Solr4.8.0源码分析(10)之Lucene的索引文件(3)

Solr4.8.0源码分析(10)之Lucene的索引文件(3)

1. .si文件

　　.si文件存储了段的元数据，主要涉及SegmentInfoFormat.java和Segmentinfo.java这两个文件。由于本文介绍的Solr4.8.0，所以对应的是SegmentInfoFormat的子类Lucene46SegmentInfoFormat。

首先来看下.si文件的格式

头部(header)

版本(SegVersion)

doc个数(SegSize)

是否符合文档格式(IsCompoundFile)

Diagnostics

文件

Footer

• 头部：同Segment_N的头部结构相同，包括包含了Magic,CodecName,Version三部分
• 版本：生成segment的编码版本
• 大小:  segment索引的documents的个数
• IsCompoundFile：是否以复合文档格式存储，如果设置1则为复合文档格式
• Diagnostics：包含一些信息可以用于debug，比如Lucene版本，OS，java version，以及生成该segment生成的方式(merge，add，addindexs)等
• 文件：该段包含了哪些文件
• Footer: codec编码的结尾，包含了检验和以及检验算法ID

上文讲到Solr4.8.0使用的是Lucene46SegmentInfoFormat(说明4.6以后.si文件并未发生变化)，那么来看下Lucene46SegmentInfoFormat的内容，从下文代码中可以看出，Lucene46SegmentInfoFormat内容很简单，只包含了一个Lucene46SegmentInfoReader和Lucene46SegmentInfoWriter实例

 public class Lucene46SegmentInfoFormat extends SegmentInfoFormat {
   private final SegmentInfoReader reader = new Lucene46SegmentInfoReader();
   private final SegmentInfoWriter writer = new Lucene46SegmentInfoWriter();

   /** Sole constructor. */
   public Lucene46SegmentInfoFormat() {
   }

   @Override
   public SegmentInfoReader getSegmentInfoReader() {
     return reader;
   }

   @Override
   public SegmentInfoWriter getSegmentInfoWriter() {
     return writer;
   }

   /** File extension used to store {@link SegmentInfo}. */
   public final static String SI_EXTENSION = "si";
   static final String CODEC_NAME = "Lucene46SegmentInfo";
   static final int VERSION_START = 0;
   static final int VERSION_CHECKSUM = 1;
   static final int VERSION_CURRENT = VERSION_CHECKSUM;
 }

顾名思义，Lucene46SegmentInfoReader负责了对.si文件的读，Lucene46SegmentInfoWriter负责了对.si文件的写

  public SegmentInfo read(Directory dir, String segment, IOContext context) throws IOException {
     //获取segment的.si文件名
     final String fileName = IndexFileNames.segmentFileName(segment, "", Lucene46SegmentInfoFormat.SI_EXTENSION);
     //打开.si文件，获取文件信息，并检查检验和
     final ChecksumIndexInput input = dir.openChecksumInput(fileName, context);
     boolean success = false;
     try {
       //检查header，并返回编码版本
       int codecVersion = CodecUtil.checkHeader(input, Lucene46SegmentInfoFormat.CODEC_NAME,
                                                       Lucene46SegmentInfoFormat.VERSION_START,
                                                     Lucene46SegmentInfoFormat.VERSION_CURRENT);
       //获取版本
       final String version = input.readString();
       //获取documents个数
       final int docCount = input.readInt();
       if (docCount < 0) {
         throw new CorruptIndexException("invalid docCount: " + docCount + " (resource=" + input + ")");
       }
       //是否复合文档格式
       final boolean isCompoundFile = input.readByte() == SegmentInfo.YES;
       //获取segemnt额外的信息
       final Map<String,String> diagnostics = input.readStringStringMap();
       //获取segment包含的文件
       final Set<String> files = input.readStringSet();
       //获取Footer(检验和以及ID)
       if (codecVersion >= Lucene46SegmentInfoFormat.VERSION_CHECKSUM) {
         CodecUtil.checkFooter(input);
       } else {
         CodecUtil.checkEOF(input);
       }
       //将从.si获取到的segment信息写入SegmentInfo中
       final SegmentInfo si = new SegmentInfo(dir, version, segment, docCount, isCompoundFile, null, diagnostics);
       si.setFiles(files);

       success = true;

       return si;

     } finally {
       if (!success) {
         IOUtils.closeWhileHandlingException(input);
       } else {
         input.close();
       }
     }
   }

