原文:http://jalorsoft.com/holen/holen_lucene_01.html
本文主要討論Lucene的系統結構，希望對其結構的初步分析，更深入的了解Lucene的運作機制，從而實現對Lucene的功能擴展。
1． Lucene的包結構
如上圖所示，Lucene源碼中共包括7個子包，每個包完成特定的功能：
|
Lucene包結構功能表 |
|
包名 |
功能 |
|
org.apache.lucene.analysis |
語言分析器，主要用于的切詞，支持中文主要是擴展此類 |
|
org.apache.lucene.document |
索引存儲時的文檔結構管理，類似于關系型數據庫的表結構 |
|
org.apache.lucene.index |
索引管理，包括索引建立、刪除等 |
|
org.apache.lucene.queryParser |
查詢分析器，實現查詢關鍵詞間的運算，如與、或、非等 |
|
org.apache.lucene.search |
檢索管理，根據查詢條件，檢索得到結果 |
|
org.apache.lucene.store |
數據存儲管理，主要包括一些底層的I/O操作 |
|
org.apache.lucene.util |
一些公用類 |
2． Lucene的主要邏輯圖
Lucene功能強大，但從根本上說，主要包括兩塊：一是文本內容經切詞后索引入庫；二是根據查詢條件返回結果。
以下是上述兩大功能的邏輯圖：
查詢邏輯
按先后順序，查詢邏輯可分為如下幾步：
1． 查詢者輸入查詢條件
條件之間可以通過特定運算符進行運算，比如查詢希望查詢到與“中國”和“北京”相關的記錄，但不希望結果中包括“海淀區中關村”，于是輸入條件為“中國+北京-海淀區中關村”；
2． 查詢條件被傳達到查詢分析器中，分析器將將對“中國+北京-海淀區中關村”進行分析，首先分析器解析字符串的連接符，即這里的加號和減號，然后對每個詞進行切詞，一般最小的詞元是兩個漢字，則中國和北京兩個詞不必再切分，但對海淀區中關村需要切分，假設根據切詞算法，把該詞切分為“海淀區”和“中關村”兩部分，則最后得到的查詢條件可以表示為：“中國” AND “北京” AND NOT（“海淀區” AND “中關村”）。
3． 查詢器根據這個條件遍歷索引樹，得到查詢結果，并返回結果集，返回的結果集類似于JDBC中的ResultSet。
4． 將返回的結果集顯示在查詢結果頁面，當點擊某一條內容時，可以鏈接到原始網頁，也可以打開全文檢索庫中存儲的網頁內容。
這就是查詢的邏輯過程，需要說明的是，Lucene默認只支持英文，為了便于說明問題，以上查詢過程采用中文舉例，事實上，當Lucene被擴充支持中文后就是這么一個查詢過程。
入庫邏輯
入庫將把內容加載到全文檢索庫中，按順序，入庫邏輯包括如下過程：
1． 入庫者定義到庫中文檔的結構，比如需要把網站內容加載到全文檢索庫，讓用戶通過“站內檢索”搜索到相關的網頁內容。入庫文檔結構與關系型數據庫中的表結構類似，每個入庫的文檔由多個字段構成，假設這里需要入庫的網站內容包括如下字段：文章標題、作者、發布時間、原文鏈接、正文內容（一般作為網頁快照）。
2． 包含N個字段的文檔（DOCUMENT）在真正入庫前需要經過切詞（或分詞）索引，切詞的規則由語言分析器（ANALYZER）完成。
3． 切分后的“單詞”被注冊到索引樹上，供查詢時用，另外也需要也其它不需要索引的內容入庫，所有這些是文件操作均由STORAGE完成。
以上就是記錄加載流程，索引樹是一種比較復雜的數據存儲結構，將在后續章節陸續介紹，這里就不贅述了，需要說明的一點是，Lucene的索引樹結構非常優秀，是Lucene的一大特色。
接下來將對Lucene的各個子包的結構進行討論。
3． 語言分析包org.apache.lucene.analysis
Analyzer是一個抽象類，司職對文本內容的切分詞規則。
切分后返回一個TokenStream，TokenStream中有一個非常重要方法next()，即取到下一個詞。簡單點說，通過切詞規則，把一篇文章從頭到尾分成一個個的詞，這就是org.apache.lucene.analysis的工作。
