Lucene系列二：反向索引及索引原理
了解关系型数据库的童靴都了解它底层结构采用b+tree的实现，而Lucene则是基于反向索引实现，并将它发挥到了极致。如果不了解Lucene是什么，可以参阅《系列一之全文检索》
目录
1. 什么是反向索引
2. 如何设计反向索引
2.1 如何快速查询与苍老师有关的新闻？
2.2 有标题列索引和内容列索引会有什么问题
2.3 反向索引的记录数【英文/中文】会不会很大
2.4 开源中文分词器有哪些
2.5. 你、我、他、my、she、it、标点符号怎么办
2.6. 当出现了新词了该怎么办
2.7. 如何进行搜索
2.8. 反向索引是存储在内存中还是磁盘
2.9. 反向索引更新问题
小结
3. 索引内部原理
3.1 FST
3.2 FST-性能测试
3.3 索引结构
3.4 倒排表结构
3.5 正向文件
3.6 列式存储DocValues
1. 什么是反向索引
反向索引英文名叫做 Inverted index，顾名思义，是通常意义下索引的倒置，它相当于一篇文章包含了哪些词，它从词出发，记载了这个词在哪些文档中出现过，由两部分组成——词典和倒排表。这就是：反向索引（Inverted index）。举个例子：
| 1 | I love you |
| 2 | I love you too |
| 4 | I dislike you |
如果要用单词作为索引，而句子的位置作为被索引的元素，那么索引就发生了倒置：
I : {1,2,3}
love : {1,2}
you : {1,2,3}
dislike : {3}
如果要检索I dislike you这句话，那么就可以这么计算 : {1,2,3} ^ {3} ^ {1,2,3} (^是交集)
2. 如何设计反向索引
2.1 如何快速查询与苍老师有关的新闻？
分析：输入的是苍老师，想要得到标题或内容中包含“苍老师”的新闻列表。
标题列索引：
内容列索引：
那如果是这样的文章呢？
| id | 标题 | 新闻内容 |
| 1 | Tony 与苍老师一起吃火锅 | 2018年4月1日，Tony 在四川成都出席某活动时，碰巧主办方也邀请了苍老师来提高人气，在主办方的邀请下和苍老师一起吃了个火锅，很爽！ |
如果是英文文章（It’s one thing to find the 10 best documents to match your query）好不好分？英文好分（有空格）。
中文则不好分，一定分的话，就必须写一套专门的程序来做这个事情：分词器（有个词的字典，对语句前后字进行组合，与字典匹配，歧义分析）。
2.2 有标题列索引和内容列索引会有什么问题
两个索引需要合并，好处是：可以减少访问数据库的次数
2.3 反向索引的记录数【英文/中文】会不会很大
| 英语 | 单词的大致数量是10万个 |
| 汉字 | 汉字的总数已经超过了8万,而常用的只有3500字,《现代汉语规范词典》比《现代汉语词典》收录的字和词数量更多。 前者是13000多字，72000多词，后者是11000多字，69000多词 |
结论：量不会很大，30万以内；通过这个索引找文章会很快
2.4 开源中文分词器有哪些
准确率、分词效率、中英文混合分词支持，常用中文分词器有：IKAnalyzer、mmseg4j
2.5. 你、我、他、my、she、it、标点符号怎么办
这些词称为：停用词。分词器支持指定/添加停用词，不需要为其创建索引
2.6. 当出现了新词了该怎么办
撩妹 老司机、软妹子、直男、腿玩年、苍老师...
