原文地址：http://blog.csdn.net/chichengit/article/details/9235157
http://blog.csdn.net/njpjsoftdev/article/details/54015485

 

介绍：

所谓倒排索引的倒排，其实我感觉定义的不太贴切：正常的文档索引是，描述一个文档有哪些关键字，也就是文档—关键字列表这种结构，但是倒排索引是关键字—文档列表这种方式。

正排索引从文档编号找词：

倒排索引是从词找文档编号：

详细索引内容

设有两篇文章1和2

文章1的内容为：Tom lives in Guangzhou,I live in Guangzhou too

文章2的内容为：He once lived in Shanghai

获取关键字

全文分析：由于lucene是基于关键词索引和查询的，首先我们要取得这两篇文章的关键词，

通常我们需要如下处理措施:

    a.我们现在有的是文章内容，即一个字符串，我们先要找出字符串中的所有单词，即分词。

      英文单词由于用空格分隔，比较好处理。中文单词间是连在一起的需要特殊的分词处理。

    b.文章中的”in”, “once” “too”等词没有什么实际意义，中文中的”的””是”等字通常也无具体含义，

      这些不代表概念的词可以过滤掉

    c.用户通常希望查”He”时能把含”he”，”HE”的文章也找出来，所以所有单词需要统一大小写。

    d.用户通常希望查”live”时能把含”lives”，”lived”的文章也找出来，所以需要把”lives”，”lived”还原成”live”

    e.文章中的标点符号通常不表示某种概念，也可以过滤掉

    经过上面处理后:

　　文章1的所有关键词为：[tom] [live] [guangzhou] [i] [live] [guangzhou]

文章2的所有关键词为：[he] [live] [shanghai]

建立倒排索引

    有了关键词后，我们就可以建立倒排索引了。

    上面的对应关系是：”文章号”对”文章中所有关键词”。

    倒排索引把这个关系倒过来，变成：”关键词”对”拥有该关键词的所有文章号”。

    文章1，2经过倒排后变成:

        关键词       文章号

　　guangzhou     1

　　he                     2

　　i                        1

　　live                   1,2

　　shanghai        2

　　tom                  1

   通常仅知道关键词在哪些文章中出现还不够，我们还需要知道关键词在文章中出现次数和出现的位置，

   通常有两种位置：

       a)字符位置，即记录该词是文章中第几个字符（优点是关键词亮显时定位快）；

       b)关键词位置，即记录该词是文章中第几个关键词（优点是节约索引空间、词组（phase）查询快），lucene中记录的就是这种位置。

 加上”出现频率”和”出现位置”信息后，我们的索引结构变为：

 关键词         文章号     [出现频率]     出现位置

 guangzhou     1                 [2]                3，6

 he                     2                 [1]                1

 i                        1                  [1]               4

 live                   1                  [2]               2，5

                          2                  [1]               2

 shanghai        2                  [1]               3

 tom                  1                  [1]               1

 

以live这行为例我们说明一下该结构：

live在文章1中出现了2次，文章2中出现了一次，它的出现位置为”2,5,2″这表示什么呢？

我们需要结合文章号和出现频率来分析，

文章1中出现了2次，那么”2,5″就表示live在文章1的关键词中出现的两个位置，

文章2中出现了1次，剩下的”2″就表示live是文章2的关键词中第2个关键字。

　　
 

以上就是lucene索引结构中最核心的部分。

我们注意到关键字是按字符顺序排列的（lucene没有使用B树结构），

因此lucene可以用二元搜索算法(或叫二分查找/折半查找)快速定位关键词。

简单实现说明

实现时，lucene将上面三列分别作为:

