不會(huì)飛的鳥

第一節(jié) 全文檢索系統(tǒng)與Lucene簡(jiǎn)介

一、             什么是全文檢索與全文檢索系統(tǒng)？

全文檢索是指計(jì)算機(jī)索引程序通過掃描文章中的每一個(gè)詞，對(duì)每一個(gè)詞建立一個(gè)索引，指明該詞在文章中出現(xiàn)的次數(shù)和位置，當(dāng)用戶查詢時(shí)，檢索程序就根據(jù)事先建立的索引進(jìn)行查找，并將查找的結(jié)果反饋給用戶的檢索方式。這個(gè)過程類似于通過字典中的檢索字表查字的過程。

全文檢索的方法主要分為按字檢索和按詞檢索兩種。按字檢索是指對(duì)于文章中的每一個(gè)字都建立索引，檢索時(shí)將詞分解為字的組合。對(duì)于各種不同的語言而言，字有不同的含義，比如英文中字與詞實(shí)際上是合一的，而中文中字與詞有很大分別。按詞檢索指對(duì)文章中的詞，即語義單位建立索引，檢索時(shí)按詞檢索，并且可以處理同義項(xiàng)等。英文等西方文字由于按照空白切分詞，因此實(shí)現(xiàn)上與按字處理類似，添加同義處理也很容易。中文等東方文字則需要切分字詞，以達(dá)到按詞索引的目的，關(guān)于這方面的問題，是當(dāng)前全文檢索技術(shù)尤其是中文全文檢索技術(shù)中的難點(diǎn)，在此不做詳述。

全文檢索系統(tǒng)是按照全文檢索理論建立起來的用于提供全文檢索服務(wù)的軟件系統(tǒng)。一般來說，全文檢索需要具備建立索引和提供查詢的基本功能，此外現(xiàn)代的全文檢索系統(tǒng)還需要具有方便的用戶接口、面向WWW^[1]的開發(fā)接口、二次應(yīng)用開發(fā)接口等等。功能上，全文檢索系統(tǒng)核心具有建立索引、處理查詢返回結(jié)果集、增加索引、優(yōu)化索引結(jié)構(gòu)等等功能，外圍則由各種不同應(yīng)用具有的功能組成。結(jié)構(gòu)上，全文檢索系統(tǒng)核心具有索引引擎、查詢引擎、文本分析引擎、對(duì)外接口等等，加上各種外圍應(yīng)用系統(tǒng)等等共同構(gòu)成了全文檢索系統(tǒng)。圖1.1展示了上述全文檢索系統(tǒng)的結(jié)構(gòu)與功能。

在上圖中，我們看到：全文檢索系統(tǒng)中最為關(guān)鍵的部分是全文檢索引擎，各種應(yīng)用程序都需要建立在這個(gè)引擎之上。一個(gè)全文檢索應(yīng)用的優(yōu)異程度，根本上由全文檢索引擎來決定。因此提升全文檢索引擎的效率即是我們提升全文檢索應(yīng)用的根本。另一個(gè)方面，一個(gè)優(yōu)異的全文檢索引擎，在做到效率優(yōu)化的同時(shí)，還需要具有開放的體系結(jié)構(gòu)，以方便程序員對(duì)整個(gè)系統(tǒng)進(jìn)行優(yōu)化改造，或者是添加原有系統(tǒng)沒有的功能。比如在當(dāng)今多語言處理的環(huán)境下，有時(shí)需要給全文檢索系統(tǒng)添加處理某種語言或者文本格式的功能，比如在英文系統(tǒng)中添加中文處理功能，在純文本系統(tǒng)中添加XML^[2]或者HTML^[3]格式的文本處理功能，系統(tǒng)的開放性和擴(kuò)充性就十分的重要。

二、             什么是Lucene？

Lucene是apache軟件基金會(huì)^[4] jakarta項(xiàng)目組的一個(gè)子項(xiàng)目，是一個(gè)開放源代碼^[5]的全文檢索引擎工具包，即它不是一個(gè)完整的全文檢索引擎，而是一個(gè)全文檢索引擎的架構(gòu)，提供了完整的查詢引擎和索引引擎，部分文本分析引擎（英文與德文兩種西方語言）。Lucene的目的是為軟件開發(fā)人員提供一個(gè)簡(jiǎn)單易用的工具包，以方便的在目標(biāo)系統(tǒng)中實(shí)現(xiàn)全文檢索的功能，或者是以此為基礎(chǔ)建立起完整的全文檢索引擎。

Lucene的原作者是Doug Cutting，他是一位資深全文索引/檢索專家，曾經(jīng)是V-Twin搜索引擎^[6]的主要開發(fā)者，后在Excite^[7]擔(dān)任高級(jí)系統(tǒng)架構(gòu)設(shè)計(jì)師，目前從事于一些Internet底層架構(gòu)的研究。早先發(fā)布在作者自己的http://www.lucene.com/，后來發(fā)布在SourceForge^[8]，2001年年底成為apache軟件基金會(huì)jakarta的一個(gè)子項(xiàng)目：http://jakarta.apache.org/lucene/。

三、             Lucene的應(yīng)用、特點(diǎn)及優(yōu)勢(shì)

作為一個(gè)開放源代碼項(xiàng)目，Lucene從問世之后，引發(fā)了開放源代碼社群的巨大反響，程序員們不僅使用它構(gòu)建具體的全文檢索應(yīng)用，而且將之集成到各種系統(tǒng)軟件中去，以及構(gòu)建Web應(yīng)用，甚至某些商業(yè)軟件也采用了Lucene作為其內(nèi)部全文檢索子系統(tǒng)的核心。apache軟件基金會(huì)的網(wǎng)站使用了Lucene作為全文檢索的引擎，IBM的開源軟件eclipse^[9]的2.1版本中也采用了Lucene作為幫助子系統(tǒng)的全文索引引擎，相應(yīng)的IBM的商業(yè)軟件Web Sphere^[10]中也采用了Lucene。Lucene以其開放源代碼的特性、優(yōu)異的索引結(jié)構(gòu)、良好的系統(tǒng)架構(gòu)獲得了越來越多的應(yīng)用。

Lucene作為一個(gè)全文檢索引擎，其具有如下突出的優(yōu)點(diǎn)：

（1）索引文件格式獨(dú)立于應(yīng)用平臺(tái)。Lucene定義了一套以8位字節(jié)為基礎(chǔ)的索引文件格式，使得兼容系統(tǒng)或者不同平臺(tái)的應(yīng)用能夠共享建立的索引文件。

（2）在傳統(tǒng)全文檢索引擎的倒排索引的基礎(chǔ)上，實(shí)現(xiàn)了分塊索引，能夠針對(duì)新的文件建立小文件索引，提升索引速度。然后通過與原有索引的合并，達(dá)到優(yōu)化的目的。

（3）優(yōu)秀的面向?qū)ο蟮南到y(tǒng)架構(gòu)，使得對(duì)于Lucene擴(kuò)展的學(xué)習(xí)難度降低，方便擴(kuò)充新功能。

（4）設(shè)計(jì)了獨(dú)立于語言和文件格式的文本分析接口，索引器通過接受Token流完成索引文件的創(chuàng)立，用戶擴(kuò)展新的語言和文件格式，只需要實(shí)現(xiàn)文本分析的接口。

（5）已經(jīng)默認(rèn)實(shí)現(xiàn)了一套強(qiáng)大的查詢引擎，用戶無需自己編寫代碼即使系統(tǒng)可獲得強(qiáng)大的查詢能力，Lucene的查詢實(shí)現(xiàn)中默認(rèn)實(shí)現(xiàn)了布爾操作、模糊查詢（Fuzzy Search^[11]）、分組查詢等等。