分词器应支持为其词典添加新词
2.7. 如何进行搜索
搜索与 “tony OR 苍老师” 相关的新闻，怎么做？
Step 1： 对搜索输入进行分词，得到：tony 、苍老师
Step 2：在反向索引中找出包含tony、苍老师的文章列表
Step3：合并两个列表，排序输出
2.8. 反向索引是存储在内存中还是磁盘
大的放磁盘，小的放内存，同时需要做持久化。应该说都有使用，下面会详细讲解
2.9. 反向索引更新问题
问1：新增时，需要怎么更新？
问2：删除时，需要怎么更新？
问3：修改时，需要怎么更新？
带着疑问继续向下看
小结
我们创建反向索引，大概如下所示：
3. 索引内部原理
之前讲过绝大多数全文检索都基于倒排索引来实现，主要用到词典和倒排表。特别是词典结构尤为重要，有很多种词典类数据结构，各有各的优缺点
| 数据结构 |
优缺点 |
| 排序列表 |
实现简单，但性能差 |
| Hash表 |
性能高，内存消耗大 |
| 跳跃表 |
占用内存小且可调，但模糊查询支持不好 |
| B树 |
磁盘索引，更新方便，但检索速度慢，数据库应用比较多 |
| 字典树 |
查询效率只跟字符串长度有关，但只适合英文词典 |
| 双数组字典树 |
可做中文词典，内存占用小，分词工具应用比较多 |
| Finit state Transducers(FST) |
中文有穷状态转换器， 优点：内存占用率低，压缩率一般在3倍~20倍之间、模糊查询支持好、查询快 |
lucene里面就引入了term dictonary的概念，也就是term的字典。在term很多，内存放不下的时候，效率还是需要进一步提升。
Lucene3.0之前使用的也是跳跃表结构，后（Lucene4.0，为了方便实现rangequery或者前缀，后缀等复杂的查询语句）换成了FST，但跳跃表在Lucene其他地方还有应用如倒排表合并和文档号索引。
3.1 FST
它功能类似于字典的功能，但其查找是O（1）的，仅仅等于所查找的key长度。FST可以用HashMap代替。但是相比HashMap，FST有以下优点：
- 紧凑的结构，通过对词典中单词前缀和后缀的重复利用，压缩了存储空间。
- O(len(str))的查询时间复杂度。
如果不考虑FST的输出，FST本质上是一个最小的，有向无环DFA。算法摘自
对aaaa,bbaa,ccbaa,ddcbaa这4个单词构建FST(注意：单词插入前必须先进行排序，否则就无法生成最小FST)
如果感兴趣的话，可以从源码org.apache.lucene.util.fst.Builder的add()方法作为切入口一步步去分析
3.2 FST-性能测试
对HashMap、TreeMap、FST进行100万数据性能测试
String inputs={"abc","abd","acf","acg"}; //keys
long outputs={1,3,5,7}; //values
FST fst=new FST<>();
for(int i=0;i iterator=new BytesRefFSTEnum<>(fst);
while(iterator.next!=null){...} | 数据结构 | HashMap | TreeMap | FST |
|---|---|---|---|
| 构建时间(ms) | 185 | 500 | 1512 |
| 查询所有key(ms) | 106 | 218 | 890 |
从上面结果可以看出，FST性能基本跟HaspMap差距不大，但FST有个不可比拟的优势就是占用内存小，只有HashMap10分之一左右，这对大数据规模检索是至关重要的，毕竟速度再快放不进内存也是没用的。因此一个合格的词典结构要求有：
- 查询速度。
- 内存占用。
- 内存+磁盘结合。
3.3 索引结构
存储文件
在介绍索引结构之前，先看一下lucene的存储文件，
说明一下：属于一个段的所有文件具有相同的名称和不同的扩展名。当使用复合索引文件，这些文件（除了段信息文件、锁文件和已删除的文档文件）将压缩成单个.cfs文件。当任何索引文件被保存到目录时，它被赋予一个从未被使用过的文件名字。
| 名称 | 文件扩展名 | 简短描述 |
|---|---|---|
| Segments File | segments_N | 保存了一个提交点（a commit point）的信息 |
| Lock File | write.lock | 防止多个IndexWriter同时写到一份索引文件中 |
| Segment Info | .si | 保存了索引段的元数据信息 |
