欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Lucene4基础概念-Elasticsearch深入

程序员文章站 2022-05-13 10:37:24
...

 

学习Lucene是为了更深入搜索,学习Lucene4是为了弄懂ES中没有解释的疑问,等看完Lucene,才发现,搜索的核心原来都是Lucene,Elasticsearch只不过是包在Lucene外面的一层皮。

 

Lucene是一个搜索引擎包,它并非一个像tomcat一样的产品。它衍生出了solr和elasticsearch。当然,我学习的是后者。solr是apache孵化的一个搜索引擎。

 

马XX说过,学习是一个概念,判断,推理的过程,现在想想,老人家说的很多话,还真是那么回事。下面就是Lucene4中的一些基础核心概念。

 

索引(Index)
对应一个倒排表,一个检索的基本单位。在lucene中就对应一个目录。
 
段(Segment)
一个索引可以包含多个段,段与段之间是独立的,添加新文档可以生成新的段,不同的段可以合并。段是索引数据存储的单元。
 
文档(Document)
•文档是我们建索引的基本单位,不同的文档是保存在不同的段中的,一个段可以包含多篇文档。
•新添加的文档是单独保存在一个新生成的段中,随着段的合并,不同的文档合并到同一个段中。
 
域(Field)
•一篇文档包含不同类型的信息,可以分开索引,比如标题,时间,正文,作者等,都可以保存在不同的域里。
•不同域的索引方式可以不同。
 
词(Term)
词是索引的最小单位,是经过词法分析和语言处理后的字符串。
词相同,但域不同被认为是两个不同的词,也就是说词是词根和域名的一个组合。
 
词向量(Term Vector)
又称文档向量(document vector),由词文本和词频率组成。
 
语义树
语义树是构成搜索处理的一个中间结果,搜索时,会生成语义树,然后再进行搜索。
 
权重(Term Weight)
计算分值时使用的主要指标,指词(Term)在文档中的分值,脱离文档单独说某个词的权重是没有意义的。
 
Term Frequency (tf):即此Term 在此文档中出现了多少次。tf 越大说明越重要。
Document Frequency (df):即有多少文档包含次Term。df 越大说明越不重要  。
 
 Posting
一般情况下,将一个词条所索引的文档(一般用文档编号表示)称之为 Posting,那么一个词条索引的多个文档就称之为 Posting-list。这个词我们在看java api的时候会经常看到
 
Payload
 即词条 (Term) 的元数据或称载荷, Lucene 支持用户在索引的过程中将词条的元数据添加的索引库中,同时也提供了在检索结果时读取 Payload 信息的功能。Payload 的诞生为用户提供了一种可灵活配置的高级索引技术,为支持更加丰富的搜索体验创造了条件。
 
倒排表(Inverted Indexing)
倒排表是Lucene索引采用的一套数据结构,这种结构以词为中心,能够快速找到包含该词根的文档。因为跟正常的遍历文档检索采用的方法相反,采用先匹配词,在去找包含词的文档,因此叫倒排表。倒排表是一种数据结构,lucene的数据文件一起构成了一张大的倒排表,而不是具体的某文件存储的倒排结构。
 
文档编号(Document Number)
Lucene内部通过文档编号索引文档。这个编号在一个段内部唯一,一个段的第一个文档的编号为0,依次递增。不过这个编号仅用于lucene内部使用,而且这个编号在段合并的时候会发生改变。如果需要在段外部使用,必须对这个编号进行唯一性重新编排,确保一个文档在更大的范围也是唯一的。重新编排的一个实现方法是,基数+段内序号的方法。比如有两个段,每个段里面都有5个文档,则第一个段的文档编号=0+段内编号,第二个段的文档编号=5+段内编号。
 
 
请支持原创:

 http://donlianli.iteye.com/blog/1976024

 更多elasticsearch,请参考:http://www.iteye.com/blogs/subjects/elasticsearch-tutor

 

 

 

 

对这类话题感兴趣?欢迎发送邮件至donlianli@126.com
关于我:邯郸人,擅长Java,Javascript,Extjs,oracle sql。
更多我之前的文章,可以访问 我的空间