参考来源
- 腾讯云-Elasitcsearch 底层系列 Lucene 内核解析之 Doc Value
背景
Elasticsearch 支持行存和列存,行存用于以文档为单位顺序存储多个文档的原始内容,在 Elasitcsearch 底层系列 Lucene 内核解析之 Stored Fields 文章中介绍了行存的细节。列存则以字段为单位顺序存储多个文档同一字段的内容,主要用于排序、聚合、范围查询等场景,新版本的 ES 绝大部分字段都会保存 doc value,可以显示指定关闭。今天我们就来剖析 ES 列存(doc value)的细节。代码解析基于 ES 6.3/Lucene 7.3 的版本。
我们在腾讯云提供了原生的ES服务(CES)及CTSDB时序数据库服务,欢迎各位交流底层技术。
Doc value 的官方介绍:https://www.elastic.co/guide/en/elasticsearch/reference/current/doc-values.html
本文主要分以下几个部分介绍:
- 基本框架
- 文件结构
- 写入流程
- 读取流程
- 合并流程
基本框架
进入各个流程之前,我们先来看一下 doc Value 相关的类结构。下图蓝色是 doc value 的写入部分主要框架,文档的写入入口在 DefaultIndexingChain,每一个 field 都有对应的 PerField 对象,包含 field info 以及相关的写入类。写入的时候根据字段类型,例如 Binary、Numeric、StoredNumeric、SortedSet 等选择对应的 Writer进行处理。各个 Writer 负责内存中的写入及数据结构整理压缩逻辑,Lucene70DocValuesConsumer 负责底层文件的写入。红色部分是读取框架,同样也是按照不同类型分别处理读取,Lucene70DocValuesProducer 负责文件读取解析。后面的写入及读取流程我们再来详细剖析。
文件结构
Doc value 的 lucene 文件主要是 dvd 和 dvm 后缀文件,dvd 文件为数据文件,保存各种值, dvm 文件为数据文件的索引文件,便于快速解析查找数据文件。dvd 文件一般都比较大,dvm 文件都很小,如下图所示:
我们先来总体看一下文件的内容结构,后面再结合代码详细分析内容的生成和读取过程。
dvd 和 dvm 都有如下公共的文件头信息:
dvm 索引文件,除头尾信息以外,中间的部分主要是顺序保存每个字段编码相关的元数据信息,以及切分 block 的信息。
dvd 数据文件,除头尾信息以外,中间的部分主要是顺序保存每个字段编码压缩后的内容:
dvd 等值及 Multiple block 的场景:
当字段不是数值类型,会保存 value 的 hash 映射,该字段会分三层依次保存,第一层是每个 value 的 hash 位置,第二层是每个 value 的原始值,第三层是原始值的索引项。其中第一层结构和上述结构一致,第二、三层 dvm、dvd 结构如下所示,前半部分为 terms,后半部分为 terms 索引信息:
接下来结合这些文件结构,我们来分析代码是如何产生和读取这些内容的。
写入流程
先来看如下示例数据:
{
"@timestamp":"2017-03-23T13:00:00",
"accept":36320,
"deny":4156,
"host":"server_2",
"response":2.4558210155,
"service":"app_3",
"total":40476
}
mapping 自动生成,ES 将会产生如下类型的字段:
本次重点关注标红的 DocValue 对象。
PackedInts(long)
在正式进入 doc value 剖析之前,我们先来看一个数据类型:PackedInts。它是 doc value 数值存储压缩使用的主要类型。数值类型列存有很大的压缩空间,可以节省很多内存开销。这种压缩是基于数据运算或者类型压缩实现的。
例如,假设某个列的值全是一样的(例如内置的 _version, _primary_term 字段,极有可能全一样),此时 PackedInt 可以简单的用一个整型对象存一个值即可。假设某个列的数值最大存储只需要 10 个 bit,我们直接用 short 存储会浪费6个 bit,内存浪费接近一半。
Lucene 中实现的 PackInts 对象会将内存划分为逻辑上的多个 block,每个 block 一定是8位内存对齐的,最常用的就是直接利用一个 long 对象作为一个 block,充分利用每个类型的每一个 bit,避免浪费。假设我们每个列的 value 用10个 bit 就可以存储,用 long 对象来储存多个 value 如下所示:
注意 value n会跨两个 block(long) 对象。
写入调用链时序
写入流程分为内存写入流程和刷新流程,以下是写入调用链时序:
入口在 DefaultIndexingChian,内存写入主要在各类型 DocValuesWriter中,flush 落盘主要在 Lucene70DocValuesConsumer中。接下来我们分别分析内存写入和刷新流程。
内存写入流程
在前面我们讲 Stored Fields 的时候,有提到 Lucene 的 index 动作是在 DefaultIndexingChain 类里面完成的,今天我们直接跳到对应的 doc value 处理的逻辑:
DefaultIndexingChain.processDocument()
DocValuesType dvType = fieldType.docValuesType();
if (dvType == null) {
throw new NullPointerException("docValuesType must not be null (field: \"" + fieldName + "\")");
}
if (dvType != DocValuesType.NONE) {
if (fp == null) {
fp = getOrAddField(fieldName, fieldType, false);
}
indexDocValue(fp, dvType, field); // 内存中处理每个 field 的 doc value
}
这里的 indexDocValue 函数完成了 doc value 的保存逻辑。进到该函数里面,会对每个字段的 doc value 类型做分类处理,如下的每个分支就对应着上述各字段类型的写入操作。每个字段都会对应一个 DocValueWriter。
DefaultIndexingChain.indexDocValue
switch(dvType) {
case NUMERIC:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new NumericDocValuesWriter(fp.fieldInfo, bytesUsed);
}
if (field.numericValue() == null) {
throw new IllegalArgumentException("field=\"" + fp.fieldInfo.name + "\": null value not allowed");
}
((NumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue());
break;
case BINARY:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new BinaryDocValuesWriter(fp.fieldInfo, bytesUsed);
}
((BinaryDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue());
break;
case SORTED:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new SortedDocValuesWriter(fp.fieldInfo, bytesUsed);
}
((SortedDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue());
break;
case SORTED_NUMERIC:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new SortedNumericDocValuesWriter(fp.fieldInfo, bytesUsed);
}
((SortedNumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue());
break;
case SORTED_SET:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new SortedSetDocValuesWriter(fp.fieldInfo, bytesUsed);
}
((SortedSetDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue());
break;
default:
throw new AssertionError("unrecognized DocValues.Type: " + dvType);
}
最常使用的类型是 SortedNumericDocValuesWriter 和 SortedSetDocValuesWriter ,因为 doc value 主要用在聚合排序等操作上,上述两种类型的 writer 分别对应了数值类型和字符类型的 doc value 排序写操作。这里的 Sorted 关键字排序是指“同一个文档中该字段的多个 value (数组)之间进行排序“,不是指“多个文档按照该字段进行排序”。多个文档之间的排序由 index level sorting 决定。接下来我们重点分析这两种数据类型的写入。
SortedNumericDocValuesWriter
数值类型 doc value 的写操作。从前面的 case 分支中可以看到,每一个字段的 DocValueWriter 会在第一次进来的时候被初始化,一个 field 对应一个 docValuesWriter:
DefaultIndexingChain.indexDocValue
case SORTED_NUMERIC:
if (fp.docValuesWriter == null) {
fp.docValuesWriter = new SortedNumericDocValuesWriter(fp.fieldInfo, bytesUsed);
}
((SortedNumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue());
break;
SortedNumericDocValuesWriter 对象的初始化逻辑:
SortedNumericDocValuesWriter.java
public SortedNumericDocValuesWriter(FieldInfo fieldInfo, Counter iwBytesUsed) {
this.fieldInfo = fieldInfo;
this.iwBytesUsed = iwBytesUsed;
// 保存 value 对象,页满时 pack,一页最多1024个 value ,pack 后放到 values 对象中,在 flush 的时候会通过 build 函数取出
pending = PackedLongValues.deltaPackedBuilder(PackedInts.COMPACT);
// 保存 每个文档中当前字段 value 的数量,单个 field 每个文档可能存在多个 doc value
pendingCounts = PackedLongValues.deltaPackedBuilder(PackedInts.COMPACT);
// 保存 docId,这里的 docId 只记录最大值,取的时候顺序+1取
docsWithField = new DocsWithFieldSet();
bytesUsed = pending.ramBytesUsed() + pendingCounts.ramBytesUsed() + docsWithField.ramBytesUsed() + RamUsageEstimator.sizeOf(currentValues);
iwBytesUsed.addAndGet(bytesUsed);
}
Number 类型的载体对象都是 PackedLongValues, 该对象的构造过程:
public static PackedLongValues.Builder deltaPackedBuilder(float acceptableOverheadRatio) {
// 默认页大小是 1024
// 这里 acceptableOverheadRatio 取值默认为0,表示最佳压缩模式,充分利用每个 bit
return deltaPackedBuilder(DEFAULT_PAGE_SIZE, acceptableOverheadRatio);
}
在前面有看到传入构造的参数是:PackedInts.COMPACT,表示最佳压缩,不浪费一个 bit。这里Packed等级有四种,不同的等级表示可以允许多少内存的浪费率,浪费的空间会自动内存补齐。浪费多效率高,浪费少效率低,这里是时间换空间的概念。
/**
- At most 700% memory overhead, always select a direct implementation.
*/
public static final float FASTEST = 7f;
/**
- At most 50% memory overhead, always select a reasonably fast implementation.
*/
public static final float FAST = 0.5f;
/**
- At most 25% memory overhead.
*/
public static final float DEFAULT = 0.25f;
/**
-
No memory overhead at all, but the returned implementation may be slow.