Lucene46SegmentInfoReader是读取.si文件并生成Segmentinfo，那么可想而知Lucene46SegmentInfoWriter是将Segmentinfo信息写入.si文件中

  public void write(Directory dir, SegmentInfo si, FieldInfos fis, IOContext ioContext) throws IOException {
     //将要生成的.si的文件名
     final String fileName = IndexFileNames.segmentFileName(si.name, "", Lucene46SegmentInfoFormat.SI_EXTENSION);
     //将.si文件加入文件列表中
     si.addFile(fileName);
     //生成.si文件
     final IndexOutput output = dir.createOutput(fileName, ioContext);

     boolean success = false;
     try {
       //写入文件头header
       CodecUtil.writeHeader(output, Lucene46SegmentInfoFormat.CODEC_NAME, Lucene46SegmentInfoFormat.VERSION_CURRENT);
       // Write the Lucene version that created this segment, since 3.1
       //写入version
       output.writeString(si.getVersion());
       //写入documents个数
       output.writeInt(si.getDocCount());
       //写入是否复合文档个数
       output.writeByte((byte) (si.getUseCompoundFile() ? SegmentInfo.YES : SegmentInfo.NO));
       //写入segment 额外的信息
       output.writeStringStringMap(si.getDiagnostics());
       //写入segment包含的文件
       output.writeStringSet(si.files());
       //写入footer 检验和以及ID
       CodecUtil.writeFooter(output);
       success = true;
     } finally {
       if (!success) {
         IOUtils.closeWhileHandlingException(output);
         si.dir.deleteFile(fileName);
       } else {
         output.close();
       }
     }
   }

在Segmentinfo有个tostring()函数，当我们将solr的日志等级设置为debug时候，它会打印出.si的信息。比如它打印出"_a(3.1):c45/4"，可以从中看出以下几个信息：

1. _a 是segment名字

2. (3.1)表示Lucene版本，如果出现?表示未知

3. c 表示复合文档格式，C表示非复合文档格式

4. 45 表示segment具有45个documents

5. 4 表示删除的documents个数

2. .fnm文件(域元数据文件)

前面讲的都是以segment为单位的，现在起开始学习segment的细分结构。首先学习的是.fnm(域元数据文件)，它存储了segment内域的相关信息。

首先学习下.fnm的文件结构：

Header,FieldsCount, <FieldName,FieldNumber, FieldBits,DocValuesBits,DocValuesGen,Attributes> ^FieldsCount,Footer

• Header： 同前文
• FieldsCount：域的个数
• <FieldName,FieldNumber, FieldBits,DocValuesBits,DocValuesGen,Attributes> ^{FieldsCount：} 包含FieldsCount个域的信息
• FieldName：域名
• FieldNumber：域的编号，不同与先前版本的域的编码是按在文件中的顺序编码，现在版本的域的编码是明确的。
• FieldBits： 一系列标志位，表明对此域的索引方式
  • 最低位：1表示此域被索引，0则不被索引。所谓被索引，也即放到倒排表中去。
    • 仅仅被索引的域才能够被搜到。
    • Field.Index.NO则表示不被索引。
    • Field.Index.ANALYZED则表示不但被索引，而且被分词，比如索引"hello world"后，无论是搜"hello"，还是搜"world"都能够被搜到。
    • Field.Index.NOT_ANALYZED表示虽然被索引，但是不分词，比如索引"hello world"后，仅当搜"hello world"时，能够搜到，搜"hello"和搜"world"都搜不到。
    • 一个域出了能够被索引，还能够被存储，仅仅被存储的域是搜索不到的，但是能通过文档号查到，多用于不想被搜索到，但是在通过其它域能够搜索到的情况下，能够随着文档号返回给用户的域。
    • Field.Store.Yes则表示存储此域，Field.Store.NO则表示不存储此域。
  • 第二最低位：1表示保存词向量，0为不保存词向量。
    • Field.TermVector.YES表示保存词向量。
    • Field.TermVector.NO表示不保存词向量。
  • 第三最低位：1表示在位置列表中保存偏移量信息。
  • 第四最低位：没用
  • 第五最低位：1表示不保存标准化因子
    • Field.Index.ANALYZED_NO_NORMS
    • Field.Index.NOT_ANALYZED_NO_NORMS
  • 第六最低位：是否保存payload
  • 第七最低位：1表示不保存词的频率以及位置信息
  • 第八最低位：不保存位置信息
• DocValuesBits：一个字节表示DocValues的类型，低4位表示DocValues类型，高4位表示标准类型
• DocValuesGen：DocValues的版本信息，如果该值为-1表示没有更新DocValues，大于0表示有更新
• Attributes： 同前文
• Footer：同前文

要了解域的元数据信息，还要了解以下几点：

• 位置(Position)和偏移量(Offset)的区别
  • 位置是基于词Term的，偏移量是基于字母或汉字的。

• 索引域(Indexed)和存储域(Stored)的区别
  • 一个域为什么会被存储(store)而不被索引(Index)呢？在一个文档中的所有信息中，有这样一部分信息，可能不想被索引从而可以搜索到，但是当这个文档由于其他的信息被搜索到时，可以同其他信息一同返回。
  • 举个例子，读研究生时，您好不容易写了一篇论文交给您的导师，您的导师却要他所第一作者而您做第二作者，然而您导师不想别人在论文系统中搜索您的名字时找到这篇论文，于是在论文系统中，把第二作者这个Field的Indexed设为false，这样别人搜索您的名字，永远不知道您写过这篇论文，只有在别人搜索您导师的名字从而找到您的文章时，在一个角落表述着第二作者是您。
• payload的使用
  • 我们知道，索引是以倒排表形式存储的，对于每一个词，都保存了包含这个词的一个链表，当然为了加快查询速度，此链表多用跳跃表进行存储。
  • Payload信息就是存储在倒排表中的，同文档号一起存放，多用于存储与每篇文档相关的一些信息。当然这部分信息也可以存储域里(stored Field)，两者从功能上基本是一样的，然而当要存储的信息很多的时候，存放在倒排表里，利用跳跃表，有利于大大提高搜索速度。
  • Payload的存储方式如下图：

