Lucene工具箱之OpenBitSet(一)
3.4 Lucene工具箱之OpenBitSet
在Lucene中，DocId具有这样的特征：唯一/递增。而且在搜索的过程，不同term之间的DocId集合进行逻辑运算的需求非常之多。OpenBitSet正是集合运算的利器。
3.4.1 OpenBitSet的原理
假设有一个byte，一共有8个二进制位，如下图：
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
7 |
6 |
5 |
4 |
3 |
2 |
1 |
0 |
如果每个二进制位表示一个数，这个Byte可以存储[0,7]共8个数。
比如存储4，6这两个数，则byte中各个二进制位的状态如下：
0 |
1 |
0 |
1 |
0 |
0 |
0 |
0 |
7 |
6 |
5 |
4 |
3 |
2 |
1 |
0 |
用二进制位的下标表示存储的数，并在将二进制位的相应状态设为1。OpentBitSet正是利用上述原理来存储数据。
3.4.2 OpenBitSet的简单应用
假设有两个集合A = {1，3，4，10，5},B={5，3，2，8}。计算A集合与B集合的并集；计算A集合与B集合的交集。
int[] a = {1,3,4,10,5};
int [] b = {5,3,2,8};
OpenBitSet setA = new OpenBitSet();
for(int i : a) setA.set(i);
OpenBitSet setB = new OpenBitSet();
for(int i : b) setB.set(i);
OpenBitSet unionSet = setA.clone();
unionSet. union(setB); //取A与B的并集
DocIdSetIterator iterator = unionSet.iterator();
while(iterator.nextDoc()!=DocIdSetIterator.NO_MORE_DOCS){
System.out.print(iterator.docID()+", ");
}System.out.println();
OpenBitSet intersectionSet = setA.clone();
intersectionSet. intersect(setB);//取A与B的交集
iterator = intersectionSet.iterator();
while(iterator.nextDoc()!=DocIdSetIterator.NO_MORE_DOCS){
System.out.print(iterator.docID()+", ");
}System.out.println();
输出结果如下：
并集：1, 2, 3, 4, 5, 8, 10,
交集：3, 5,
3.4.3 OpenBitSet的源码分析
OpenBitSet利用二进制位来存储数据，一个long类型最高只有64位，能存储63个数。
如果存储[0,63]之间的数，需要1个long类型串联起来。
如果存储[0,127]之间的数，需要2个long类型串联起来。
如果存储[0,191]之间的数，需要3个long类型串联起来。
……
如果存储[0,(64N+m)] (N,m为非负整数，m<64)之间的数，需要N个long类型串联起来.
所以OpenBitSet的核心就是一个long类型的数组bits。
public class OpenBitSetextendsDocIdSet implements Bits, Cloneable {
protectedlong[]bits;
这个数组需要开多大呢？依据存储数据的最大值而定。OpenBitSet有构造函数如下：
publicOpenBitSet() {
this(64);
}
这个构造函数调用了另一个需要传参的构造函数：
/** Constructs an OpenBitSet large enough to hold <code>numBits</code>.
*/
publicOpenBitSet(long numBits) {
this.numBits = numBits;
bits = new long[bits2words(numBits)];
wlen= bits.length;
}
该构造函数中调用了bits2words()方法来通过传入的参数计算bits数组的大小。
tits2words(64) = 1；表示存储[0,63]之间的数需要1个long类型。
tits2words(256)=2；表示需要存储[0,255]之间的数需要2个long类型。
依此类推……
这样传参避免我们人工计算bits数组的大小，也封装了实现原理。
OpenBitSet的数据存储
首先要清楚的是，在OpenBitSet中：
[0,63]存储在bits[0]的64个位中
[64,127]存储在bits[1]的64个位中
……
[64N,64N+63]存储在bits[N]的64个位中
任何一个非负整数，都可以表示成：64*N+m (N,m都是非负整数，m<64)。其中N表示bits数组的下标，m表示bits[N]的64个位中需要把状态置为1的二进制位的下标。
存储数据的原代码如下：
/** sets a bit, expanding the set size if necessary */
publicvoidset(longindex) {
int wordNum = expandingWordNum(index);
int bit = (int)index & 0x3f;
long bitmask = 1L << bit;
bits[wordNum] |= bitmask;
}
整个set方法有4句代码，我们一句一句分析：
第1句代码求公式64*N+m中的N。参数index除以64或者 index>>6就可以了。左移6位即除以2^6=64.
第2句代码求公式64*N+m中的m。注意0x3f= 64 =(111111)2，index%64 即为 index & 0x3f 。
第3句和第4句即把bits[N]的第m位设置为1。
最后总结一下OpenBitSet数据存储的特点：OpenBitSet无法存储重复的数据。数据存储到OpenBitSet中后就是有序的了。OpenBitSet适合存储密集程度高，且量大的数据。OpenBitSet中存储的数据适合位运算，比如取交集、并集、补集……
由于直接从word中粘贴来受到了长度的限制，我又不想在博客编辑器中重新写一遍，所以关于OpenBitSetIterator相关的内容和Lucene4.2的其它细节可以从我的《Lucene4.x源码解读》第4章4.3节中了解。OpenBitSetIterator分析了bitList的实现原理。
《Lucene4.x源码解读》会不定时更新，可以关注我的新浪微博 @帅广应s 。