*/
public static final float COMPACT = 0f;相关的初始化工作只在字段第一次处理 doc value 的时候进行,初始化完成之后就进入添加值阶段。在上述 indexDocValue 函数中的 case 语句中,根据每个类型进来调用对应 writer 的 addValue 方法保存 doc value。addValue 的逻辑都差不多,以 SortedNumericDocValuesWriter 为例如下所示:
SortedNumericDocValuesWriter.javapublic void addValue(int docID, long value) {
assert docID >= currentDoc;
if (docID != currentDoc) { // 新进来 doc 先结束上次的 doc
finishCurrentDoc();
currentDoc = docID;
}addOneValue(value); // 添加值 updateBytesUsed();
}
addOneValue 只是简单的将值添加到一个自扩容的 long 型数组中:
private void addOneValue(long value) {
if (currentUpto == currentValues.length) {
// 空间不够就扩容
currentValues = ArrayUtil.grow(currentValues, currentValues.length+1);
}currentValues[currentUpto] = value; //long currentValues[] currentUpto++; // 更新值下标
}
finishCurrentDoc 的逻辑,主要是将上述添加的数组保存到 pending 中,pending 是一个 PackedLongValues 的 builder 对象,其内部会判断是否达到 pack 的条件,达到就进行 pack。
private void finishCurrentDoc() {
if (currentDoc == -1) {
return;
}
// 这里是对同一个 doc 中的该字段的多个 doc value 进行内部排序,SortedNumeric 的 Sort 就在这里体现
Arrays.sort(currentValues, 0, currentUpto);
for (int i = 0; i < currentUpto; i++) {
pending.add(currentValues[i]); // PackedLongValues
}
// record the number of values for this doc
pendingCounts.add(currentUpto); // 当前 doc 中该字段的 doc value 数量,一般情况是 1
currentUpto = 0;docsWithField.add(currentDoc); // 保存当前 doc id
}
接下来我们看一下上述 pending.add 函数的详细实现 :
PackedLongValues.java/** Add a new element to this builder. */ public Builder add(long l) { if (pending == null) { throw new IllegalStateException("Cannot be reused after build()"); } if (pendingOff == pending.length) { // 达到 1024 个对象,pack 一次 // check size if (values.length == valuesOff) { // values 保存 pack 后的对象,默认长度 16,不够自动扩容 final int newLength = ArrayUtil.oversize(valuesOff + 1, 8); grow(newLength); } pack(); // 压缩处理,处理 pending 中的内容,pack 完毕之后 pendingOff 会置零 } pending[pendingOff++] = l; // 简单的添加对象到 pending 中保存,pending 最大 1024 size += 1; return this; }
接着看 pack 的具体逻辑,它是实现压缩的主要函数:
PackedInts.javavoid pack(long[] values, int numValues, int block, float acceptableOverheadRatio) {
assert numValues > 0;
// compute max delta
long minValue = values[0];
long maxValue = values[0];
for (int i = 1; i < numValues; ++i) {
minValue = Math.min(minValue, values[i]);
maxValue = Math.max(maxValue, values[i]);
}PackedInts.getMutable 的实现逻辑:// build a new packed reader if (minValue == 0 && maxValue == 0) { // 数值类的对象进来后先求最小最大值,如果全部都是相同的值,比如 version 全为1,primary term 全为 0 等场景,直接保存一个值即可 this.values[block] = new PackedInts.NullReader(numValues); } else { // 计算最大值所需的 bit 数量 final int bitsRequired = minValue < 0 ? 64 : PackedInts.bitsRequired(maxValue); // 根据大小分配一个合适可变对象,后面详述 final PackedInts.Mutable mutable = PackedInts.getMutable(numValues, bitsRequired, acceptableOverheadRatio); for (int i = 0; i < numValues; ) { i += mutable.set(i, values, i, numValues - i); // 将 values 对象 pack 到 mutable 对象中,后面详述 } this.values[block] = mutable; // pack 后的对象保存到 values 数组中,后面会写入磁盘 } }
PackedInts.javapublic static Mutable getMutable(int valueCount,
int bitsPerValue, float acceptableOverheadRatio) {
// 根据配置的压缩比的类型(COMPACT、FASTEST等)计算压缩时采取的 bitsPerValue 数量,
// 以及是否有必要压缩,返回的 formatAndBits.format 参数一般情况取值为 Format.PACKED 表示压缩。
final FormatAndBits formatAndBits = fastestFormatAndBits(valueCount, bitsPerValue, acceptableOverheadRatio);
// 根据类型和值的 bit 数量选取合适的 Pakced 对象,如果所需 bit 数刚好是 8 的整数倍,
// 则直接用 Direct8、Direct16、Direct32、Direct64 来存储,否则会用 Packed64 对象(long)存储。
return getMutable(valueCount, formatAndBits.bitsPerValue, formatAndBits.format);
}
我们拿 Packed64 为例讲一下上述 pack 中的 set 逻辑:
Packed64.java@Override
public int set(int index, long[] arr, int off, int len) {
// of 函数里面的重点是根据 bitsPerValue 即 doc value 中最大的值所需的 bit 数量,
// 来确定写的 encode 对象,例如 BulkOperationPacked10 表示最大的需要 10 个 bit
...
final PackedInts.Encoder encoder = BulkOperation.of(PackedInts.Format.PACKED, bitsPerValue);
...
// 编码的逻辑就在对应的 encode 函数中,后面详述
encoder.encode(arr, off, blocks, blockIndex, iterations);
...
}
BulkOperationPacked10(最大到24)对象构造函数调用 BulkOperationPacked 传递对应的 bit 数:
public BulkOperationPacked10() {
super(10); // 调用父类 BulkOperationPacked 构造函数,下面详述
}
BulkOperationPacked 的构造函数逻辑:
public BulkOperationPacked(int bitsPerValue) {
this.bitsPerValue = bitsPerValue; // value 需要的最大 bit 数
assert bitsPerValue > 0 && bitsPerValue <= 64;
int blocks = bitsPerValue;
// 这里算需要多少个 block 即 long 对象能够完整的保存 n 个 value (简单的判断能被2整除就行)
// 例如 bitsPerValue 是10,则至少需要5个 long 对象才不需要跨 long 保存 (5*32=320 才刚好被10整除,能保存32个 value 对象)
while ((blocks & 1) == 0) {
blocks >>>= 1;
}
this.longBlockCount = blocks;
this.longValueCount = 64 * longBlockCount / bitsPerValue; // 根据算好的 long block 数量计算能保存的 value 数量
...
