1.1.2 Lucene的总体架构
尽管我们可以直接探讨Apache Lucene架构的细节，但是有些概念还是需要提前了解的，以便于更好地理解Lucene的架构，它们包括：
文档（document）：索引与搜索的主要数据载体，它包含一个或多个字段，存放将要写入索引的或将从索引搜索出来的数据。
- 字段（field）：文档的一个片段，它包括字段的名称和字段的内容两个部分。
- 词项（term）：搜索时的一个单位，代表了文本中的一个词。
- 词条（token）：词项在字段文本中的一次出现，包括词项的文本、开始和结束的偏移以及词条类型。
Apache Lucene将写入索引的所有信息组织为倒排索引（inverted index）的结构形式。倒排索引是一种将词项映射到文档的数据结构，它与传统的关系数据库的工作方式不同。你可以认为倒排索引是面向词项的而不是面向文档的。我们来看看简单的倒排索引是什么样的。例如，假设我们有一些只包含title字段的文档，如下所示：
- Elasticsearch Server（文档1）
- Mastering Elasticsearch（文档2）
- Apache Solr 4 Cookbook（文档3）
这些文档索引好以后，可简略地显示如下图：
正如你所见，每个词项指向该词项所出现过的文档数。这种索引组织方式允许快速有效的搜索操作，例如基于词项的查询。除了词项本身以外，每个词项有一个与之关联的计数（即文档频率），该计数可以告诉Lucene这个词项在多少个文档中出现过。
每个索引由多个段（segment）组成，每个段写入一次但是查询多次。索引期间，一个段创建以后不再修改。例如，文档被删除以后，删除信息单独保存在一个文件中，而段本身并没有被修改。
多个段将会在段合并（segments merge）阶段被合并在一起。或者强制执行段合并，或者由Lucene的内在机制决定在某个时刻执行段合并，合并后段的数量更少，但是更大。段合并非常耗费I/O，合并期间有些不再使用的信息将被清理掉，例如，被删除的文档。对于容纳相同数据的索引，段的数量更少的时候搜索速度更快。尽管如此，还是需要强调一下：因为段合并非常耗费I/O，请不要强制进行段合并，你只需要仔细配置段合并策略，剩余的事情Lucene会自行完成。
如果你想知道段由哪些文件组成以及每个文件都存储了什么信息，请参考Apache Lucene的官方文档：http://lucene.apache.org/core/4_10_3/core/org/apache/lucene/codecs/lucene410/pa-ckage-summary.html。
更深入地了解Lucene索引
当然，实际的Lucene索引比前面提到的更复杂、更高深，除了词项的文档频率和出现该词项的文档列表外，还包含其他附加信息。在这里我们会介绍一些索引中的附加信息。了解这些信息对我们很有帮助，尽管它们只在Lucene内部使用。
（1）norm
norm是一种与每个被索引文档相关的因子，它存储文档的归一化结果，被用于计算查询的相关得分。norm基于索引时的文档加权值（boost）计算得出，与文档一起被索引存储。使用norm可以让Lucene在建立索引时考虑不同文档的权重，不过需要一些额外的磁盘空间和内存来索引和存储norm信息。
（2）词项向量
词项向量（term vector）是一种针对每个文档的微型倒排索引。词项向量的每个维由词项和出现频率结对组成，还可以包括词项的位置信息。Lucene和Elasticsearch默认都禁用词项向量索引，不过要实现某些功能，如关键词高亮等需要启用这个选项。
（3）倒排项格式
随着Lucene 4.0的发布，Lucene引入了解码器架构，允许开发者控制索引文件写入磁盘的格式，倒排项就是索引中可定制的部分之一。倒排项中可以存储字段、词项、文档、词项位置和偏移以及载荷（payload，一个在Lucene索引中随意存放的字节数组，可以包含任何我们需要的信息）。针对不同的使用目的，Lucene提供了不同的倒排项格式。比如，有一种优化后的格式是专门为高散列范围字段如唯一标识提供的。
（4）doc values
我们前面提到过，Lucene索引是一种倒排索引。不过，针对某些功能，如切面（faceting）或聚合（aggregation），这种倒排索引架构就不是最佳选择。这类功能通常需要操作文档而不是词项，Lucene需要把索引翻转过来构成正排索引才能完成这些功能所需要的计算。基于这些考虑，Lucene引入了doc values和额外的数据结构来进行分组、排序和聚合。doc values存储字段的正排索引。Lucene和Elasticsearch都允许我们通过配置来指定doc values的存储实现方式。可选的存储实现包括基于内存的、基于硬盘的，以及二者的混合。