| Compound File | .cfs，.cfe | 一个可选的虚拟文件，把所有索引信息都存储到复合索引文件中 |
| Fields | .fnm | 保存fields的相关信息 |
| Field Index | .fdx | 保存指向field data的指针 |
| Field Data | .fdt | 文档存储的字段的值 |
| Term Dictionary | .tim | term词典，存储term信息 |
| Term Index | .tip | 到Term Dictionary的索引 |
| Frequencies | .doc | 由包含每个term以及频率的docs列表组成 |
| Positions | .pos | 存储出现在索引中的term的位置信息 |
| Payloads | .pay | 存储额外的per-position元数据信息，例如字符偏移和用户payloads |
| Norms | .nvd，.nvm | .nvm文件保存索引字段加权因子的元数据，.nvd文件保存索引字段加权数据 |
| Per-Document Values | .dvd，.dvm | .dvm文件保存索引文档评分因子的元数据，.dvd文件保存索引文档评分数据 |
| Term Vector Index | .tvx | 将偏移存储到文档数据文件中 |
| Term Vector Documents | .tvd | 包含有term vectors的每个文档信息 |
| Term Vector Fields | .tvf | 字段级别有关term vectors的信息 |
| Live Documents | .liv | 哪些是有效文件的信息 |
| Point values | .dii，.dim | 保留索引点，如果有的话 |
索引文件结构
Lucene经多年演进优化，现在的一个索引文件结构如图所示，基本可以分为三个部分：词典、倒排表、正向文件、列式存储DocValues。索引结构中，不仅仅保存了反向信息，还保存了正向信息。
正向信息
(1)按层次保存了从索引，一直到词的包含关系：索引(Index)-->段(segment)->文档(Document)->域(Field)->词(Term)
(2)也即此索引包含了那些段，每个段包含了那些文档，每个文档包含了那些域，每个域包含了那些词。segments_N保存了此索引包含多少个段，每个段包含多少篇文档。XXX.fnm保存此段包含的所有文档，每篇文档包含了多少域,每个域保存了那些信息。
XXX.fdx,XXX.fdt保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。
反向信息
(1)保存了词典到倒排表的映射:词(Term) --> 文档(Document)
(2)含反向信息的文件有:
#XXX.tis,XXX.tii保存了词典(Term Dictionary),也即此段包含的所有的词按字典顺序的排序
#XXX.frq保存了倒排表，也即包含每个词的文档ID列表。
#XXX.prx保存了倒排表中每个词在包含此词的文档中的位置。
它的特点就是：
- 词查找复杂度为O(len(str))
- 共享前缀、节省空间
- 内存存放前缀索引、磁盘存放后缀词块
我们往索引库里插入四个单词abd、abe、acf、acg,看看它的索引文件内容。
- tip部分，每列一个FST索引，所以会有多个FST，每个FST存放前缀和后缀块指针，这里前缀就为a、ab、ac
- tim里面存放后缀块和词的其他信息如倒排表指针、TFDF等
- doc文件里就为每个单词的倒排表
它的检索过程分为三个步骤：
- 内存加载tip文件，通过FST匹配前缀找到后缀词块位置。
- 根据词块位置，读取磁盘中tim文件中后缀块并找到后缀和相应的倒排表位置信息。
- 根据倒排表位置去doc文件中加载倒排表。
这里就会有两个问题，第一就是前缀如何计算，第二就是后缀如何写磁盘并通过FST定位，下面将描述下Lucene构建FST过程:已知FST要求输入有序，所以Lucene会将解析出来的文档单词预先排序，然后构建FST，我们假设输入为abd,abd,acf,acg，
- 插入abd时，没有输出。
- 插入abe时，计算出前缀ab，但此时不知道后续还不会有其他以ab为前缀的词，所以此时无输出。
- 插入acf时，因为是有序的，知道不会再有ab前缀的词了，这时就可以写tip和tim了，tim中写入后缀词块d、e和它们的倒排表位置ip_d,ip_e，tip中写入a，b和以ab为前缀的后缀词块位置(真实情况下会写入更多信息如词频等)。
