Lucene 4.0 正式版新特性

2012年10月12日，Lucene 4.0正式发布了（点击这里下载最新版），这个版本因为诸多的新特性和大胆的架构调整一直备受期待。无论是索引结构，索引算法以及整体架构的包容性都发生了翻天覆地的变化。正如大家一直所说的Lucene是一个搜索工具包，而4.0的发布则让Lucene向搜索框架的方向迈出了一大步。下面我们来逐一解读Lucene 4.0的新特性吧。

Lucene 4.0 的关键词：

架构解耦，索引结构可定制化，索引结构透明化，向搜索框架方向发展。

Lucene 4.0 正式版亮点功能：

一、通过解码器Codec 机制 Lucene 索引格式与Lucene架构解耦，变成了Plugin方式实现，包括：Terms , Postings lists ,Stored 字段,Term Vectors 等都可以以自定义的格式予以支持。

正如Mysql支持多种存储引擎一样，现在Lucene也可以了。

二、排序相关的算法与向量空间模型解耦(即Lucene中经典的经典的(TF/IDF)模型)。同时提供：最佳匹配 Okapi BM 25，随机分歧 (Divergence from Randomness )，语言模型和基于信息量的模型。不同的算法模型可以组合串联起来使用，这等于完全解放了Lucene的生产力！。

三、新的DocValues类型可以为每个文档提供存储额外的类型数据。类似：PayLoad, 可以在用这个特性自定义排序打分参数。

四、IndexWriter 写入索引到硬盘支持完全并发，之前IndexWriter在应用层能多线程调用，但在写入硬盘的时候还是逐个线程顺序写入的。这对于经常要重建索引的场景，减少了等待索引的时间。

具体图形化的演示，请参考我之前的一片文章： http://blog.csdn.net/accesine960/article/details/6780068

五、每个Document的标准化因子 norms 不再局限于一个字节。自定义排序的实现可以使用任何DocValues类型的排序因子。

六、索引结构更加透明化，增加了索引统计机制，利用这些统计信息，Lucene索引内容不再是一个黑匣子了。

包括：提供针对term或者Field的token数量，针对某个filed的Posting数量，包含某个field的positing的文档数量。当然有了这些索引统计的数据后，就可以自定义的改进评分机制了。

也就是说以下方法将会成为你的新朋友：

TermsEnum.docFreq()，TermsEnum.totalTermFreq()，Fields.getUniqueTermCount()，Fields.getUniqueFieldCount()

七、索引term不再局限于UTF-16的字符格式，Lucene 4.0中 term 可以是任何二进制数值(java中的byte数组)。默认情况下文本类term是UTF-8字节方式存储。

八、在搜索时使用Filter效率有大幅提升

九、针对索引merge线程添加了IO限速机制，减少搜索线程与合并索引线程引起的IO争用现象。

十、由于架构的解耦，增加了一系列可插拔和可替换的模块，包括：

A: 添加编码器codec：针对类 Hadoop DFS 的文件系统提供。

B: 内存编码器codec：把所有的term和posting放到一个内存中的FST（有限状态机），针对内存型应用提升了搜索速度。

C: 脉冲编码器codec:主要利用了 Zipf 定律，根据term的频率，把频率达到制定阈值的term以inline的方式存储。

了解c++ inline 函数的同学，应该知道inline对于提升函数调用速度的威力吧。

D: 明文编码器codec: Lucene的索引结构为了提升效率，从来都是一个黑匣子。现在这个黑匣子可以以明文的方式存储了。

很显然这个编码器主要是调试、演示用的。估计很多需要写论文的同学们很乐意使用这个功能。

E: Bloom编码器codec: 国内很多人把Bloom翻译为布隆，我还是喜欢直接用英文的Bloom。

关于什么是Bloom 参考我之前的一片文章：http://blog.csdn.net/accesine960/article/details/1491483

F：直接编码器 codec : 由这个名字可以看到，这个编码器是为提升效率用的，主要针对高内存需求类的场景定制的。

G: 块解码器 codec: 使用了一个新的索引结构和压缩模式schema。

十一、Term 偏移量可以选择与Postings list存储在一起。

十二、新增AutomatonQuery ，用来返回所有Term匹配有限状态机文章列表

十三、FuzzyQuery 查询速度提升了100-200倍。

十四、新增拼写检查器DirectSpellChecker，新的拼写检查器不需要单独的索引，能够直接使用主索引。

十五、运行中的内存数据结构优化，包括：term 目录，FiledCache 等。

以：500万wekipedia数据为例 3.x 索引时需要600M内存，4.x 索引时需要 200M内存。

十六、所有的搜索逻辑现在针对每个segment上工作。IndexReaer 也被完全重构，变成了：Atomic 和 Composite Reader。

这个变化比较大，我们知道Lucene在生成索引的时候会先生成小的Segment然后逐渐合并成大的Segment。Lucene的所有结构和组件都是以多个Segment为导向进行设计架构的。为搜索多个Segment需要MultiReader，而多Reader的会导致在搜索TermEnum 或者 Postings 的时候搜索效率的下降。因此新的Reader去掉了MultiReader，以Atomic和Composite Reader 代替。

十七、Lucene 4.0 提供了模块化的API。以模块化的方式提供了非结构化信息管理分析器和空间信息搜索模块。

爱开卷360

好文章 • 爱开卷 • 360Tech

Lucene 4.0 正式版新特性

公告