Lucene pos文件格式详解

本文及后面关于Lucene的文章所采用的lucene 版本为8.1.0.

1. 什么是pos文件

pos文件主要作用是保存term的在text/string field的position信息，假如有一个doc的textField内容为
this is a text, 那么通过分词后，text的pos可能为3，之所以说可能是因为不同的分词器可能会造成pos的值不同

---

2. pos文件格式

pos文件格式

---

3. 测试代码及结果

代码请参考Lucene tim文件格式详解的第三部分

---

4. 范例pos文件内容

pos文件.png

---

5. pos文件内容分析

5.1 文件头

文件头部分主要内容为标识此文件类型为Lucene50PostingsWriterPos, 源码部分在Lucene50PostingsWriter的123行，主要内容如下

1. 3fd7 6c17 固定头MAGIC
2. 19 为Lucene50PostingsWriterPos长度25
3. 4c 7563 656e 6535 3050 6f73 7469 6e67 7357 7269 7465 7250 6f73 25个字节即Lucene50PostingsWriterPos
4. 00 0000 01 4个字节的BlockTreeTermsReader.VERSION_CURRENT
5. 033b 7304 9c42 d68a 8e00 484b 6c7f b50b 16个字节的segmentId, 这个是随机生成的
6. 0a segment suffix 长度 10
7. 4c75 6365 6e65 3530 5f30 10个字节的segment suffix内容即Lucene50_0

5.2 term pos data 部分

开始本部分阅读时，请注意一个在第3部分得到的结果及含义, 现在开始分析该部分内容

• 01 对应 haha在doc1中的position 1
• 02 对应 hello在doc0中的position 2
• 00 对应lucene在doc0中的position 0
• 04 对应nice在doc0中的position 4
• 01 对应nice在doc0中的position 5. 此处采用delta编码，一个term 在同一个doc的position采用delta编码，nice在doc0的postion为4、5. 首先将第一次出现的position值写入pos文件，接下的position值以第一次的值的delta值形式写入pos文件, 1 = 5 - 4
• 00 对应nice在doc1中的position 0
• 01 对应test在doc0的position 1
• 03 对应word在doc0在position 3

以上为一个field内容格式，多个field时每一个field格式内容叠加。

5.3 footer区

footer区主要有以下内容

• c0 2893 e8 MAGIC值，为header值的反码
• 00 0000 00 固定4个字节int 值为0
• 00 0000 0048 3d80 09 8个字节的CRC码

---

觉得本文有帮助的话，请关注我的简书，一同进步！