    面對(duì)已經(jīng)存在的商業(yè)全文檢索引擎，Lucene也具有相當(dāng)?shù)膬?yōu)勢(shì)。首先，它的開發(fā)源代碼發(fā)行方式（遵守Apache Software License^[12]），在此基礎(chǔ)上程序員不僅僅可以充分的利用Lucene所提供的強(qiáng)大功能，而且可以深入細(xì)致的學(xué)習(xí)到全文檢索引擎制作技術(shù)和面相對(duì)象編程的實(shí)踐，進(jìn)而在此基礎(chǔ)上根據(jù)應(yīng)用的實(shí)際情況編寫出更好的更適合當(dāng)前應(yīng)用的全文檢索引擎。在這一點(diǎn)上，商業(yè)軟件的靈活性遠(yuǎn)遠(yuǎn)不及Lucene。其次，Lucene秉承了開放源代碼一貫的架構(gòu)優(yōu)良的優(yōu)勢(shì)，設(shè)計(jì)了一個(gè)合理而極具擴(kuò)充能力的面向?qū)ο蠹軜?gòu)，程序員可以在Lucene的基礎(chǔ)上擴(kuò)充各種功能，比如擴(kuò)充中文處理能力，從文本擴(kuò)充到HTML、PDF^[13]等等文本格式的處理，編寫這些擴(kuò)展的功能不僅僅不復(fù)雜，而且由于Lucene恰當(dāng)合理的對(duì)系統(tǒng)設(shè)備做了程序上的抽象，擴(kuò)展的功能也能輕易的達(dá)到跨平臺(tái)的能力。最后，轉(zhuǎn)移到apache軟件基金會(huì)后，借助于apache軟件基金會(huì)的網(wǎng)絡(luò)平臺(tái)，程序員可以方便的和開發(fā)者、其它程序員交流，促成資源的共享，甚至直接獲得已經(jīng)編寫完備的擴(kuò)充功能。最后，雖然Lucene使用Java語言寫成，但是開放源代碼社區(qū)的程序員正在不懈的將之使用各種傳統(tǒng)語言實(shí)現(xiàn)（例如.net framework^[14]），在遵守Lucene索引文件格式的基礎(chǔ)上，使得Lucene能夠運(yùn)行在各種各樣的平臺(tái)上，系統(tǒng)管理員可以根據(jù)當(dāng)前的平臺(tái)適合的語言來合理的選擇。

四、             本文的重點(diǎn)問題與cLucene項(xiàng)目

作為中國人民大學(xué)信息學(xué)院99級(jí)本科生的一個(gè)畢業(yè)設(shè)計(jì)項(xiàng)目，我們對(duì)Lucene進(jìn)行了深入的研究，包括系統(tǒng)的結(jié)構(gòu)，索引文件結(jié)構(gòu)，各個(gè)部分的實(shí)現(xiàn)等等。并且我們啟動(dòng)了cLucene項(xiàng)目，做為一個(gè)Lucene的C++語言的重新實(shí)現(xiàn)，以期望帶來更快的速度和更加廣泛的應(yīng)用范圍。我們先分析了系統(tǒng)結(jié)構(gòu)，文件結(jié)構(gòu)，然后在研究各個(gè)部分的具體實(shí)現(xiàn)的同時(shí)開始進(jìn)行的cLucene實(shí)現(xiàn)。限于時(shí)間的限制，到本文完成為止，cLucene項(xiàng)目并沒有完成，對(duì)于Lucene的具體實(shí)現(xiàn)部分也僅僅完成到了索引引擎部分。

接下來的部分，本文將對(duì)Lucene的系統(tǒng)結(jié)構(gòu)、文件結(jié)構(gòu)、索引引擎部分做一個(gè)徹底的分析。以期望提供對(duì)Lucene全文檢索引擎的系統(tǒng)架構(gòu)和部分程序?qū)崿F(xiàn)的清晰的了解。cLucene項(xiàng)目則作為一個(gè)開放源代碼的項(xiàng)目，繼續(xù)進(jìn)行的開發(fā)。

       有關(guān)cLucene項(xiàng)目的一些信息：

n         開發(fā)語言：ISO C++^[15]，STLport 4.5.3^[16]，OpenTop 1.1^[17]

n         目標(biāo)平臺(tái)：Win32，POSIX

n         授權(quán)協(xié)議：GNU General Public License (GPL)^[18]

第二節(jié) Lucene系統(tǒng)結(jié)構(gòu)分析

一、             系統(tǒng)結(jié)構(gòu)組織

Lucene作為一個(gè)優(yōu)秀的全文檢索引擎，其系統(tǒng)結(jié)構(gòu)具有強(qiáng)烈的面向?qū)ο筇卣鳌Ｊ紫仁嵌x了一個(gè)與平臺(tái)無關(guān)的索引文件格式，其次通過抽象將系統(tǒng)的核心組成部分設(shè)計(jì)為抽象類，具體的平臺(tái)實(shí)現(xiàn)部分設(shè)計(jì)為抽象類的實(shí)現(xiàn)，此外與具體平臺(tái)相關(guān)的部分比如文件存儲(chǔ)也封裝為類，經(jīng)過層層的面向?qū)ο笫降奶幚恚罱K達(dá)成了一個(gè)低耦合高效率，容易二次開發(fā)的檢索引擎系統(tǒng)。

以下將討論Lucene系統(tǒng)的結(jié)構(gòu)組織，并給出系統(tǒng)結(jié)構(gòu)與源碼組織圖：

    從圖中我們清楚的看到，Lucene的系統(tǒng)由基礎(chǔ)結(jié)構(gòu)封裝、索引核心、對(duì)外接口三大部分組成。其中直接操作索引文件的索引核心又是系統(tǒng)的重點(diǎn)。Lucene的將所有源碼分為了7個(gè)模塊（在java語言中以包即package來表示），各個(gè)模塊所屬的系統(tǒng)部分也如上圖所示。需要說明的是org.apache.lucene.queryPaser是做為org.apache.lucene.search的語法解析器存在，不被系統(tǒng)之外實(shí)際調(diào)用，因此這里沒有當(dāng)作對(duì)外接口看待，而是將之獨(dú)立出來。

    從面象對(duì)象的觀點(diǎn)來考察，Lucene應(yīng)用了最基本的一條程序設(shè)計(jì)準(zhǔn)則：引入額外的抽象層以降低耦合性。首先，引入對(duì)索引文件的操作org.apache.lucene.store的封裝，然后將索引部分的實(shí)現(xiàn)建立在（org.apache.lucene.index）其之上，完成對(duì)索引核心的抽象。在索引核心的基礎(chǔ)上開始設(shè)計(jì)對(duì)外的接口org.apache.lucene.search與org.apache.lucene.analysis。在每一個(gè)局部細(xì)節(jié)上，比如某些常用的數(shù)據(jù)結(jié)構(gòu)與算法上，Lucene也充分的應(yīng)用了這一條準(zhǔn)則。在高度的面向?qū)ο罄碚摰闹蜗拢沟?/span>Lucene的實(shí)現(xiàn)容易理解，易于擴(kuò)展。

    Lucene在系統(tǒng)結(jié)構(gòu)上的另一個(gè)特點(diǎn)表現(xiàn)為其引入了傳統(tǒng)的客戶端服務(wù)器結(jié)構(gòu)以外的的應(yīng)用結(jié)構(gòu)。Lucene可以作為一個(gè)運(yùn)行庫被包含進(jìn)入應(yīng)用本身中去，而不是做為一個(gè)單獨(dú)的索引服務(wù)器存在。這自然和Lucene開放源代碼的特征分不開，但是也體現(xiàn)了Lucene在編寫上的本來意圖：提供一個(gè)全文索引引擎的架構(gòu)，而不是實(shí)現(xiàn)。