}
上面讲的 BulkOperationPacked10 是继承至 BulkOperationPacked 类,主要的压缩编码逻辑都在 BulkOperationPacked 类中的 encode 函数中实现,将多个 value 保存到连续的 long 对象中,这个函数是整个压缩编码的核心:
BulkOperationPacked.java
/**
values: 被压缩的数组对象
valuesOffset: 被压缩数组对象的偏移(index),顺序加一取 values
blocks: 压缩此数组对象所需的 long 对象数组,目标输出对象
blcoksOffset:block 对象的 index
iterations:longValueCount * iterations = 总的 values 的长度
示例如下:
假设 values 数组有1024个元素,bitsPerValue = 10(即最大的元素需要10个 bit 存储),
-
那么共需要 1024*10=10240 个 bit,10240/8=1280 个 byte,1280/8=160 个 long, blocks 的长度就是160
*/
@Override
public void encode(long[] values, int valuesOffset, long[] blocks,
int blocksOffset, int iterations) {
long nextBlock = 0;
int bitsLeft = 64;
// 遍历待压缩的 values 对象
for (int i = 0; i < longValueCount * iterations; ++i) {
bitsLeft -= bitsPerValue; // 每个对象都占用 bitsPerValue 位
if (bitsLeft > 0) { // 直到一个 long 对象分配完毕
nextBlock |= values[valuesOffset++] << bitsLeft; // 移位操作将多个 values 压缩成一个 long
} else if (bitsLeft == 0) { // 刚好用完
nextBlock |= values[valuesOffset++];
blocks[blocksOffset++] = nextBlock;
nextBlock = 0;
bitsLeft = 64;
} else { // bitsLeft < 0 某个 values 对象跨两个 long
nextBlock |= values[valuesOffset] >>> -bitsLeft;
blocks[blocksOffset++] = nextBlock;
nextBlock = (values[valuesOffset++] & ((1L << -bitsLeft) - 1)) << (64 + bitsLeft);
bitsLeft += 64;
}
}
}上面就是SortedNumericDocValuesWriter写入的过程,经过 PackedInt 压缩编码之后,数据会以相对节省的形式存放在内存中。接下来我们看可能看字符类型的写入流程。
SortedSetDocValuesWriter
该对象主要处理字符类型的 doc value 写逻辑。其内部会用一个 BytesRefHash 对象保存字符的 byte 数组,以及对应的 hash 位置(termId),termId 会像上述 NumericDocValue 一样采用 PackedInts 压缩。BytesRefHash 内部有一个 ByteBlockPool,其成员变量 byte[] buffer 中保存了字符 byte 数组。我们看一下 SortedSetDocValuesWriter 的添加值的逻辑:
SortedSetDocValuesWriter.javaprivate void addOneValue(BytesRef value) {
int termID = hash.add(value); // BytesRefHash 对象,add 动作添加 byte 数组并计算对应的 hash 值并返回
......
currentValues[currentUpto] = termID; // 添加字符对象的 hash 值
currentUpto++;
}
以上就是内存写入流程,采用 PackedInts 类型,可以最大程度的节省内存。内存写入后,doc value 对象都是以该类型保存在内存中,后面的刷新流程会将内存中的 doc value 反编码解压,之后以紧凑型 byte 数组写入 segment 文件(dvd)。
刷新流程
刷新流程的入口在 DefaultIndexingChain.writeDocValues 中。writeDocValues 只是 DefaultIndexingChain.flush 的一个步骤,flush 函数包含了其它类型例如 stored fields,norms,point 等类型的刷新逻辑。DocValue刷新的时候会将各个字段顺序刷到 dvd、dvm 文件。下面是 writeDocValues 的详细分析:
DefaultIndexingChain.java/** Writes all buffered doc values (called from {@link #flush}). */
private void writeDocValues(SegmentWriteState state, Sorter.DocMap sortMap) throws IOException {
int maxDoc = state.segmentInfo.maxDoc(); // 这个 segment 当前在内存中的文档数
DocValuesConsumer dvConsumer = null;
boolean success = false;
try {
for (int i=0;i// 遍历每一个 field 逐个顺序刷盘,PerField 里面保存的 fieldInfo,fieldInfo 包含了字段名、类型等基本信息
PerField perField = fieldHash[i];
while (perField != null) {
if (perField.docValuesWriter != null) { // 如果是 doc value 类型的,则之前肯定用 docValuesWriter(例如 NumericDocValuesWriter) 写过数据进内存
if (perField.fieldInfo.getDocValuesType() == DocValuesType.NONE) {
// BUG
throw new AssertionError("segment=" + state.segmentInfo + ": field="" + perField.fieldInfo.name + "" has no docValues but wrote them");
}
if (dvConsumer == null) {
// lazy init
DocValuesFormat fmt = state.segmentInfo.getCodec().docValuesFormat();
// 初始化 Lucene70DocValuesConsumer ,调用 Lucene70DocValuesConsumer 的构造函数创建(若未创建)dvd,dvm文件,并写入 header 信息
dvConsumer = fmt.fieldsConsumer(state);
}上面主要的 flush 函数是由各个类型的 DocValuesWriter 来实现的,常用的 writer 类型:if (finishedDocValues.contains(perField.fieldInfo.name) == false) { perField.docValuesWriter.finish(maxDoc); // 调用 DocValueWriter 的finish,对未完成的值做一轮 pack } perField.docValuesWriter.flush(state, sortMap, dvConsumer); // 主要的刷新调用逻辑,后面详细分析 perField.docValuesWriter = null; } else if (perField.fieldInfo.getDocValuesType() != DocValuesType.NONE) { // BUG throw new AssertionError("segment=" + state.segmentInfo + ": field=\"" + perField.fieldInfo.name + "\" has docValues but did not write them"); } perField = perField.next; } }
NumericDocValuesWriter (数字类型)
SortedNumericDocValuesWriter (多值内部排序的数值类型)
