Lucene 是一種高效能、可伸縮的資訊搜尋（IR）庫，在 2000 年開源，最初由鼎鼎大名的 Doug Cutting 開發，是基於 Java 實現的高效能的開源專案。
Lucene 採用了基於倒排表的設計原理，可以非常高效地實現文字查詢，在底層採用了分段的儲存模式，使它在讀寫時幾乎完全避免了鎖的出現，大大提升了讀寫效能。
核心模組
Lucene 的寫流程和讀流程如下圖所示：
其中，虛線箭頭（a、b、c、d）表示寫索引的主要過程，實線箭頭（1-9）表示查詢的主要過程。
Lucene 中的主要模組及模組說明如下：
-
analysis：主要負責詞法分析及語言處理，也就是我們常說的分詞，通過該模組可最終形成儲存或者搜尋的最小單元 Term。
-
index 模組：主要負責索引的建立工作。
-
store 模組：主要負責索引的讀寫，主要是對檔案的一些操作，其主要目的是抽象出和平臺檔案系統無關的儲存。
-
queryParser 模組：主要負責語法分析，把我們的查詢語句生成 Lucene 底層可以識別的條件。
-
search 模組：主要負責對索引的搜尋工作。
-
similarity 模組：主要負責相關性打分和排序的實現
核心術語
下面介紹 Lucene 中的核心術語：
-
Term：是索引裡最小的儲存和查詢單元，對於英文來說一般是指一個單詞，對於中文來說一般是指一個分詞後的詞。
-
詞典（Term Dictionary，也叫作字典）：是 Term 的集合。詞典的資料結構可以有很多種，每種都有自己的優缺點。
比如：排序陣列通過二分查詢來檢索資料：HashMap（雜湊表）比排序陣列的檢索速度更快，但是會浪費儲存空間。
FST(finite-state transducer)有更高的資料壓縮率和查詢效率，因為詞典是常駐記憶體的，而 FST 有很好的壓縮率，所以 FST 在 Lucene 的最新版本中有非常多的使用場景，也是預設的詞典資料結構。
-
倒排序（Posting List）：一篇文章通常由多個片語成，倒排表記錄的是某個詞在哪些文章中出現過。
-
正向資訊：原始的文件資訊，可以用來做排序、聚合、展示等。
-
段（Segment）：索引中最小的獨立儲存單元。一個索引檔案由一個或者多個段組成。在 Luence 中的段有不變性，也就是說段一旦生成，在其上只能有讀操作，不能有寫操作。
Lucene 的底層儲存格式如下圖所示，由詞典和倒排序兩部分組成，其中的詞典就是 Term 的集合：
詞典中的 Term 指向的文件連結串列的集合，叫做倒排表。詞典和倒排表是 Lucene 中很重要的兩種資料結構，是實現快速檢索的重要基石。
詞典和倒排表是分兩部分儲存的，在倒排序中不但儲存了文件編號，還儲存了詞頻等資訊。
在上圖所示的詞典部分包含三個詞條（Term）：Elasticsearch、Lucene 和 Solr。詞典資料是查詢的入口，所以這部分資料是以 FST 的形式儲存在記憶體中的。
在倒排表中，“Lucene”指向有序連結串列 3，7，15，30，35，67，表示字串“Lucene”在文件編號為3、7、15、30、35、67的文章中出現過，Elasticsearch 和 Solr 同理。
檢索方式
在 Lucene 的查詢過程中的主要檢索方式有以下四種：
①單個詞查詢
指對一個 Term 進行查詢。比如，若要查詢包含字串“Lucene”的文件，則只需在詞典中找到 Term“Lucene”，再獲得在倒排表中對應的文件連結串列即可。
②AND
指對多個集合求交集。比如，若要查詢既包含字串“Lucene”又包含字串“Solr”的文件，則查詢步驟如下：
-
在詞典中找到 Term “Lucene”，得到“Lucene”對應的文件連結串列。
-
在詞典中找到 Term “Solr”，得到“Solr”對應的文件連結串列。
-
合併連結串列，對兩個文件連結串列做交集運算，合併後的結果既包含“Lucene”也包含“Solr”。
③OR
指多個集合求並集。比如，若要查詢包含字串“Luence”或者包含字串“Solr”的文件，則查詢步驟如下：
-
在詞典中找到 Term “Lucene”，得到“Lucene”對應的文件連結串列。
-
在詞典中找到 Term “Solr”，得到“Solr”對應的文件連結串列。
-
合併連結串列，對兩個文件連結串列做並集運算，合併後的結果包含“Lucene”或者包含“Solr”。
④NOT
指對多個集合求差集。比如，若要查詢包含字串“Solr”但不包含字串“Lucene”的文件，則查詢步驟如下：
-
在詞典中找到 Term “Lucene”，得到“Lucene”對應的文件連結串列。
-
在詞典中找到 Term “Solr”，得到“Solr”對應的文件連結串列。
-
合併連結串列，對兩個文件連結串列做差集運算，用包含“Solr”的文件集減去包含“Lucene”的文件集，運算後的結果就是包含“Solr”但不包含“Lucene”。
通過上述四種查詢方式，我們不難發現，由於 Lucene 是以倒排表的形式儲存的。
所以在 Lucene 的查詢過程中只需在詞典中找到這些 Term，根據 Term 獲得文件連結串列，然後根據具體的查詢條件對連結串列進行交、並、差等操作，就可以準確地查到我們想要的結果。
相對於在關係型資料庫中的“Like”查詢要做全表掃描來說，這種思路是非常高效的。
雖然在索引建立時要做很多工作，但這種一次生成、多次使用的思路也是非常高明的。
摘抄 石杉的架構筆記 錢丁君
本作品採用《CC 協議》，轉載必須註明作者和本文連結