二、             數(shù)據(jù)流分析

理解Lucene系統(tǒng)結(jié)構(gòu)的另一個(gè)方式是去探討其中數(shù)據(jù)流的走向，并以此摸清楚Lucene系統(tǒng)內(nèi)部的調(diào)用時(shí)序。在此基礎(chǔ)上，我們能夠更加深入的理解Lucene的系統(tǒng)結(jié)構(gòu)組織，以方便以后在Lucene系統(tǒng)上的開發(fā)工作。這部分的分析，是深入Lucene系統(tǒng)的鑰匙，也是進(jìn)行重寫的基礎(chǔ)。

   我們來看看在Lucene系統(tǒng)中的主要的數(shù)據(jù)流以及它們之間的關(guān)系圖：

索引查找邏輯

索引構(gòu)建邏輯

查詢語句語法分析邏輯

詞法分析邏輯

存儲(chǔ)抽象

    圖2.2很好的表明了Lucene在內(nèi)部的數(shù)據(jù)流組織情況，并且沿著數(shù)據(jù)流的方向我們也可以對(duì)與Lucene內(nèi)部的執(zhí)行時(shí)序有一個(gè)清楚的了解。現(xiàn)在將圖中的涉及到的流的類型與各個(gè)邏輯對(duì)應(yīng)系統(tǒng)的相關(guān)部分的關(guān)系說明一下。

    圖中共存在4種數(shù)據(jù)流，分別是文本流、token流、字節(jié)流與查詢語句對(duì)象流。文本流表示了對(duì)于索引目標(biāo)和交互控制的抽象，即用文本流表示了將要索引的文件，用文本流向用戶輸出信息；在實(shí)際的實(shí)現(xiàn)中，Lucene中的文本流采用了UCS-2^[19]作為編碼，以達(dá)到適應(yīng)多種語言文字的處理的目的。Token流是Lucene內(nèi)部所使用的概念，是對(duì)傳統(tǒng)文字中的詞的概念的抽象，也是Lucene在建立索引時(shí)直接處理的最小單位；簡(jiǎn)單的講Token就是一個(gè)詞和所在域值的組合，后面在敘述文件格式時(shí)也將繼續(xù)涉及到token，這里不詳細(xì)展開。字節(jié)流則是對(duì)文件抽象的直接操作的體現(xiàn)，通過固定長(zhǎng)度的字節(jié)（Lucene定義為8比特位長(zhǎng)，后面文件格式將詳細(xì)敘述）流的處理，將文件操作解脫出來，也做到了與平臺(tái)文件系統(tǒng)的無關(guān)性。查詢語句對(duì)象流則是僅僅在查詢語句解析時(shí)用到的概念，它對(duì)查詢語句抽象，通過類的繼承結(jié)構(gòu)反映查詢語句的結(jié)構(gòu)，將之傳送到查找邏輯來進(jìn)行查找的操作。

    圖中的涉及到了多種邏輯，基本上直接對(duì)應(yīng)于系統(tǒng)某一模塊，但是也有跨模塊調(diào)用的問題發(fā)生，這是因?yàn)?/span>Lucene的重用程度非常好，因此很多實(shí)現(xiàn)直接調(diào)用了以前的工作成果，這在某種程度上其實(shí)是加強(qiáng)了模塊耦合性，但是也是為了避免系統(tǒng)的過于龐大和不必要的重復(fù)設(shè)計(jì)的一種折衷體現(xiàn)。詞法分析邏輯對(duì)應(yīng)于org.apache.lucene.analysis部分。查詢語句語法分析邏輯對(duì)應(yīng)于org.apache.lucene.queryParser部分，并且調(diào)用了org.apache.lucene.analysis的代碼。查詢結(jié)束之后向評(píng)分排序邏輯輸出token流，繼而由評(píng)分排序邏輯處理之后給出文本流的結(jié)果，這一部分的實(shí)現(xiàn)也包含在了org.apache.lucene.search中。索引構(gòu)建邏輯對(duì)應(yīng)于org.apache.lucene.index部分。索引查找邏輯則主要是org.apache.lucene.search，但是也大量的使用了org.apache.lucene.index部分的代碼和接口定義。存儲(chǔ)抽象對(duì)應(yīng)于org.apache.lucene.store。沒有提到的模塊則是做為系統(tǒng)公共基礎(chǔ)設(shè)施存在。

三、             基于Lucene的應(yīng)用開發(fā)

通過以上的系統(tǒng)結(jié)構(gòu)分析和數(shù)據(jù)流分析，我們已經(jīng)很清楚的了解了Lucene的系統(tǒng)的結(jié)構(gòu)特征。在此基礎(chǔ)上，我們可以通過擴(kuò)充Lucene系統(tǒng)來完成一個(gè)完備的全文檢索引擎，緊接著還可以在全文檢索引擎的基礎(chǔ)上構(gòu)建各種應(yīng)用系統(tǒng)。鑒于本文的目的并不在此，以下我們只是略為敘述一下相關(guān)的步驟，從而給出應(yīng)用開發(fā)的一些思路。

首先，我們需要的是按照目標(biāo)語言的詞法結(jié)構(gòu)來構(gòu)建相應(yīng)的詞法分析邏輯，實(shí)現(xiàn)Lucene在org.apache.lucene.analysis中定義的接口，為Lucene提供目標(biāo)系統(tǒng)所使用的語言處理能力。Lucene默認(rèn)的已經(jīng)實(shí)現(xiàn)了英文和德文的簡(jiǎn)單詞法分析邏輯（按照空格分詞，并去除常用的語法詞，如英語中的is，am，are等等）。在這里，主要需要參考實(shí)現(xiàn)的接口在org.apache.lucene.analysis中的Analyzer.java和Tokenizer.java中定義，Lucene提供了很多英文規(guī)范的實(shí)現(xiàn)樣本，也可以做為實(shí)現(xiàn)時(shí)候的參考資料。其次，需要按照被索引的文件的格式來提供相應(yīng)的文本分析邏輯，這里是指除開詞法分析之外的部分，比如HTML文件，通常需要把其中的內(nèi)容按照所屬于域分門別類加入索引，這就需要從org.apache.lucene.document中定義的類document繼承，定義自己的HTMLDocument類，然后就可以將之交給org.apache.lucene.index模塊來寫入索引文件。完成了這兩步之后，Lucene全文檢索引擎就基本上完備了。這個(gè)過程可以用下圖表示：

    當(dāng)然，上面所示的僅僅只是對(duì)于Lucene的基本擴(kuò)充過程，它將Lucene由不完備的變成完備的（尤其是對(duì)于非英語的語言檢索）。除此之外我們還可以在很多方面對(duì)Lucene進(jìn)行改造。第一個(gè)方面即為按照文檔索引的域，比如標(biāo)題，作者之類的信息對(duì)返回的查詢結(jié)果排序，這即需要改造Lucene的評(píng)分排序邏輯。默認(rèn)的，Lucene采用其內(nèi)部的相關(guān)性方法來處理評(píng)分和排序，我們可以根據(jù)需要改變它。遺憾的是，這部分Lucene并沒有做到如同擴(kuò)充詞法解析和文檔類型那樣的條理清晰，沒有留下很好的接口，因此需要仔細(xì)的分析其源代碼的實(shí)現(xiàn)，自行擴(kuò)充等等。其他的方面，比如改進(jìn)其索引的效率，改進(jìn)其返回結(jié)果時(shí)候的緩沖機(jī)制等等，都是加強(qiáng)Lucene系統(tǒng)的方面，在此也不再敘述。