- 插入acg时，计算出和acf共享前缀ac，这时输入已经结束，所有数据写入磁盘。tim中写入后缀词块f、g和相对应的倒排表位置，tip中写入c和以ac为前缀的后缀词块位置。
以上是一个简化过程，Lucene的FST实现的主要优化策略有：
- 最小后缀数。Lucene对写入tip的前缀有个最小后缀数要求，默认25，这时为了进一步减少内存使用。如果按照25的后缀数，那么就不存在ab、ac前缀，将只有一个跟节点，abd、abe、acf、acg将都作为后缀存在tim文件中。我们的10g的一个索引库，索引内存消耗只占20M左右。
- 前缀计算基于byte，而不是char，这样可以减少后缀数，防止后缀数太多，影响性能。如对宇(e9 b8 a2)、守(e9 b8 a3)、安(e9 b8 a4)这三个汉字，FST构建出来，不是只有根节点，三个汉字为后缀，而是从unicode码出发，以e9、b8为前缀，a2、a3、a4为后缀，如下图：
3.4 倒排表结构
倒排表就是文档号集合，但怎么存，怎么取也有很多讲究，Lucene现使用的倒排表结构叫Frame of reference,它主要有两个特点：
- 数据压缩，可以看上图怎么将6个数字从原先的24bytes压缩到7bytes
- 跳跃表加速合并，因为布尔查询时，and 和or 操作都需要合并倒排表，这时就需要快速定位相同文档号，所以利用跳跃表来进行相同文档号查找。可以参考官方
3.5 正向文件
正向文件指的就是原始文档，Lucene对原始文档也提供了存储功能，它存储特点就是分块+压缩，fdt文件就是存放原始文档的文件，它占了索引库90%的磁盘空间，fdx文件为索引文件，通过文档号（自增数字）快速得到文档位置，它们的文件结构如下：
- fnm中为元信息存放了各列类型、列名、存储方式等信息。
- fdt为文档值，里面一个chunk就是一个块，Lucene索引文档时，先缓存文档，缓存大于16KB时，就会把文档压缩存储。一个chunk包含了该chunk起始文档、多少个文档、压缩后的文档内容。
- fdx为文档号索引，倒排表存放的时文档号，通过fdx才能快速定位到文档位置即chunk位置，它的索引结构比较简单，就是跳跃表结构，首先它会把1024个chunk归为一个block,每个block记载了起始文档值，block就相当于一级跳表。
查找文档，就分为三步：
第一步二分查找block，定位属于哪个block。
第二步就是根据从block里根据每个chunk的起始文档号，找到属于哪个chunk和chunk位置。
第三步就是去加载fdt的chunk，找到文档。这里还有一个细节就是存放chunk起始文档值和chunk位置不是简单的数组，而是采用了平均值压缩法。所以第N个chunk的起始文档值由 DocBase + AvgChunkDocs * n + DocBaseDeltas[n]恢复而来，而第N个chunk再fdt中的位置由 StartPointerBase + AvgChunkSize * n + StartPointerDeltas[n]恢复而来。
总结lucene对原始文件的存放是行是存储，并且为了提高空间利用率，是多文档一起压缩，因此取文档时需要读入和解压额外文档，因此取文档过程非常依赖随机IO，以及lucene虽然提供了取特定列，但从存储结构可以看出，并不会减少取文档时间。
3.6 列式存储DocValues
我们知道倒排索引能够解决从词到文档的快速映射，但当我们需要对检索结果进行分类、排序、数学计算等聚合操作时需要文档号到值的快速映射，而原先不管是倒排索引还是行式存储的文档都无法满足要求。原先4.0版本之前，Lucene实现这种需求是通过FieldCache，它的原理是通过按列逆转倒排表将（field value ->doc）映射变成（doc -> field value）映射,但这种实现方法有着两大显著问题：
- 构建时间长。
- 内存占用大，易OutOfMemory，且影响垃圾回收
因此4.0版本后Lucene推出了DocValues来解决这一问题，它和FieldCache一样，都为列式存储，但它有如下优点：
- 预先构建，写入文件。
- 基于映射文件来做，脱离JVM堆内存，系统调度缺页。
DocValues这种实现方法只比内存FieldCache慢大概10~25%，但稳定性却得到了极大提升。