SortedDocValuesWriter (排序的字符类型,保存原始值及 hash 位置)
-
SortedSetDocValuesWriter (排序的字符数组类型,保存原始值及 hash 位置)
每种类型的 flush 函数的结构都是类似的,分为三部分:
build 缓存在 pending 中的对象,生成 PackedLongValues。PackedLongValues 对象包含两个最主要的数组成员,一个是 mins,保存每个 pack 后对象的最小值(每个 value 会算差值);另一个是 values,保存实际 pack 后的对象,例如 Packed64, DirectInt 等,取决于 doc value bit 使用数量。
根据索引排序字段顺序对 doc value 进行排序。
-
写处理好的 value 进 dvd 文件,同时写 dvm 索引文件。
以 SortedNumericDocValuesWriter 为例:
SortedNumericDocValuesWriter.java@Override
public void flush(SegmentWriteState state, Sorter.DocMap sortMap, DocValuesConsumer dvConsumer) throws IOException {
// build 缓存在 pending 中的对象,生成 PackedLongValues
final PackedLongValues values;
final PackedLongValues valueCounts;
if (finalValues == null) {
values = pending.build();
valueCounts = pendingCounts.build();
} else {
values = finalValues;
valueCounts = finalValuesCount;
}// 排序,这里的排序是 index sorting 指定的排序,会按照排序的字段传进来一个 sortMap,这个 sortMap 就是按照排序字段排好的 docId final long[][] sorted; if (sortMap != null) { sorted = sortDocValues(state.segmentInfo.maxDoc(), sortMap, new BufferedSortedNumericDocValues(values, valueCounts, docsWithField.iterator())); } else { sorted = null; } // 写 dvd dvm 文件,后面详细描述 dvConsumer.addSortedNumericField(fieldInfo, new EmptyDocValuesProducer() { @Override public SortedNumericDocValues getSortedNumeric(FieldInfo fieldInfoIn) { if (fieldInfoIn != fieldInfo) { throw new IllegalArgumentException("wrong fieldInfo"); } // 读取内存中缓存的 values final SortedNumericDocValues buf = new BufferedSortedNumericDocValues(values, valueCounts, docsWithField.iterator()); if (sorted == null) { return buf; } else { return new SortingLeafReader.SortingSortedNumericDocValues(buf, sorted); } } });
}
上面读取内存缓存的 values 主要用到 BufferedSortedNumericDocValues 类,该类构造方法传入我们之前压缩的 values (Packed64, DirectInt等)。在构造函数中会对压缩的内容进行解压,主要调用 BulkOperationPacked10(例)decode 函数解压,解压逻辑是每次将一个 block(long)偏移10位计算对应的值放到 values 数组中。
接下来我们看看 dvConsumer.addSortedNumericField 的实现逻辑,该函数中主要的逻辑是调用 writeValues 函数实现的:
Lucene70DocValuesConsumer.javaprivate long[] writeValues(FieldInfo field, DocValuesProducer valuesProducer) throws IOException {
SortedNumericDocValues values = valuesProducer.getSortedNumeric(field);
int numDocsWithValue = 0;
MinMaxTracker minMax = new MinMaxTracker();
MinMaxTracker blockMinMax = new MinMaxTracker();
long gcd = 0;
SetuniqueValues = new HashSet<>();
// 下面这个 for 循环计算 segment 所有 value 的最小最大,以及每个 block 的最小最大,并记录最大公约数和唯一值,便于后面选择压缩策略
for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) {
for (int i = 0, count = values.docValueCount(); i < count; ++i) {
long v = values.nextValue();if (gcd != 1) { if (v < Long.MIN_VALUE / 2 || v > Long.MAX_VALUE / 2) { // in that case v - minValue might overflow and make the GCD computation return // wrong results. Since these extreme values are unlikely, we just discard // GCD computation for them gcd = 1; } else if (minMax.numValues != 0) { // minValue needs to be set first gcd = MathUtil.gcd(gcd, v - minMax.min); } } minMax.update(v); blockMinMax.update(v); if (blockMinMax.numValues == NUMERIC_BLOCK_SIZE) {//达到一个 block size 的时候 reset 一下 blockMinMax.nextBlock(); } // 记录不重复值的数量,如果小于 256 个,则稍后采用 unique 压缩方法,去掉不必要的重复值 if (uniqueValues != null && uniqueValues.add(v) && uniqueValues.size() > 256) { uniqueValues = null; } } numDocsWithValue++; //含有值的文档数量 } minMax.finish(); blockMinMax.finish(); final long numValues = minMax.numValues; // 值的数量 long min = minMax.min; final long max = minMax.max; assert blockMinMax.spaceInBits <= minMax.spaceInBits; if (numDocsWithValue == 0) { // 包含值的文档数为0,即该 segment 中所有文档中都不包含该字段值 meta.writeLong(-2); meta.writeLong(0L); } else if (numDocsWithValue == maxDoc) { // 满值的场景,segment 文档数量刚好和含有值的文档数量相等 meta.writeLong(-1); meta.writeLong(0L); } else { // 稀疏场景,segment 中有部分文档不包含值,这里要用 bit set 来记录哪些文档包含值 long offset = data.getFilePointer(); meta.writeLong(offset); values = valuesProducer.getSortedNumeric(field); IndexedDISI.writeBitSet(values, data); meta.writeLong(data.getFilePointer() - offset); } meta.writeLong(numValues); // 记录值的数量 final int numBitsPerValue; boolean doBlocks = false; Map