    完成了Lucene系統(tǒng)，之后就可以開始考慮其上的應(yīng)用系統(tǒng)開發(fā)。如果應(yīng)用系統(tǒng)也使用java語言開發(fā)，那么Lucene系統(tǒng)能夠方便的嵌入到整個(gè)系統(tǒng)中去，作為一個(gè)API集來調(diào)用。這個(gè)過程十分簡(jiǎn)單，以下便是一個(gè)示例程序，配合注釋理解起來很容易。

圖 2.4 Lucene應(yīng)用代碼示例

    或者，Lucene全文檢索引擎也可作為服務(wù)器程序啟動(dòng)，但是這就需要用戶自行擴(kuò)充其他應(yīng)用與Lucene的接口。這個(gè)可以通過傳統(tǒng)的包裝方式，比如客戶服務(wù)器結(jié)構(gòu)，或者采用現(xiàn)在流行的Web方式。諸如此類的應(yīng)用方案，本文也不再繼續(xù)敘述。參考Lucene的項(xiàng)目網(wǎng)站中的用戶郵件列表能找到更多的信息。

第三節(jié) Lucene索引文件格式分析

一、             Lucene源碼實(shí)現(xiàn)分析的說明

通過以上對(duì)Lucene系統(tǒng)結(jié)構(gòu)的分析，我們已經(jīng)大致的清楚了Lucene系統(tǒng)的組成，以及在Lucene系統(tǒng)之上的開發(fā)步驟。接下來，我們?cè)噲D來分析Lucene項(xiàng)目（采用Lucene 1.2版本）的源碼實(shí)現(xiàn)，考察其實(shí)現(xiàn)的細(xì)節(jié)。這不僅僅是我們嘗試用C++語言重新實(shí)現(xiàn)Lucene的必須工作，也是進(jìn)一步做Lucene開發(fā)工作的必要準(zhǔn)備。因此，這一部分所涉及到的內(nèi)容，對(duì)于Lucene上的應(yīng)用開發(fā)也是有價(jià)值的，尤其是本部分所做的文件格式分析。

    由于本文建立在我們的畢設(shè)項(xiàng)目之上，且同時(shí)我們需要實(shí)現(xiàn)cLucene項(xiàng)目，因此很遺憾的我們并沒有完全的完成Lucene的所有源碼實(shí)現(xiàn)的分析工作。接下來的部分，我們將涉及的部分為Lucene文件格式分析，Lucene中的存儲(chǔ)抽象模塊分析，以及Lucene中的索引構(gòu)建邏輯模塊分析。這一部分，我們主要涉及到的是文件格式分析與存儲(chǔ)抽象模塊分析。

二、             Lucene索引文件格式

在Lucene的web站點(diǎn)上，有關(guān)于Lucene的文件格式的規(guī)范，其規(guī)定了Lucene的文件格式采取的存儲(chǔ)單位、組織結(jié)構(gòu)、命名規(guī)范等等內(nèi)容，但是它僅僅是一個(gè)規(guī)范說明，并沒有從實(shí)現(xiàn)者角度來衡量這個(gè)規(guī)范的實(shí)現(xiàn)。因此，我們以下的內(nèi)容，結(jié)合了我們自己的分析與文件格式的定義規(guī)范，以期望給出一個(gè)更加清晰的文件格式說明。具體的文檔規(guī)范可以參考后面的文獻(xiàn)2。

    首先在Lucene的文件格式中，以字節(jié)為基礎(chǔ)，定義了如下的數(shù)據(jù)類型：

表 3.1 Lucene文件格式中定義的數(shù)據(jù)類型

    以上的數(shù)據(jù)類型就是Lucene索引文件格式中用到的全部數(shù)據(jù)類型，由于它們都以字節(jié)為基礎(chǔ)定義而來，因此保證了是平臺(tái)無關(guān)，這也是Lucene索引文件格式平臺(tái)無關(guān)的主要原因。接下來我們看看Lucene索引文件的概念組成和結(jié)構(gòu)組成。

    以上就是Lucene的索引文件的概念結(jié)構(gòu)。Lucene索引index由若干段(segment)組成，每一段由若干的文檔（document）組成，每一個(gè)文檔由若干的域（field）組成，每一個(gè)域由若干的項(xiàng)（term）組成。項(xiàng)是最小的索引概念單位，它直接代表了一個(gè)字符串以及其在文件中的位置、出現(xiàn)次數(shù)等信息。域是一個(gè)關(guān)聯(lián)的元組，由一個(gè)域名和一個(gè)域值組成，域名是一個(gè)字串，域值是一個(gè)項(xiàng)，比如將“標(biāo)題”和實(shí)際標(biāo)題的項(xiàng)組成的域。文檔是提取了某個(gè)文件中的所有信息之后的結(jié)果，這些組成了段，或者稱為一個(gè)子索引。子索引可以組合為索引，也可以合并為一個(gè)新的包含了所有合并項(xiàng)內(nèi)部元素的子索引。我們可以清楚的看出，Lucene的索引結(jié)構(gòu)在概念上即為傳統(tǒng)的倒排索引結(jié)構(gòu)^[21]。

    從概念上映射到結(jié)構(gòu)中，索引被處理為一個(gè)目錄（文件夾），其中含有的所有文件即為其內(nèi)容，這些文件按照所屬的段不同分組存放，同組的文件擁有相同的文件名，不同的擴(kuò)展名。此外還有三個(gè)文件，分別用來保存所有的段的記錄、保存已刪除文件的記錄和控制讀寫的同步，它們分別是segments，deletable和lock文件，都沒有擴(kuò)展名。每個(gè)段包含一組文件，它們的文件擴(kuò)展名不同，但是文件名均為記錄在文件segments中段的名字。讓我們看如下的結(jié)構(gòu)圖3.2。

項(xiàng)集合信息

項(xiàng)位置

項(xiàng)頻數(shù)

被刪除文檔

標(biāo)準(zhǔn)化因子

圖 3.2 Lucene索引文件結(jié)構(gòu)組成

segment1所含文件

項(xiàng)字典

域值存儲(chǔ)表

域集合信息

index

    關(guān)于圖3.2中的各個(gè)文件具體的內(nèi)部格式，在參考文獻(xiàn)3中，均可以找到詳細(xì)的說明。接下來我們從宏觀關(guān)系上說明一下這些文件組成。在這些宏觀上的關(guān)系理清楚之后，仔細(xì)閱讀參考文獻(xiàn)3，即可清楚的明白具體的Lucene文件格式。

    每個(gè)段的文件中，主要記錄了兩大類的信息：域集合與項(xiàng)集合。這兩個(gè)集合中所含有的文件在圖3.2中均有表明。由于索引信息是靜態(tài)存儲(chǔ)的，域集合與項(xiàng)集合中的文件組采用了一種類似的存儲(chǔ)辦法：一個(gè)小型的索引文件，運(yùn)行時(shí)載入內(nèi)存；一個(gè)對(duì)應(yīng)于索引文件的實(shí)際信息文件，可以按照索引中指示的偏移量隨機(jī)訪問；索引文件與信息文件在記錄的排列順序上存在隱式的對(duì)應(yīng)關(guān)系，即索引文件中按照“索引項(xiàng)1、索引項(xiàng)2…”排列，則信息文件則也按照“信息項(xiàng)1、信息項(xiàng)2…”排列。比如在圖3.2所示文件中，segment1.fdx與segment1.fdt之間，segment1.tii與segment1.tis、segment1.prx、segment1.frq之間，都存在這樣的組織關(guān)系。而域集合與項(xiàng)集合之間則通過域的在域記錄文件（比如segment1.fnm）中所記錄的域記錄號(hào)維持對(duì)應(yīng)關(guān)系，在圖3.2中segment1.fdx與segment1.tii中就是通過這種方式保持聯(lián)系。這樣，域集合和項(xiàng)集合不僅僅聯(lián)系起來，而且其中的文件之間也相互聯(lián)系起來。此外，標(biāo)準(zhǔn)化因子文件和被刪除文檔文件則提供了一些程序內(nèi)部的輔助設(shè)施（標(biāo)準(zhǔn)化因子用在評(píng)分排序機(jī)制中，被刪除文檔是一種偽刪除手段）。這樣，整個(gè)段的索引信息就通過這些文檔有機(jī)的組成。