词典文件（Term Dictionary）、频率文件(frequencies)、位置文件 (positions)保存。

其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，

通过指针可以找到该关键字的频率信息和位置信息。 　　

Lucene中使用了field的概念，用于表达信息所在位置（如标题中，文章中，url中），

在建索引中，该field信息也记录在词典文件中，每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。

大概实现逻辑

　全文检索技术由来已久，绝大多数都基于倒排索引来做，曾经也有过一些其他方案如文件指纹。倒排索引，顾名思义，它相反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。

　　其中词典结构尤为重要，有很多种词典结构，各有各的优缺点，最简单如排序数组，通过二分查找来检索数据，更快的有哈希表，磁盘查找有B树、B+树，但一个能支持TB级数据的倒排索引结构需要在时间和空间上有个平衡，下图列了一些常见词典的优缺点： 

　　其中可用的有：B+树、跳跃表、FST 
　　B+树： 
　　　　　　　　　　　　　　mysql的InnoDB B+数结构 

理论基础：平衡多路查找树

优点：外存索引、可更新

缺点：空间大、速度不够快

　　跳跃表： 

优点：结构简单、跳跃间隔、级数可控，Lucene3.0之前使用的也是跳跃表结构，后换成了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。

缺点：模糊查询支持不好

　　FST 
　　Lucene现在使用的索引结构 

理论基础: 《Direct construction of minimal acyclic subsequential transducers》，通过输入有序字符串构建最小有向无环图。

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

缺点：结构复杂、输入要求有序、更新不易

Lucene里有个FST的实现，从对外接口上看，它跟Map结构很相似，有查找，有迭代：

String inputs={“abc”,”abd”,”acf”,”acg”};

//keys

long outputs={1,3,5,7};

//values

FST<Long> fst=new FST<>();

for(int i=0;i<inputs.length;i++)

{ fst.add(inputs[i],outputs[i]) }

//get

Long value=fst.get(“abd”);

//得到3 //迭代

BytesRefFSTEnum<Long> iterator=new BytesRefFSTEnum<>(fst); while(iterator.next!=null){…}

100万数据性能测试：

数据结构	HashMap	TreeMap	FST
构建时间(ms)	185	500	1512
查询所有key(ms)	106	218	890

　　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： 
　　1. 查询速度。 
　　2. 内存占用。 
　　3. 内存+磁盘结合。 
　　后面我们将解析Lucene索引结构，重点从Lucene的FST实现特点来阐述这三点。

1.3 Lucene索引实现

*（本文对Lucene的原理介绍都是基于4.10.3）*

　　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。

　　下面详细介绍各部分结构：

索引结构

Lucene现在采用的数据结构为FST，它的特点就是： 
　　1、词查找复杂度为O(len(str)) 
　　2、共享前缀、节省空间 
　　3、内存存放前缀索引、磁盘存放后缀词块 

我的理解，比如单词person，perl前缀索引可能是per,后缀块中可能是son,l等。
　　这跟我们前面说到的词典结构三要素是一致的：1. 查询速度。2. 内存占用。3. 内存+磁盘结合。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。 
　　所以它的检索过程分为三个步骤： 
　　1. 内存加载tip文件，通过FST匹配前缀找到后缀词块位置。 
　　2. 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。 
　　3. 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，那么整个构建过程如下： 

1. 插入abd时，没有输出。

2. 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。

3. 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)。

4. 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：

1. 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。

2. 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：

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： 
　　1. 数据压缩，可以看下图怎么将6个数字从原先的24bytes压缩到7bytes。 
 
　　2. 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。 
　　这部分可参考ElasticSearch的一篇博客，里面有一些性能测试： 
　　ElasticSearch 倒排表

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。 
　　所以查找文档，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。 
　　从上面分析可以看出，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。

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： 
　　1. 构建时间长。 
　　2. 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： 
　　1. 预先构建，写入文件。 
　　2. 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。 
　　
　　1. 从倒排索引中找出销售部门的倒排表。 
　　2. 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。 
　　3. 根据分组情况和年龄DocValues，计算各分组人数和平均年龄 
　　4. 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： 
　原始数据：

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。