對英文而言，其分詞規則很簡單，因為每個單詞間都有一個空格，按空格取單詞即可，當然為了提高英文檢索的準確度，也可以把一些短語作為一個整體，其間不切分，這就需要一個詞庫，對德文、俄文也是類似，稍有不同。
對中文而言，文字之間都是相連的，沒有空格，但我們同樣可以把字切分，即把每個漢字作為一個詞切分，這就是所謂的“切字”，但切字方式方式的索引沒有意義，準確率太低，要想提高準確度一般都是切詞，這就需要一個詞庫，詞庫越大準確度將越高，但入庫效率越低。
若要支持中文切詞，則需要擴展Analyzer類，根據詞庫中的詞把文章切分。
簡單點說，org.apache.lucene.analysis就是完成將文章切分詞的任務。
4． 文檔結構包org.apache.lucene.document
document包相對而言比較簡單，該包下面就3個類，Document相對于關系型數據庫的記錄對象，主要負責字段的管理，字段分兩種，一是Field，即文本型字段，另一個是日期型字段DateField。這個包中關鍵需要理解的是Field中字段存儲方式的不同，這在上一篇中已列表提到，下面我們可以參見一下其詳細的類圖：
5． 索引管理包org.apache.lucene.index
索引包是整個系統核心，全文檢索的的根本就為每個切出來的詞建索引，查詢時就只需要遍歷索引，而不需要去正文中遍歷，從而極大的提高檢索效率，索引建設的質量關鍵整個系統的質量。Lucene的索引樹是非常優質高效的，具體的索引樹細節，將在后續章節中重要探討。
在這個包中，主要學習IndexWriter和IndexReader這個類。
通過上一篇的初步應用可知，全文檢索庫的初始化和記錄加載均需要通過該類來完成。
初始化全文庫的語句為：
IndexWriter indexWriter = new IndexWriter(“全文庫的目錄位置”,new StandardAnalyzer(),true);
記錄加載的語句為：indexWriter.addDocument(doc);
IndexWriter主要用于寫庫，當需要讀取庫內容時，就需要用到IndexReader這個類了。
6． 查詢分析包org.apache.lucene.queryParser和檢索包org.apache.lucene.search
通過查詢分析器（queryParser）解析后，將返回一個查詢對象（query），根據查詢對象就可進行檢索了。上圖描述了query對象的生成，下圖描述了查詢結果集（Hits）的生成。
7． 存儲包org.apache.lucene.store
一些底層的文件I/O操作。
8． 工具包org.apache.lucene.util
該包中包括4個工具類。
9． 總結
通過對Lucene源碼包的分析，我們可以初步認識到Lucene的核心類包主要有3個：
l org.apache.lucene.analysis
l org.apache.lucene.index
l org.apache.lucene.search
其中org.apache.lucene.analysis 主要用于切分詞，切分詞的工作由Analyzer的擴展類來實現，Lucene自帶了StandardAnalyzer類，我們可以參照該寫出自己的切詞分析器類，如中文分析器等。
org.apache.lucene.index主要提供庫的讀寫接口，通過該包可以創建庫、添加刪除記錄及讀取記錄等。
org.apache.lucene.search主要提供了檢索接口，通過該包，我們可以輸入條件，得到查詢結果集，與org.apache.lucene.queryParser包配合還可以自定義的查詢規則，像google一樣支持查詢條件間的與、或、非、屬于等復合查詢。
參考資料
1． http://www-igm.univ-mlv.fr/~dr/XPOSE2003/lucene/node1.html
作者簡介
陳光 － J2EE項目經理，熟悉EJB、XML，致力于Aapche Jakarta項目的應用與推廣，可通過holen@263.net與作者聯系。