    以上所闡述的，就是Lucene所采用的索引文件格式。基本上而言，它是一個(gè)倒排索引，但是Lucene在文件的安排上做了一些努力，比如使用索引/信息文件的方式，從文件安排的形式上提高查找的效率。這是一種數(shù)據(jù)庫之外的處理方法，其有其優(yōu)點(diǎn)（格式平臺(tái)獨(dú)立、速度快），也有其缺點(diǎn)（獨(dú)立性帶來的共享訪問接口問題等等），具體如何衡量?jī)煞N方法之間的利弊，本文這里就不討論了。

三、             一些公用的基礎(chǔ)類

分析完索引文件格式，我們接下來應(yīng)該著手對(duì)存儲(chǔ)抽象也就是org.apache.lucenestore中的源碼做一些分析。我們先不著急分析這部分，而是分析圖2.1中基礎(chǔ)結(jié)構(gòu)封裝那一部分，因?yàn)檫@是整個(gè)系統(tǒng)的基石，然后我們?cè)谙乱徊糠衷賮矸治龃鎯?chǔ)抽象。

    基礎(chǔ)結(jié)構(gòu)封裝，或者基礎(chǔ)類，由org.apache.lucene.util和org.apache.lucene.document兩個(gè)包組成，前者定義了一些常量和優(yōu)化過的常用的數(shù)據(jù)結(jié)構(gòu)和算法，后者則是對(duì)于文檔（document）和域（field）概念的一個(gè)類定義。以下我們用列表的方式來分析這些封裝類，指出其要點(diǎn)。

表 3.2 基礎(chǔ)類包org.apache.lucene.util

表 3.3 基礎(chǔ)類包org.apache.lucene.document

總的來說，這兩個(gè)基礎(chǔ)類包中含有的類都比較簡(jiǎn)單，通過閱讀源代碼，可以很容易的理解，因此這里不作過多的展開。

四、             存儲(chǔ)抽象

有了上面的知識(shí)，我們接下來來分析存儲(chǔ)抽象部分，也就是org.apache.lucene.store包。存儲(chǔ)抽象是唯一能夠直接對(duì)索引文件存取的包，因此其主要目的是抽象出和平臺(tái)文件系統(tǒng)無關(guān)的存儲(chǔ)抽象，提供諸如目錄服務(wù)（增、刪文件）、輸入流和輸出流。在分析其實(shí)現(xiàn)之前，首先我們看一下UML^[22]圖。

圖 3.3 存儲(chǔ)抽象實(shí)現(xiàn)UML圖（一）

圖 3.4 存儲(chǔ)抽象實(shí)現(xiàn)UML圖（二）

圖 3.4 存儲(chǔ)抽象實(shí)現(xiàn)UML圖（三）

    圖3.2到3.4展示了整個(gè)org.apache.lucene.store中主要的繼承體系。共有三個(gè)抽象類定義：Directory、InputStream和OutputStrem，構(gòu)成了一個(gè)完整的基于抽象文件系統(tǒng)的存取體系結(jié)構(gòu)，在此基礎(chǔ)上，實(shí)作出了兩個(gè)實(shí)現(xiàn)品：（FSDirectory，FSInputStream，FSOutputStream）和（RAMDirectory，RAMInputStream和RAMOutputStream）。前者是以實(shí)際的文件系統(tǒng)做為基礎(chǔ)實(shí)現(xiàn)的，后者則是建立在內(nèi)存中的虛擬文件系統(tǒng)。前者主要用來永久的保存索引文件，后者的作用則在于索引操作時(shí)是在內(nèi)存中建立小的索引，然后一次性的輸出合并到文件中去，這一點(diǎn)我們?cè)诤竺娴乃饕壿嫴糠帜軌蚩吹健４送猓€定以了org.apache.lucene.store.lock和org.apache.lucene.store.with兩個(gè)輔助內(nèi)部實(shí)現(xiàn)的類用在實(shí)現(xiàn)Directory方法的makeLock的時(shí)候，以在鎖定索引讀寫之前來讓客戶程序做一些準(zhǔn)備工作。

    （FSDirectory，FSInputStream，FSOutputStream）的內(nèi)部實(shí)現(xiàn)依托于java語言中的io類庫，只是簡(jiǎn)單的做了一個(gè)外部邏輯的包裝。這當(dāng)然要?dú)w功于java語言所提供的跨平臺(tái)特性，同時(shí)也帶了一些隱患：文件存取的效率提升需要依耐于文件類庫的優(yōu)化。如果需要繼續(xù)優(yōu)化文件存取的效率，應(yīng)該還提供一個(gè)文件與目錄的抽象，以根據(jù)各種文件系統(tǒng)或者文件類型來提供一個(gè)優(yōu)化的機(jī)會(huì)。當(dāng)然，這是應(yīng)用開發(fā)者所不需要關(guān)系的問題。

    （RAMDirectory，RAMInputStream和RAMOutputStream）的內(nèi)部實(shí)現(xiàn)就比較直接了，直接采用了虛擬的文件RAMFile類（定義于文件RAMDirectory.java中）來表示文件，目錄則看作一個(gè)String與RAMFile對(duì)應(yīng)的關(guān)聯(lián)數(shù)組。RAMFile中采用數(shù)組來表示文件的存儲(chǔ)空間。在此的基礎(chǔ)上，完成各項(xiàng)操作的實(shí)現(xiàn)，就形成了基于內(nèi)存的虛擬文件系統(tǒng)。因?yàn)樵趯?shí)際使用時(shí)，并不會(huì)牽涉到很大字節(jié)數(shù)量的文件，因此這種設(shè)計(jì)是簡(jiǎn)單直接的，也是高效率的。

    這部分的實(shí)現(xiàn)在理清楚繼承體系后，相當(dāng)?shù)暮?jiǎn)單。因此接下來的部分，我們可以通過直接閱讀源代碼解決。接下來我們看看這個(gè)部分的源代碼如何在實(shí)際中使用的。

    一般來說，我們使用的是抽象類提供的接口而不是實(shí)際的實(shí)現(xiàn)類本身。在實(shí)現(xiàn)類中一般都含有幾個(gè)靜態(tài)函數(shù)，比如createFile，它能夠返回一個(gè)OutputStream接口，或者openFile，它能夠返回一個(gè)InputStream接口，利用這些接口之中的方法，比如writeString，writeByte等等，我們就能夠在抽象的層次上處理Lucene定義的數(shù)據(jù)類型的讀寫。簡(jiǎn)單的說，Lucene中存儲(chǔ)抽象這部分設(shè)計(jì)時(shí)采用了工廠模式（Factory parttern）^[23]。我們利用靜態(tài)類的方法也就是工廠來創(chuàng)建對(duì)象，返回接口，通過接口來執(zhí)行操作。