encode = null; if (min >= max) { // 最小值和最大值相等的场景,meta 标记一下,稍后 data 直接写一个最小值即可 numBitsPerValue = 0; meta.writeInt(-1); } else { if (uniqueValues != null && uniqueValues.size() > 1 && DirectWriter.unsignedBitsRequired(uniqueValues.size() - 1) < DirectWriter.unsignedBitsRequired((max - min) / gcd)) { // 唯一值的数量小于 256 的场景,这里会先在 meta 中直接记录排序后的不重复值,后面 data 中记录值的位置即可 numBitsPerValue = DirectWriter.unsignedBitsRequired(uniqueValues.size() - 1); final Long[] sortedUniqueValues = uniqueValues.toArray(new Long[0]); Arrays.sort(sortedUniqueValues); meta.writeInt(sortedUniqueValues.length); for (Long v : sortedUniqueValues) { meta.writeLong(v); } encode = new HashMap<>(); for (int i = 0; i < sortedUniqueValues.length; ++i) { encode.put(sortedUniqueValues[i], i); // encode 保存值的索引,用于在 data 中记录位置 } min = 0; gcd = 1; } else { uniqueValues = null; // 这里检查每个 block 的使用空间加起来的大小和不划分 block 整体的使用空间大小,差别太大就划分 block // we do blocks if that appears to save 10+% storage doBlocks = minMax.spaceInBits > 0 && (double) blockMinMax.spaceInBits / minMax.spaceInBits <= 0.9; if (doBlocks) { numBitsPerValue = 0xFF; meta.writeInt(-2 - NUMERIC_BLOCK_SHIFT); // 多 block 标记 } else { numBitsPerValue = DirectWriter.unsignedBitsRequired((max - min) / gcd); if (gcd == 1 && min > 0 && DirectWriter.unsignedBitsRequired(max) == DirectWriter.unsignedBitsRequired(max - min)) { min = 0; // 最小最大值差异太大,差值没法改善压缩,例如 1,3,9...45664545,53545465,46567677。如果都是很大的值则都减掉最小值可以起到压缩作用。 } meta.writeInt(-1); // 单个 block 标记 } } } meta.writeByte((byte) numBitsPerValue); // 记录每个值所需的 bit 数,同一个 block 中每个值所需 bit 数相同 meta.writeLong(min); // 最小值 meta.writeLong(gcd); // 最大公约数 long startOffset = data.getFilePointer(); meta.writeLong(startOffset); if (doBlocks) { // 写多个 block writeValuesMultipleBlocks(valuesProducer.getSortedNumeric(field), gcd); } else if (numBitsPerValue != 0) { // 写单个 block writeValuesSingleBlock(valuesProducer.getSortedNumeric(field), numValues, numBitsPerValue, min, gcd, encode); } meta.writeLong(data.getFilePointer() - startOffset); return new long[] {numDocsWithValue, numValues}; }
在写单个或多个 block 的时候都会初始化一个 DirectWriter 来执行直接按 byte 写的逻辑,该函数的构造方法:
DirectWriter.javaDirectWriter(DataOutput output, long numValues, int bitsPerValue) {
this.output = output;
this.numValues = numValues;
this.bitsPerValue = bitsPerValue;
encoder = BulkOperation.of(PackedInts.Format.PACKED, bitsPerValue);
iterations = encoder.computeIterations((int) Math.min(numValues, Integer.MAX_VALUE), PackedInts.DEFAULT_BUFFER_SIZE);// 计算在不超过 1k 内存的情况下需要多少轮迭代
nextBlocks = new byte[iterations * encoder.byteBlockCount()]; // byteBlockCount: 多少个 byte 存 bitsPerValue 对象,例如 bitsPerValue = 24,则 byteBlockCount = 24/8=3
nextValues = new long[iterations * encoder.byteValueCount()]; // byteValueCount: byteBlockCount 个 byte 能存多少个 value
/**
举例如下:
* * - 16 bits per value -> b=2, v=1 28 = 16/16 = 1
* - 24 bits per value -> b=3, v=1 38 = 24/24 = 1
* - 50 bits per value -> b=25, v=4 258 = 200/50 = 4
* - 63 bits per value -> b=63, v=8 638 = 504/63 = 8
*/
}
写单个 block 的逻辑,在下面的 writer.add 函数中添加值到内部的 nextValues 数组中(数组长度就是上面的 iterations * byteValueCount),满了就逐个 byte 刷一次盘。
Lucene70DocValuesConsumer.javaprivate void writeValuesSingleBlock(SortedNumericDocValues values, long numValues, int numBitsPerValue,
long min, long gcd, Mapencode) throws IOException {
DirectWriter writer = DirectWriter.getInstance(data, numValues, numBitsPerValue);
for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) {
for (int i = 0, count = values.docValueCount(); i < count; ++i) {
long v = values.nextValue();
if (encode == null) {
// 值减掉最小值再除以最大公约数
writer.add((v - min) / gcd);
} else {
// 很多 unique value,保存 meta 中存的 value 的位置
writer.add(encode.get(v));
}
}
}
writer.finish();
}
