相关概念
- 文档：索引和搜索的主要数据载体，它包含多个或一个字段，存放将要写入索引或将从索引搜索出来的数据。
- 字段：文档的一个字段，它包括两个部分，字段的名称和内容。
- 词项：搜索时的一个单位，代表文本中的某个词。（关键字）
- 词条：词项在字段中的一次出现，包括词项的文本，开始和结束的位移以及类型
Lucene是将写入索引的所有信息组织成一种倒排索引的结构。该结构是一种将词项映射到文档的一种数据结构，也就是常见意义上的关键字定位文档，其工作方式与传统的关系数据库不同。
举个例子： 我们有三个文档，建立索引后的索引项如下
| 词项 | 计数 | 文档 | |
|---|---|---|---|
| 4 | 1 | <3> | |
| Apache | 1 | <3> | |
| Cookbook | 1 | <3> | |
| ElasticSearch | 2 | <1><2> | |
| Mastering | 1 | <1> | <1> |
| Server | 1 | <1> | |
| Solr | 1 | <3> |
每个词项指向该词项的出现过的文档。这种方式支持快速有效的搜索操作，例如基于词项的查询。每个词项维持一个计数，用来统计每个词项在多少个文档中出现过。
段
每个索引由多个段组成，每个段只会被创建一次但会被查询多次。索引期间，段经创建就不会被修改，且当文档被删除后，删除信息另外保存，段本身并没有被修改。
多个段会在一个叫段合并的阶段被合并在一起，要么强制执行，要么由Lucene的内在机制决定在某个时刻执行，合并后段的数量变少，但是变大。段合并非常耗IO，尽量避免强制段合并。
分析器
数据如何转换为倒排索引？查询串如何转换为可用于搜索的词项？这个过程叫分析，是由分析器完成，分析器由三部分组成：
- 分词器：将文本切割成词条，其中携带着各种额外信息的词项，这些信息包括：词项在原始文本中的位置，词项的长度。输出为词条流。
- 过滤器：过滤器数量可选，可为0，1或多个，对词条流中的词条进行过滤。Lucene有很多现成的过滤器。
- 小写过滤器：所有词条转换为小写
- ASCII: 移除词条中所有非ASCII字符
- 字符映射器：可以用来调用分词器之前的文本预处理操作，如HTML文本的去标签处理。
Lucene查询语言
一个查询通常被分为词项与操作符。Lucene中的词项可以是单个词，也可以是一个短语。如果设置了查询分析过程，那么预先选择的分析器将会对查询中的所有词项进行处理。
- AND：它的含义是，同时存在才返回，比如说apache AND lucene这样的查询，只有同时包含两个词项的文档才会被返回。
- OR
- NOT：lucene NOT eleasticsearch这样的查询，只有包含lunce并不包含eleasticsearch才返回文档。
- +： 必须出现
- -: 不能出现
- 不写默认是OR
在字段中查询
文档是由字段组成，所有数据都存在字段中，字段是有名字的，如果我们需要在某个字段中查询，可以用字段名称进行查询后面接上查询从句，如，想在title字段中查询包含词项elasticsearch的文档，执行的查询串是 title:elasticsearch
词项修饰符
Lucene允许用户使用修饰符。
- 通配符：？和 *，前者匹配任意一个字符，后者匹配多个字符
- 模糊查询：通过使用'~'字符后接整数值
- 字符转义
评分
什么是文档的得分？
得分是文档和查询的匹配度用计分公式计算的结果。默认算法是（词频/逆向文档频率）。ES中计算的分数值越大，意味着文档越相关。