五、             關(guān)于cLucene項(xiàng)目

這一部分詳細(xì)的說明了Lucene系統(tǒng)中所采用的索引文件格式、一些基礎(chǔ)類和存儲(chǔ)抽象。接下來我們來敘述一下我們?cè)陧?xiàng)目cLucene中重新實(shí)現(xiàn)這些結(jié)構(gòu)時(shí)候的一些考慮。

    cLucene徹底的遵守了Lucene所定義的索引文件格式，這是Lucene對(duì)于各個(gè)兼容系統(tǒng)的基本要求。在此基礎(chǔ)上，cLucene系統(tǒng)和Lucene系統(tǒng)才能夠共享索引文件數(shù)據(jù)。或者說，cLucene生成的索引文件和Lucene生成的索引文件完全等價(jià)。

    在基礎(chǔ)類問題上，cLucene同樣封裝了類似的結(jié)構(gòu)。我們同樣列表描述，請(qǐng)和前面的表3.2與3.3對(duì)照比較。

表 3.4 基礎(chǔ)類包cLucene::util

表 3.3 基礎(chǔ)類包cLucene::document

    存儲(chǔ)抽象的實(shí)現(xiàn)上，也同樣是類似于java實(shí)現(xiàn)。由于我們采用了OpenTop庫，因此同樣得以借助其中對(duì)于文件系統(tǒng)抽象的ot::io包來解決文件系統(tǒng)問題。這部分問題與前面一樣，存在優(yōu)化的可能。在實(shí)現(xiàn)的類層次上、對(duì)外接口上，均與java版本的一樣。

第四節(jié) Lucene索引構(gòu)建邏輯模塊分析

一、             緒論

這一個(gè)部分，我們將分析Lucene中的索引構(gòu)建邏輯模塊。它與前面介紹的存儲(chǔ)抽象一起構(gòu)成了Lucene的索引核心部分。無論是對(duì)外接口中的查詢，還是分析各種文本以進(jìn)一步生成索引，都需要直接調(diào)用這部分來獲得對(duì)索引文件的訪問能力，因此，這部分在系統(tǒng)中至關(guān)重要。構(gòu)建一個(gè)高效的、易使用的索引構(gòu)建邏輯，即是Lucene在這一部分需要達(dá)到的目的。

    從面向?qū)ο蟮慕?jīng)典思考方式出發(fā)來看，我們只需要使用繼承體系來表達(dá)圖3.1中的各個(gè)概念，就可以通過這個(gè)繼承體系來控制索引文件的結(jié)構(gòu)，然后設(shè)計(jì)合適的永久化方法，以及接受分析token流的操作，即可將索引構(gòu)建邏輯完成。原理上就是這樣的簡(jiǎn)單。由于兩個(gè)關(guān)鍵的概念document和field都已經(jīng)在org.apache.lucene.document中當(dāng)作基礎(chǔ)類定義過了，因此實(shí)際上Lucene在這部分需要完善的概念結(jié)構(gòu)還有segment和term。在此基礎(chǔ)上繼續(xù)編寫各個(gè)邏輯結(jié)構(gòu)的永久化方法，然后提供一個(gè)進(jìn)入的接口方法，即是宣告完成了這個(gè)過程。其中永久化的部分，Lucene使用了另外實(shí)現(xiàn)一個(gè)代理類的方式來實(shí)現(xiàn)，即對(duì)于某個(gè)類X，存在XWriter類和XReader類來負(fù)責(zé)寫出和讀入的功能；用作永久化功能的類是被永久化的類的友元。

    在接下來的分析過程中，我們按照這樣一個(gè)思路，以UML圖和對(duì)象體系的描述來敘述這部分的設(shè)計(jì)和實(shí)現(xiàn)，然后通過內(nèi)部的數(shù)據(jù)流理清楚調(diào)用時(shí)序。

二、             對(duì)象體系與UML圖

1．  項(xiàng)（Term）

這部分主要是分析針對(duì)項(xiàng)（Term）這個(gè)概念所做的設(shè)計(jì)，包括概念所實(shí)際涉及的類、永久化類。首先，我們從圖3.2和閱讀參考文獻(xiàn)3知道，項(xiàng)（Term）所表示的是一個(gè)字符串，它擁有域、頻數(shù)和位置信息等等屬性。因此，Lucene中設(shè)計(jì)了兩個(gè)類來表示這個(gè)概念，如下圖

圖 4.1 UML圖（－）

上圖中，有意的突出了類Term和TermInfo中的數(shù)據(jù)成員，因?yàn)樗从沉藢?duì)于項(xiàng)（Term）這個(gè)概念的具體表示。同時(shí)上圖中也同時(shí)列出了用于永久化項(xiàng)（Term）的代理類TermInfosWriter和TermInfosReader，它們完成永久化的功能，需要注意的是，TermInfosReader內(nèi)部使用了數(shù)組indexTerms和indexInfos來存儲(chǔ)一系列項(xiàng)；而TermInfosWriter則是一個(gè)類似于鏈表的結(jié)構(gòu)，通過一個(gè)other指向下一個(gè)TermInfosWriter，每一個(gè)TermInfosWriter只負(fù)責(zé)本身那個(gè)lastTerm和lastTi的永久化工作。這是一個(gè)設(shè)計(jì)上的技巧，通過批量讀取（或者稱為緩沖的方式）來獲得讀入時(shí)候的效率優(yōu)化；而通過一個(gè)鏈表式的、各負(fù)其責(zé)的方式，來獲得寫出時(shí)候的設(shè)計(jì)簡(jiǎn)化。

項(xiàng)（term）這部分的設(shè)計(jì)中，還有一些重要的接口和類，我們先介紹如下，同樣我們也先展示UML圖

圖 4.2 UML圖（二）

圖4.2中，我們看到三個(gè)類：TermEnum、TermDocs與TermPositions，第一個(gè)是抽象類，后兩個(gè)都是接口。TermEnum的設(shè)計(jì)主要用在后面Segment和Document等等的實(shí)現(xiàn)中，以提供枚舉其中每一個(gè)項(xiàng)（Term）的能力。TermDocs是一個(gè)接口，用來繼承以提供返回<document, frequency>值對(duì)的能力，通過這個(gè)接口就可以獲得某個(gè)項(xiàng)（Term）在某個(gè)文檔中出現(xiàn)的頻數(shù)。TermPositions則是在TermDocs上的擴(kuò)展，將項(xiàng)（Term）在文檔中的位置信息也表示出來。TermDocs（TermPositions）接口的使用方式類似于java中的Enumration接口，即通過next方法跳轉(zhuǎn)，通過doc，freq等方法獲得當(dāng)前的屬性值。

2．  域（Field）

由于Field的基本概念在org.apache.lucene.document中已經(jīng)做了定義，因此在這部分主要是針對(duì)項(xiàng)文件（.fnm文件、.fdx文件、.fdt文件）所需要的信息再來設(shè)計(jì)一些類。

圖 4.3 UML圖（三）

圖 4.3中展示的，就是表示與域（Field）所關(guān)聯(lián)的屬性信息的類。其中isIndexed表示的這個(gè)域的值是否被索引過，即值是否被分詞然后索引；另外兩個(gè)屬性所表示的意思則很明顯：一個(gè)是域的名字，一個(gè)是域的編號(hào)。