Lucene目前有五种类型的DocValues：NUMERIC、BINARY、SORTED、SORTED_SET、SORTED_NUMERIC，针对每种类型Lucene都有特定的压缩方法。如对NUMERIC类型即数字类型，数字类型压缩方法很多，如：增量、表压缩、最大公约数，根据数据特征选取不同压缩方法。SORTED类型即字符串类型，压缩方法就是表压缩：预先对字符串字典排序分配数字ID，存储时只需存储字符串映射表，和数字数组即可，而这数字数组又可以采用NUMERIC压缩方法再压缩，图示如下：
这样就将原先的字符串数组变成数字数组，一是减少了空间，文件映射更有效率，二是原先变成访问方式变成固长访问。对DocValues的应用，ElasticSearch功能实现地更系统、更完整，即ElasticSearch的Aggregations——聚合功能，它的聚合功能分为三类：
1. Metric -> 统计
典型功能：sum、min、max、avg、cardinality、percent等
2. Bucket ->分组
典型功能：日期直方图，分组，地理位置分区
3. Pipline -> 基于聚合再聚合
典型功能：基于各分组的平均值求最大值。
基于这些聚合功能，ElasticSearch不再局限与检索，而能够回答如下SQL的问题
select gender,count(*),avg(age) from employee where dept='sales' group by gender //销售部门男女人数、平均年龄是多少
我们看下ElasticSearch如何基于倒排索引和DocValues实现上述SQL的
- 从倒排索引中找出销售部门的倒排表。
- 根据倒排表去性别的DocValues里取出每个人对应的性别，并分组到Female和Male里。
- 根据分组情况和年龄DocValues，计算各分组人数和平均年龄
- 因为ElasticSearch是分区的，所以对每个分区的返回结果进行合并就是最终的结果。
上面就是ElasticSearch进行聚合的整体流程，也可以看出ElasticSearch做聚合的一个瓶颈就是最后一步的聚合只能单机聚合，也因此一些统计会有误差，比如count(*) group by producet limit 5,最终总数不是精确的。因为单点内存聚合，所以每个分区不可能返回所有分组统计信息，只能返回部分，汇总时就会导致最终结果不正确，具体如下：
| Shard 1 |
Shard 2 |
Shard 3 |
| Product A (25) |
Product A (30) |
Product A (45) |
| Product B (18) |
Product B (25) |
Product C (44) |
| Product C (6) |
Product F (17) |
Product Z (36) |
| Product D (3) |
Product Z (16) |
Product G (30) |
| Product E (2) |
Product G (15) |
Product E (29) |
| Product F (2) |
Product H (14) |
Product H (28) |
| Product G (2) |
Product I (10) |
Product Q (2) |
| Product H (2) |
Product Q (6) |
Product D (1) |
| Product I (1) |
Product J (8) |
|
| Product J (1) |
Product C (4) |
|
count(*) group by producet limit 5，每个节点返回的数据如下：
| Shard 1 |
Shard 2 |
Shard 3 |
| Product A (25) |
Product A (30) |
Product A (45) |
| Product B (18) |
Product B (25) |
Product C (44) |
| Product C (6) |
Product F (17) |
Product Z (36) |
| Product D (3) |
Product Z (16) |
Product G (30) |
| Product E (2) |
Product G (15) |
Product E (29) |
合并后：
| Merged |
| Product A (100) |
| Product Z (52) |
| Product C (50) |
| Product G (45) |
| Product B (43) |
商品A的总数是对的，因为每个节点都返回了，但商品C在节点2因为排不到前5所以没有返回，因此总数是错的。