首先弄明白幾個概念：Documents 、terms and posting在資訊檢索(IR)中，我們企圖要獲取的項稱之“document”，每一個document是被一個terms集合所描述的。 “document”和“term”這兩個詞彙是IR中的術語，它們是來自“圖書館管理學”的。通常一個document認為是一塊文字，（Usually a document is thought of as a piece of text, most likely in a machine readable form）, 而一個term則是一個詞語或短語以用作描述document的，在document中大多數會存在著多個term，例如某個document是跟_口腔_ _衛生_相關的，那麼可能會存在著以下的terms：“tooth”、“teeth”、“toothbrush”、“decay”、“cavity”、“plaque”或“diet”等等。
如果在一個IR系統中，存在一個名為D的document，此document被一個名為t的term所描述，那麼t被認為索引了D，可以用以下式子表 示：t->D。在實際應用的一個IR系統中通常是多個documents，如D1, D2, D3 …組成的集合，且有多個term，如t1, t2, t3 …組成的集合，從而有以下關係：ti -> Dj。
如果某個特定的term索引了某個特定的document，那麼稱之為posting，說白了posting就是帶position資訊的term，在相關度檢索中可能有一定的用途的。
給定一個名為D的document，存在著一個terms列表索引著它，我們稱之為D的term list。
給定一個名為t的term，它索引著一個documents列表，這稱之為t的posting list（使用“Document list”可能會在叫法上更一致，但聽起來過於空泛）。
在一個存在於計算機的IR系統中，terms是儲存於索引檔案中的。term可以用作有效地查詢它的posting list，在posting list裡，每一個document帶有一個很短的識別符號，就是document id。簡單來說，一個posting list可以被認為是一個由document ids組成的集合，而term list則是一個字串組成的集合。在某些IR系統的內部是使用數字來表示term的，因此在這些系統中，term list則是數字組成的集合，而Xapian則不是這樣，它使用原汁原味的term，而使用字首來壓縮儲存空間。
Terms不一定是要是document中出現的詞語，通常它們會被轉換為小寫，而且往往它們被詞幹提取演算法處理過，因此透過一個值為“connect” 的term可能會檢索出一系列的詞語，例“connect”、“connects”、“connection”或“connected”等，而一個詞語 也可能產生多個的terms，例如你會將提取出的詞幹和未提取的詞語都索引起來。當然，這可能只適用於英語、法語或拉丁語等歐美系列的語言，而中文的分詞 則有很大的區別，總的來說，歐美語系的語言分詞與中文分詞有以下的區別：
l. 拿英語來說，通常情況下英語的每一個詞語之間是用空格來隔開的，而中文則不然，甚至可以極端到整篇文章都不出現空格或標點符號。 2. 像上面提到的，“connect”、“connects”、“connection”或“connected”分別的意思“動詞性質的連線”、“動詞性質 的第三人稱的連線”、“名稱性質的連線”或“連線的過去式”，但在中文裡，用“連線”就可以表示全部了，幾乎不需要詞幹提取。這意味著英語的各種詞性大部 分是有章可循的，而中文的詞性則是天馬行空的。 3. 第二點只是中文分詞非常困難的一個縮影，要完全正確地標識出某個句子的語意是很困難的，例如“中華人民共和國成立了”這個句子，可以分出“中華”、“華 人”、“人民”、“共和國”、“成立”等詞語，不過其中“華人”跟這個句子其實關係不大。咋一眼看上去很簡單，但機器那有這麼容易懂這其中的奧妙呢？
Values
Values是附加在document上一種後設資料，每一個document可以有多個values，這些values透過不同的數字來標識。 Values被設計成在匹配過程中快速地訪問，它們可以用作排序、排隊多餘重複的document和範圍檢索等用途。雖然values並沒有長度限制，但 最好讓它們儘可能短，如果你僅僅是想儲存某個欄位以便作為結果顯示，那麼建議您最好將它們儲存在document的data中。
Document data
每一個Document只有一個data，可以是任意型別格式的資料，當然在儲存的時候請先轉換為字串。這聽上去可能有點古怪，實情是這樣的：如果要存 儲的資料是文字格式，則可以直接儲存；如果要儲存的資料是各種的物件，請先序列化成二進位制流再儲存，而在讀取的時候反序列化讀取。
posting
posting是帶position的term.
# -*- coding: gb18030 -*-
import xapian
testdatas = [u'abc test python1',u'abcd testing python2']
def buildtest():
database = xapian.WritableDatabase('indexes/', xapian.DB_CREATE_OR_OPEN)
stemmer = xapian.Stem("english")
for data in testdatas:
doc = xapian.Document()
doc.set_data(data)
for term in data.split():
doc.add_term(term)
database.add_document(doc)
if __name__ == '__main__':
buildtest()執行後,當前目錄下生成索引庫。
[sh]
[ec2-user@ip-10-167-6-221 indexes]$ ll
總用量 52
-rw-rw-r-- 1 ec2-user ec2-user 0 7月 28 16:06 flintlock
-rw-rw-r-- 1 ec2-user ec2-user 28 7月 28 16:06 iamchert
-rw-rw-r-- 1 ec2-user ec2-user 13 7月 28 16:06 postlist.baseA
-rw-rw-r-- 1 ec2-user ec2-user 14 7月 28 16:06 postlist.baseB
-rw-rw-r-- 1 ec2-user ec2-user 8192 7月 28 16:06 postlist.DB
-rw-rw-r-- 1 ec2-user ec2-user 13 7月 28 16:06 record.baseA
-rw-rw-r-- 1 ec2-user ec2-user 14 7月 28 16:06 record.baseB
-rw-rw-r-- 1 ec2-user ec2-user 8192 7月 28 16:06 record.DB
-rw-rw-r-- 1 ec2-user ec2-user 13 7月 28 16:06 termlist.baseA
-rw-rw-r-- 1 ec2-user ec2-user 14 7月 28 16:06 termlist.baseB
-rw-rw-r-- 1 ec2-user ec2-user 8192 7月 28 16:06 termlist.DB
我們下篇再介紹如何去查詢索引。