接下來我們來看關(guān)于域表和存取邏輯的UML圖。

圖 4.4 UML圖（四）

FieldInfos即為域表的概念表示，內(nèi)部采用了冗余的方式以獲取在通過域的編號(hào)訪問或者通過域的名字來訪問時(shí)候的高效率。FieldsReader與FieldsWriter則分別是寫出和讀入的代理類。在功能和實(shí)現(xiàn)上，這兩個(gè)類都比較簡(jiǎn)單。至于FieldInfos中采用的冗余方式，則是基于域的數(shù)目相對(duì)比較少而做出的一種折衷處理。

3．  文檔（document）

文檔（document）同樣也是在org.apache.lucene.document中定義過的結(jié)構(gòu)。由于對(duì)于這部分比較重要，我們也來看看其UML圖。

圖 4.5 UML圖（五）

在圖4.5中我們看到，Document的設(shè)計(jì)基本上沿用了鏈表的處理方法。左邊的Document類作為一個(gè)數(shù)據(jù)外包類，用來提供對(duì)于內(nèi)部結(jié)構(gòu)DocumentFieldList的增加刪除訪問操作等等。DocumentFieldList才是實(shí)際上的數(shù)據(jù)存儲(chǔ)單位，它用了鏈表的處理方法，直接指向一個(gè)當(dāng)前的Field對(duì)象和下一個(gè)DocumentFieldList對(duì)象，這個(gè)與前面的類似。為了能夠逐個(gè)訪問鏈表中的節(jié)點(diǎn)，還設(shè)計(jì)了DocumentFieldEnumeration枚舉類。

圖 4.6 UML圖（六）

    實(shí)際上定義于org.apache.lucene.index中的有關(guān)于Document的就是永久化的代理類。在圖4.6中給出了其UML圖。需要說明的是為什么沒有出現(xiàn)讀入的方法：這個(gè)方法已經(jīng)隱含在圖4.5中Document類中的add方法中了，結(jié)合圖2.4中的程序代碼段，我們就能夠清楚的理解這種設(shè)計(jì)。

4．  段（segment）

段（Segment）這一部分設(shè)計(jì)的比較特殊，在實(shí)現(xiàn)簡(jiǎn)單的對(duì)象結(jié)構(gòu)之上，還特意的設(shè)計(jì)了用于段之間合并的類。接下來，我們?nèi)匀徊扇?duì)照UML分析的方式逐個(gè)敘述。接下來我們看Lucene中如何表示段這個(gè)概念。

圖 4.7 UML圖（七）

Lucene定義了一個(gè)類SegmentInfo用來表示每一個(gè)段（Segment）的信息，包括名字（name）、含有的文檔的數(shù)目（docCount）和段所位于的目錄的位置（dir）。根據(jù)索引文件中的段的意義，有了這三點(diǎn)，就能唯一確定一個(gè)段了。SegmentInfos這個(gè)類則是用來表示一個(gè)段的鏈表（從標(biāo)準(zhǔn)的java.util.Vector繼承而來），實(shí)際上，也就是索引（index）的意思了。需要注意的是，這里并沒有在SegmentInfo中安插一個(gè)文檔（document）的鏈表。這樣做的原因牽涉到Lucene內(nèi)部對(duì)于文檔（相當(dāng)于一個(gè)被索引文件）的處理；Lucene內(nèi)部采用了賦予文檔編號(hào)，給域賦值的方式來處理文檔，即加入的文檔順次編號(hào)，以后用文檔號(hào)表示文檔，而路徑信息，文件名字等等在以后索引查找需要的屬性，都作為域存儲(chǔ)下來；因此SegmentInfo中并沒有另外存儲(chǔ)一個(gè)文檔（document）的鏈表，對(duì)于這些的寫出和讀入，則交給了永久化的代理類來做。

圖 4.8 UML圖（八）

圖4.8給出了負(fù)責(zé)段（segment）的讀入操作的代理類，而負(fù)責(zé)段（segment）的寫出操作也同樣沒有定義，這些操作都直接實(shí)現(xiàn)在了類IndexWriter類中（后面會(huì)詳細(xì)分析）。段的操作同樣采用了之前的數(shù)組或者說是緩沖的處理方式，相關(guān)的細(xì)節(jié)也不在這里詳細(xì)敘述了。

然后，針對(duì)前面項(xiàng)（term）那部分定義的幾個(gè)接口，段（segment）這部分也需要做相應(yīng)的接口實(shí)現(xiàn)，因?yàn)樘峁┲苯颖闅v訪問段中的各個(gè)項(xiàng)的能力對(duì)于檢索來說，無疑是十分重要的。即這部分的設(shè)計(jì)，實(shí)際上都是在為了檢索在服務(wù)。

圖 4.9 UML圖（九）

圖 4.10 UML圖（十）

圖4.9和圖4.10分別展示了前面項(xiàng)（term）那里定義的接口是如何在這里通過繼承實(shí)現(xiàn)的。Lucene在處理這部分的時(shí)候，也是分成兩部分（Segment與Segments開頭的類）來實(shí)現(xiàn)，而且很合理的運(yùn)用了數(shù)組的技法，以及注意了繼承重用。但是細(xì)化到局部，終歸是比較簡(jiǎn)單的按照語義來獲得結(jié)果而已了，因此關(guān)于更多的也就不多做分析了，我們完全可以通過閱讀源代碼來解決。

接下來所介紹的，就是在Lucene的設(shè)計(jì)過程中比較特殊的一個(gè)部分：段合并類（SegmentMerger）。這首先需要介紹Lucene中的建立索引時(shí)的段合并策略。

Lucene為了兼顧建立索引時(shí)的效率和讀取索引查找的速度，引入了分小段建立索引的方式，即每一次批量建立索引時(shí)，先在內(nèi)存中的虛擬文件系統(tǒng)中為每一個(gè)文檔單獨(dú)建立一個(gè)段，然后在輸出的時(shí)候?qū)⑦@些段合并之后輸出成為索引文件，這時(shí)僅僅存在一個(gè)段。多次建立的索引后，如果想優(yōu)化索引文件，也可采取合并段的方法，將索引中的段合并成為一個(gè)段。我們來看一下在IndexWriter類中相應(yīng)的方法的實(shí)現(xiàn)，來了解一下這中建立索引的實(shí)現(xiàn)。

    對(duì)于上面的代碼，我們不做過多注釋了，結(jié)合源碼中的注解應(yīng)該很容易理解。在最后那個(gè)mergeSegments函數(shù)中，將用到幾個(gè)重要的類結(jié)構(gòu)，它們記錄了合并時(shí)候的一些重要信息，完成合并時(shí)候的工作。接下來，我們來看這幾個(gè)類的UML圖。

圖 4.12 UML圖（十一）

從圖4.12中，我們看到Lucene設(shè)計(jì)一個(gè)類SegmentMergeInfo用來保存每一個(gè)被合并的段的信息，也保存能夠訪問其內(nèi)部的接口句柄，也就是說合并時(shí)的操作使用這個(gè)類作為對(duì)被合并的段的操作代理。類SegmentMergeQueue則設(shè)計(jì)為org.apache.lucene.util.PriorityQueue的子類，做為SegmentMergeInfo的容器類，而且附帶能夠自動(dòng)排序。SegmentMerger是主要進(jìn)行操作的類，里面各個(gè)方法環(huán)環(huán)相扣，分別完成合并各個(gè)數(shù)據(jù)項(xiàng)的問題。

5．  IndexReader類與IndexWirter類

最后剩下的，就是整個(gè)索引邏輯部分的使用接口類了。外界通過這兩個(gè)類以及文檔（document）類的構(gòu)造函數(shù)調(diào)用之，比如圖2.4中的代碼示例所示。下面我們來看一下這部分最后兩個(gè)類的UML圖。

