要找出字符串中的所有单词,既分词.英文单词由于用空格分隔,比较好处理.中文单词间是连在一起的需要 特殊分词处理.
b.文章中的"in","once" "too"等词没有什么实际意义,中文文中的"的""是"等字通常也无具体含义,这些不代表概念的词可以过滤掉
c.用户通常希望查"HE"时能把含'he","HE"的文章也找出来,所以所有单词需要统一大小写.
d.用户通常希望查"live"时能把含"lives","lived"的文章也可以找出来,所以需要把"lives","lived"还原成"live"
e.文章中的标点符号通常有Analyzer类完成
经过上面处理后
文章1的所有关键词为:[tom][live][guangzhou][i][live][guangzhou]
文章2的所有关键词为:[he][live][shanghai]
2)有了关键词后，我们就可以建立倒排索引了.上面的对应关系是:"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"拥有该关键词的所有文章".文章1,2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,我们需要知道关键词在文章中出现次数和出现的位置,通常有两种位置:\
a)字符位置:即记录该词是文章中第几个字符(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中记录的就是这种位置.
加上"出现频率"和"出现位置"信息后,我们的索引结构变为:
关键词  文章号[出现频率] 出现位置
guangzhou 1[2] 3,6
he 2[1] 1
i 1[1] 4
live 1[2],2[1] 2,5,2
shanghai 2[1] 3
tom 1[1] 1
以live这行为例我们说明一下该结构:live在文章中出现了2次，文章2中出现了一次,它的出现位置为"2,5,2" 这表示什么呢?我们需要结合文章好和出现频率来分析,文章1中出现了2次,那么"2,5" 就表示live在文章中1出现的两个位置,文章2中出现了一次,剩下的"2"就表示live是文章2中第2个关键字.
以上就是lucene索引结构中最核心的部分.我们注意到关键字是按字符顺序排列的(lucene没有使用B树结构),因此lucene可以用二进制搜索算法快速定位关键词.
实现时lucene将上面三列分别作为词典文件(Term dictionary),频率文件(frequencies),位置文件(position)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的指针,通过指针可以找到该关键字的频率信息和位置信息.
lucene中使用了field的概念,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,每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field).
为了减少索引文件的大小,lucene对索引还使用了压缩技术.首先,对词典文件中的关键词进行了压缩,关键词压缩为<前缀长度,后缀>,例如:当前词为"阿拉伯语",上一个词为"阿拉伯",那么"阿拉伯语"压缩为<3,语>.其次大量用到的文章号是16389(不压缩用3个字符保存),上一文章是16382,压缩后保存7(只用一个字节).
下面我们可以通过对该索引的查询来解释一下为什么要建立索引.
假设要查询单词'live",lucene先对词典二元查找,找到该词,通过频率文件的指针读出 所有文章号,然后返回结果.词典通常非常小,因而,整个过程的时间是毫秒级的。
而用普通的顺序匹配算法,不建索引,而是对所有文章的内容进行字符串匹配,这个过程将会相当缓慢,当文章树木很大时,时间往往是无法忍受的。