是否可以使用已知的数学公式来估算新的Lucene索引的大小？我知道我要索引多少个字段，以及每个字段的大小。而且，我知道将为多少项目建立索引。因此，Lucene处理完这些后，如何将其转换为字节？

解决方案

回答

我认为这也与每个术语的出现频率有关(即，相同术语的10,000个副本的索引应该比10,000个完全唯一的术语的索引小得多)。

另外，是否使用术语向量，以及是否存储字段，可能都存在很小的依赖性。我们能否提供更多详细信息？我们可以分析源数据的术语频率吗？

回答

这是Lucene索引格式文档。
主文件是复合索引(.cfs文件)。
如果我们有字词统计信息，则可能可以估算出.cfs文件大小，
请注意，这根据我们使用的分析器和定义的字段类型而有很大差异。

回答

索引仅存储一次"令牌"或者文本字段等，因此大小取决于所索引材料的性质。此外，还要存储任何内容。一种好的方法可能是取样并对其进行索引，然后使用该样本推断出完整的源集合。但是，索引大小与源大小的比率也会随着时间的推移而减小，因为索引中已经存在单词，因此我们可能希望使样本占原始样本的百分比。