圖 4.13 UML圖（十二）

    IndexWriter的設(shè)計(jì)與IndexReader的設(shè)計(jì)很不相同，前者是一個(gè)實(shí)現(xiàn)類，而后者是一個(gè)抽象類，帶有沒有實(shí)現(xiàn)的接口。IndexWriter的主要作用就是接收新加入的文檔（document），然后在內(nèi)部為之生成相應(yīng)的小段，最后再合并并向索引文件中輸出，圖4.11中已經(jīng)給出了一些實(shí)現(xiàn)的代碼。由于Lucene在面向?qū)ο笊戏庋b的努力，通過各個(gè)構(gòu)造函數(shù)就已經(jīng)完成了對(duì)于各個(gè)概念的構(gòu)造過程，剩下部分的代碼主要是依據(jù)各個(gè)數(shù)組或者是鏈表中的信息，逐個(gè)逐個(gè)的將信息寫出到相應(yīng)的文件中去了。IndexReader部分則只是做了接口設(shè)計(jì)，沒有具體的實(shí)現(xiàn)，這個(gè)和本部分所完成的主要功能有關(guān)：索引構(gòu)建邏輯。設(shè)計(jì)這個(gè)抽象類的目的是，預(yù)先完成一些函數(shù)，為以后的檢索（search）部分的各種形式的IndexReader鋪平道路，也是利用了在同一個(gè)包內(nèi)可以方便訪問其它類的保護(hù)變量這個(gè)java語言的限制。

    到此，在索引構(gòu)建邏輯部分出現(xiàn)的類我們就分析完畢了，需要說明主要是做的一個(gè)宏觀上的組成結(jié)構(gòu)上的分析，并指出一些實(shí)現(xiàn)上的要點(diǎn)。具體的實(shí)現(xiàn)，由于Lucene的開放源碼而顯得并不是非常的重要，因?yàn)?/span>Lucene在做到良好的面相對(duì)象設(shè)計(jì)之后，實(shí)際帶來的是局部復(fù)雜性的減小，因此某一些單獨(dú)的函數(shù)或者實(shí)現(xiàn)就比較容易編寫，也容易讓人閱讀。本文不再繼續(xù)敘述這方面的細(xì)節(jié)，作為一個(gè)總結(jié)，下一個(gè)部分我們通過索引構(gòu)建邏輯的數(shù)據(jù)流圖的方式，再來理清楚一下索引構(gòu)建邏輯這部分的調(diào)用時(shí)序。

三、             數(shù)據(jù)流邏輯

從宏觀上明白一個(gè)系統(tǒng)的設(shè)計(jì)，理清楚其中的運(yùn)行規(guī)律，最好的方式應(yīng)該是通過數(shù)據(jù)流圖。在分析了各個(gè)位于索引構(gòu)建邏輯部分的類的設(shè)計(jì)之后，我們接下來就通過分析數(shù)據(jù)流圖的方式來總結(jié)一下。但是由于之前提到的原因：索引讀入部分在這一部分并沒有完全實(shí)現(xiàn)，所以我們?cè)跀?shù)據(jù)流圖中主要給出的是索引構(gòu)建的數(shù)據(jù)流圖。

圖 4.14 索引構(gòu)建部分的數(shù)據(jù)流邏輯

合并輸出

字節(jié)流輸入

內(nèi)存文件系統(tǒng)

writeNorms寫出標(biāo)準(zhǔn)化因子

sortPostingTable排序位置信息

writePostings寫出索引信息

invertDocument分析文檔

addDocument生成小段

加入document對(duì)象

以document對(duì)象方式傳入

調(diào)用

生成field對(duì)象，根據(jù)對(duì)象性質(zhì)不同，為值賦予String值，或者是Reader值

生成document對(duì)象，調(diào)用add方法加入field對(duì)象

通過java語言的io類以輸入流方式傳入

對(duì)于圖4.14中所描述的內(nèi)容，結(jié)合Lucene源代碼中的一些文件看，能夠加深理解。準(zhǔn)備階段可以參考demo文件夾中的org.apache.lucene.demo.IndexFiles類和java文件夾中的org.apache.lucene.document文件包。索引構(gòu)建階段的主要源碼位于java文件夾中org.apache.lucene.index.IndexWriter類，因此這部分可以結(jié)合這個(gè)類的實(shí)現(xiàn)來看。至于內(nèi)存文件系統(tǒng)，比較復(fù)雜，但是這時(shí)的邏輯相對(duì)簡(jiǎn)單，因此也不難理解。

    上面的數(shù)據(jù)流圖十分清楚的勾畫除了整個(gè)索引構(gòu)建邏輯這部分的設(shè)計(jì)：通過層層嵌套的類結(jié)構(gòu)，在構(gòu)建時(shí)候即分步驟有計(jì)劃的生成了索引結(jié)構(gòu)，將之存儲(chǔ)到內(nèi)存中的文件系統(tǒng)中，然后通過對(duì)內(nèi)存中的文件系統(tǒng)優(yōu)化合并輸出到實(shí)際的文件系統(tǒng)中。

四、             關(guān)于cLucene項(xiàng)目

前面的三個(gè)部分，已經(jīng)完成了分析索引構(gòu)建邏輯的任務(wù)，這里我們還是有針對(duì)性的談?wù)勎覀冞@次的畢業(yè)設(shè)計(jì)項(xiàng)目cLucene在這一部分的情況。

在實(shí)現(xiàn)這部分的時(shí)候，為了將一些java語法中比較特殊的部分，比如內(nèi)隱類、同步函數(shù)、同步對(duì)象等等，我們不得不采用了一些比較晦澀和艱深的C++語法，在OpenTop這個(gè)類庫所提供的類似于java語言的設(shè)施上來實(shí)現(xiàn)。這個(gè)尤其體現(xiàn)在實(shí)現(xiàn)Segment相關(guān)類時(shí)，為了處理原來java源代碼中用內(nèi)隱類實(shí)現(xiàn)的Lock文件創(chuàng)建機(jī)制的時(shí)候，我們不得不定義了大量的cLucene::store::With的子類，并為之傳入調(diào)用類的指針，設(shè)置它為調(diào)用類的友元，才得以精確的模擬了原有的語義。陷于我們這次的重寫以移植為主，系統(tǒng)結(jié)構(gòu)基本上沒有大的變化，不得不產(chǎn)生這種重復(fù)而且大量的工作。如果需要改進(jìn)這中狀況，我們應(yīng)該考慮按照C++語言的特點(diǎn)來設(shè)計(jì)索引構(gòu)建部分的類庫繼承結(jié)構(gòu)，但是很可惜在本文成文之前，時(shí)間不允許我們這樣做。

來自java語法的特殊性只是我們解決問題的一個(gè)方面，我們還需要處理引用的調(diào)用方式。由于java語言擁有了垃圾收集機(jī)制，因此得以將一切的參數(shù)形式看作為引用，而不考慮其分配與消亡的問題。C++語言并不具備這種機(jī)制，它需要程序員自行管理分配空間與銷毀對(duì)象的問題。在這里，我們使用的是來自OpenTop中所引入的計(jì)數(shù)指針RefPtr<>模板，它能夠模擬指針的語義，并且計(jì)算指針被引用的次數(shù)，在引用次數(shù)為0時(shí)就自動(dòng)釋放資源：這是一種類似于java語言中引用的方式，不過它顯得更加高效率。我們?cè)?/span>cLucene的實(shí)現(xiàn)中大量的使用了計(jì)數(shù)指針模板。

    除此之外，我們沒有改變Lucene所定義的索引構(gòu)建邏輯的結(jié)構(gòu)和語義，我們實(shí)現(xiàn)的是一個(gè)完全和java版本Lucene兼容的版本。