索引文件的生成(七)之tim&&tip

索引文件的生成(七)

本文承接 索引文件的生成(六) 继续介绍剩余的内容,下面先给出生成索引文件.tim、.tip的流程图。

生成索引文件.tim、.tip的流程图

图1:

统计每一个term的信息

图2:

执行到该流程,我们需要将当前term的一些信息(图1中的IntBlockTermState,见文章 索引文件的生成(五) )的汇总到所属域的信息中(这里先提一下的是,这些信息在后面使用FieldMetaData封装),图2中出现的字段的含义如下:

  • sumDocFreq:包含当前域的所有term的文档数量总和,注意的是当前域可能有多个term在同一文档中
  • sumTotalTermFreq:当前域的所有term在所有文档中出现的次数总和
  • numTerms:当前域中的term数量
  • minTerm:当前域中最小(字典序)的term
  • maxTerm:当前域中最大(字典序)的term

例如我们有如下几篇文档:

图3:

其中用 红色 标注的term属于域名为"content"的域,那么在处理完"content"之后,图2中的字段的值如下所示:

  • sumDocFreq:b(2)+ c(3)+ f(1)+ h(1)= 7
  • sumTotalTermFreq:b(3)+ c(3)+ f(1)+ h(1)= 8
  • numTerms:b、c、f、h共4个term
  • minTerm:b
  • maxTerm:h

再处理完所有域之后,上述的信息在索引文件.tim中的位置如下:

图4:

生成NodeBlock

图5:

当前域的所有term处理结束后,那么将term栈中剩余未处理的PendingEntry生成NodeBlock(见文章 索引文件的生成(六) )。

记录当前域的信息在.tip文件中的起始位置indexStartFP

图6:

到此流程,Lucene将要在索引文件.tip中写入当前域的FSTIndex信息,在读取阶段,通过读取索引文件.tip中的FSTIndex信息来获取当前域在索引文件.tim的内容,而所有域的FSTIndex信息连续的存储在索引文件.tip中,那么需要indexStartFP来实现"索引"功能,如下图所示:

图7:

生成当前域的FSTIndex信息

图8:

在图5的流程中,当前域的所有term处理结束后,term栈中剩余未处理的PendingEntry会被处理为NodeBlock,最终只会生成一个PendingBlock(没明白?见文章 索引文件的生成(六) ),并且PendingBlock中的index信息,即FST信息将会被写入到FSTIndex中,由于本人还未对FST在Lucene中的应用有过文章的介绍,即使在本篇文章中列出FSTIndex中包含的字段信息,相信读者也无法理解,故只能通过几句话大概介绍下FSTIndex的内容以及功能:FSTIndex包含了当前域中的term的一些前缀值的信息,根据该信息就可以在索引文件.tip中找到每一种前缀值对应的NodeBlock,该NodeBlock中包含了具有该相同前缀值的所有term的信息。

在文章 FST算法(上) 中只是简单的介绍了FST的基本原理,而其在Lucene中的应用并没有展开介绍,故当完成应用篇的文章后,到时再来更新本篇文章的内容(先立个flag :joy:)。

生成FieldMetaData

图9:

由于Lucene的处理逻辑是先处理所有的域,最后把这些域的信息写入一次性到索引文件.tip中,故在处理完一个域后,要将该域的信息通过FieldMetaData来存储下,当所有的域处理结束后,遍历所有的FieldMetaData,将这些信息依次到索引文件.tip中,故有了图7中的数据结构,FieldMetaData中只有一个信息需要介绍下,其他信息可以自行看源码中 https://github.com/LuXugang/Lucene-7.5.0/blob/master/solr-7.5.0/lucene/core/src/java/org/apache/lucene/codecs/blocktree/BlockTreeTermsWriter.java 的内部类FieldMetaData:

  • docCount:该值描述的是包含当前域的文档号数量,以图3为例,三篇文档都包含了域名为"content"的文档,所以docCount = 3,该值是在生成索引文件.doc、pos、pay(见文章 索引文件的生成(一) )的过程中统计的,统计的时机点如下图 红框 标注的流程点:

图10:

至此,生成索引文件.tim、.tip的流程介绍完毕。

结语

相信看完这七篇的系列文章后,大家对于索引文件.doc、.pos、.pay、.tim、tip的生成以及他们之间的关系有了深刻的了解,自己品。

点击 下载附件

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章