写多个 block 的场景,只是按 block 分开保存相应的 bitPerValue,以及meta 中多一些标记位。目的是为了降低存储空间。特别是值的大小差异很大的时候,拆分成多个 block 每个 block 按照自己的 bitPerValue 要比直接按整个 segment 所有 value 算 bitPerValue 节省空间。可以参考前面文件结构中 multiple block 写的场景结构,以及 Lucene70DocValuesConsumer 类的 Lucene70DocValuesConsumer 函数。
前面是 SortedNumericDocValuesWriter 的刷新逻辑,接下来我们看一下 SortedSetDocValuesWriter 的刷新逻辑。它主要处理字符数组类型的字段。SortedSet 字段默认会将 value 按 byte 排序,并生成新的 docId 映射,见下面 flush 函数中的 ordMap:
SortedSetDocValuesWriter.java@Override
public void flush(SegmentWriteState state, Sorter.DocMap sortMap, DocValuesConsumer dvConsumer) throws IOException {...... ords = pending.build(); // 每个值在 hash 中对应的位置,和 docId 顺序一致 ordCounts = pendingCounts.build(); // 数组的场景,记录该文档该字段中的值数量 sortedValues = hash.sort(); // 对值进行排序,返回值对应的新的位置列表,此 hash 中既保存的了原始的 bytes,也保存的位置 ordMap = new int[valueCount]; for(int ord=0;ord
......
SortedSet 字段写 dvd、dvm 的逻辑主要在 Lucene70DocValuesConsumer.doAddSortedField 函数中。主要分为三层,第一层是每个 value 的 hash 位置,第二层是每个 value 的原始值,第三层是原始值的索引项。每层依次保存,并有对应的偏移量保存在元数据中。
第一层:
Lucene70DocValuesConsumer.javaprivate void doAddSortedField(FieldInfo field, DocValuesProducer valuesProducer) throws IOException {
...... values = valuesProducer.getSorted(field); for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) { writer.add(values.ordValue()); // 第一层,这里写入的是每个 value 对应 hash 中的位置信息 } writer.finish(); meta.writeLong(data.getFilePointer() - start); // 元数据保存偏移量 ...... // 第二层,添加每个 value 的 term,保存原始值及索引 addTermsDict(DocValues.singleton(valuesProducer.getSorted(field)));
}
第二层逻辑:
Lucene70DocValuesConsumer.java
/**
- SortedSet 对象,这里保存 value 的 terms dict,采用前缀压缩方法
- @param values
- @throws IOException
*/
private void addTermsDict(SortedSetDocValues values) throws IOException {
final long size = values.getValueCount();
meta.writeVLong(size);
meta.writeInt(Lucene70DocValuesFormat.TERMS_DICT_BLOCK_SHIFT); // 划分 block,一个 block 最大16个对象
RAMOutputStream addressBuffer = new RAMOutputStream();
meta.writeInt(DIRECT_MONOTONIC_BLOCK_SHIFT);
long numBlocks = (size + Lucene70DocValuesFormat.TERMS_DICT_BLOCK_MASK) >>> Lucene70DocValuesFormat.TERMS_DICT_BLOCK_SHIFT;// values 切成多少个 block
DirectMonotonicWriter writer = DirectMonotonicWriter.getInstance(meta, addressBuffer, numBlocks, DIRECT_MONOTONIC_BLOCK_SHIFT);
BytesRefBuilder previous = new BytesRefBuilder();
long ord = 0;
long start = data.getFilePointer();
int maxLength = 0;
TermsEnum iterator = values.termsEnum();
for (BytesRef term = iterator.next(); term != null; term = iterator.next()) {
if ((ord & Lucene70DocValuesFormat.TERMS_DICT_BLOCK_MASK) == 0) {// block 满了记录长度,当前 term 直接写入
writer.add(data.getFilePointer() - start); // 这里记录每个 block 的长度,会作数值压缩保存并记录 meta, data 先存 addressBuffer ,稍后写入 data 文件
data.writeVInt(term.length);
data.writeBytes(term.bytes, term.offset, term.length);
} else {
final int prefixLength = StringHelper.bytesDifference(previous.get(), term);// 和前值比较,计算出相同前缀长度
final int suffixLength = term.length - prefixLength; // 后缀长度
assert suffixLength > 0; // terms are unique
// 用一个 byte 的高4位和低4位分别保存前后缀长度,如果前缀超过15,或者后缀超过16,单独记录超过数量
data.writeByte((byte) (Math.min(prefixLength, 15) | (Math.min(15, suffixLength - 1) << 4)));
if (prefixLength >= 15) {
data.writeVInt(prefixLength - 15);
}
if (suffixLength >= 16) {
data.writeVInt(suffixLength - 16);
}
data.writeBytes(term.bytes, term.offset + prefixLength, term.length - prefixLength); // 写后缀内容
}
maxLength = Math.max(maxLength, term.length);
previous.copyBytes(term); // 保存当前值便于和下一个值比较
++ord;
}
writer.finish();
meta.writeInt(maxLength); // value 的最大长度
meta.writeLong(start); // 起始位置
meta.writeLong(data.getFilePointer() - start); // 结束位置
start = data.getFilePointer();
addressBuffer.writeTo(data); // 将每个 block 的长度信息写入 data 文件
meta.writeLong(start); // 写入长度信息的起始位置
meta.writeLong(data.getFilePointer() - start); // 写入长度信息的结束位置
// 第三层,记录 term 字典的索引,values 是按照值 hash 排过序的,这里每 1024 条抽取一个作为索引,加速查询
writeTermsIndex(values);
}
第三层逻辑:
Lucene70DocValuesConsumer.javaprivate void writeTermsIndex(SortedSetDocValues values) throws IOException {
