这里是lucene index format documentation。主要文件是复合索引（.cfs文件）。如果您有术语统计信息，您可能会得到.cfs文件大小的估计值。请注意，这取决于您使用的Analyzer以及您定义的字段类型。

索引存储每个“标记”或文本字段等，只有一次.所以大小取决于被索引的材料的性质。添加到存储的任何东西。一个好的方法可能是采取样本并索引它，并使用它来推断完整的源集合。然而，索引大小与源大小的比率也会随着时间的推移而减少，因为这些词已经在索引中了，所以你可能想让样本占原始词的一个适当的百分比。

我认为这也与每个术语的频率有关（即10，000个相同术语的索引应该比10，000个完全独特术语的索引小得多）。
此外，可能有一个小的依赖于你是否使用术语向量，当然你是否存储字段。你能提供更多的细节吗？你能分析你的源数据的术语频率吗？

使用java streams oneliner递归获取包含lucene索引的目录的大小。