final long size = values.getValueCount();
meta.writeInt(Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_SHIFT); // 索引抽取粒度,1024
long start = data.getFilePointer();long numBlocks = 1L + ((size + Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) >>> Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_SHIFT); RAMOutputStream addressBuffer = new RAMOutputStream(); DirectMonotonicWriter writer = DirectMonotonicWriter.getInstance(meta, addressBuffer, numBlocks, DIRECT_MONOTONIC_BLOCK_SHIFT); TermsEnum iterator = values.termsEnum(); BytesRefBuilder previous = new BytesRefBuilder(); long offset = 0; long ord = 0; for (BytesRef term = iterator.next(); term != null; term = iterator.next()) { if ((ord & Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) == 0) { writer.add(offset); final int sortKeyLength; if (ord == 0) { // no previous term: no bytes to write sortKeyLength = 0; } else { sortKeyLength = StringHelper.sortKeyLength(previous.get(), term); } offset += sortKeyLength; data.writeBytes(term.bytes, term.offset, sortKeyLength); // 索引项也采用前缀压缩 } else if ((ord & Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) == Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) { previous.copyBytes(term); // 每到达 1024 的位置抽取值 } ++ord; } writer.add(offset); writer.finish(); meta.writeLong(start); // 保存索引项的起始位置 meta.writeLong(data.getFilePointer() - start); // 保存索引项总的长度 start = data.getFilePointer(); addressBuffer.writeTo(data); // 保存每个索引项的长度信息 meta.writeLong(start); // 索引项长度起始位置 meta.writeLong(data.getFilePointer() - start); // 索引项长度信息的总大小
}
以上就是 SortedSet 类型的刷新落盘逻辑。至此,整个写入、刷新流程就分析到这里,接下来继续看合并流程。
合并流程
合并流程逻辑主要是读取待合并的每个 segment 的 doc value,然后在做一次写入流程。调用时序如下:
周期性的合并或者 indexing 过程中的合并,最终的入口在 SegmentMerger.merge(),里面包含各个数据结构的合并逻辑,segmentWriteState 包含了待 merge 的所有 segment 信息。简化之后的代码:
SegmentMerger.javaMergeState merge() throws IOException {
mergeTerms(segmentWriteState); if (mergeState.mergeFieldInfos.hasDocValues()) { mergeDocValues(segmentWriteState); // doc value 的合并 } if (mergeState.mergeFieldInfos.hasPointValues()) { mergePoints(segmentWriteState); } if (mergeState.mergeFieldInfos.hasNorms()) { mergeNorms(segmentWriteState); } if (mergeState.mergeFieldInfos.hasVectors()) { numMerged = mergeVectors(); } // write the merged infos codec.fieldInfosFormat().write(directory, mergeState.segmentInfo, "", mergeState.mergeFieldInfos, context); return mergeState;
}
mergeDocValues 会调用 DocValuesConsumer.merge 函数,遍历每个 field 在各 segement 里面的 doc values,逐个读取在内存中合并,然后写入新的 segment。
DocValuesConsumer.javapublic void merge(MergeState mergeState) throws IOException {
for (FieldInfo mergeFieldInfo : mergeState.mergeFieldInfos) { DocValuesType type = mergeFieldInfo.getDocValuesType(); if (type != DocValuesType.NONE) { if (type == DocValuesType.NUMERIC) { mergeNumericField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.BINARY) { mergeBinaryField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED) { mergeSortedField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED_SET) { mergeSortedSetField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED_NUMERIC) { mergeSortedNumericField(mergeFieldInfo, mergeState); } else { throw new AssertionError("type=" + type); } } }
}
例如,合并 numeric field:
DocValuesConsumer.javapublic void mergeNumericField(final FieldInfo mergeFieldInfo, final MergeState mergeState) throws IOException {
addNumericField(mergeFieldInfo, // 调 Lucene70DocValuesConsumer 的写入逻辑
new EmptyDocValuesProducer() {
@Override
public NumericDocValues getNumeric(FieldInfo fieldInfo) throws IOException {for (int i=0;i
}
读取流程
在 ES 节点启动之后,会读取 segment meta data,之后在需要查询某个字段的 doc value 的时候,会先将对应的内容映射到内存,然后顺序获取对应的值。如果是字符或字符数组类型,则还会调用获取 hash 值位置以及对应 term 的函数得到原始数据。在排序、聚合、范围查询等场景可能会使用到 doc value,这取决于对应查询条件的 cost 权重。
读取逻辑的代码几乎都在 Lucene70DocValuesProducer 类中,这里就不展开描述了,大家可以对照上述调用时序看一下代码。
至此,doc value 的写入、合并、读取流程及其文件数据结构就分析完了,本文只分析了主要的正常流程,暂未考虑其它异常分支流程。欢迎各位提出意见,一起交流学习