• Payload主要有以下几种用法：
  • 存储每个文档都有的信息：比如有的时候，我们想给每个文档赋一个我们自己的文档号，而不是用Lucene自己的文档号。于是我们可以声明一个特殊的域(Field)"_ID"和特殊的词(Term)"_ID"，使得每篇文档都包含词"_ID"，于是在词"_ID"的倒排表里面对于每篇文档又有一项，每一项都有一个payload，于是我们可以在payload里面保存我们自己的文档号。每当我们得到一个Lucene的文档号的时候，就能从跳跃表中查找到我们自己的文档号。
  • 影响词的评分
    • 在Similarity抽象类中有函数public float scorePayload(byte [] payload, int offset, int length)  可以根据payload的值影响评分。

同.si文件相同，.fnm同样有Lucene46FieldInfosFormat(包含Lucene46SegmentInfoReader，Lucene46FieldInfosWriter)，以及FieldInfo

看下Lucene46SegmentInfoReader读取.fnm文件部分代码，Lucene46FieldInfosWriter内容差不多就不再介绍。

 public FieldInfos read(Directory directory, String segmentName, String segmentSuffix, IOContext context) throws IOException {
     //获取文件名
     final String fileName = IndexFileNames.segmentFileName(segmentName, segmentSuffix, Lucene46FieldInfosFormat.EXTENSION);
     //读取.fnm文件并检查检验和
     ChecksumIndexInput input = directory.openChecksumInput(fileName, context);

     boolean success = false;
     try {
       //header信息
       int codecVersion = CodecUtil.checkHeader(input, Lucene46FieldInfosFormat.CODEC_NAME,
                                                       Lucene46FieldInfosFormat.FORMAT_START,
                                                       Lucene46FieldInfosFormat.FORMAT_CURRENT);
       //域数量
       final int size = input.readVInt(); //read in the size
       FieldInfo infos[] = new FieldInfo[size];

       for (int i = 0; i < size; i++) {
         //域名
         String name = input.readString();
         //域编码
         final int fieldNumber = input.readVInt();
         //获取FieldBits 域的所有方式
         byte bits = input.readByte();
         //是否索引  &00000001
         boolean isIndexed = (bits & Lucene46FieldInfosFormat.IS_INDEXED) != 0;
         //是否保存字段的向量 &00000010
         boolean storeTermVector = (bits & Lucene46FieldInfosFormat.STORE_TERMVECTOR) != 0;
         //是否保存标准化因子 &00010000
         boolean omitNorms = (bits & Lucene46FieldInfosFormat.OMIT_NORMS) != 0;
         //是否保存playload  &00100000
         boolean storePayloads = (bits & Lucene46FieldInfosFormat.STORE_PAYLOADS) != 0;
         final IndexOptions indexOptions;
         if (!isIndexed) {
           indexOptions = null;
           //不保存字段的频率以及位置信息 &01000000
         } else if ((bits & Lucene46FieldInfosFormat.OMIT_TERM_FREQ_AND_POSITIONS) != 0) {
           //只有当域是可以被索引时，该值才能设1，
           indexOptions = IndexOptions.DOCS_ONLY;
           //不保存位置信息，&10000000
         } else if ((bits & Lucene46FieldInfosFormat.OMIT_POSITIONS) != 0) {
           //索引文档以及字段频率，禁止位置信息
           indexOptions = IndexOptions.DOCS_AND_FREQS;
           //是否在位置列表中保存偏移量信息
         } else if ((bits & Lucene46FieldInfosFormat.STORE_OFFSETS_IN_POSTINGS) != 0) {
           //索引文档，频率，位置以及偏移信息
           indexOptions = IndexOptions.DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS;
         } else {
           //索引文档，频率以及位置信息。这是全文检索的默认情况，支持评分以及位置查询
           indexOptions = IndexOptions.DOCS_AND_FREQS_AND_POSITIONS;
         }

         // DV Types are packed in one byte
         //获取DocValuesBits
         byte val = input.readByte();
         //低4位表示DocValues类型
         final DocValuesType docValuesType = getDocValuesType(input, (byte) (val & 0x0F));
         //高4位表示标准类型
         final DocValuesType normsType = getDocValuesType(input, (byte) ((val >>> 4) & 0x0F));
         //DocValues的版本代号
         final long dvGen = input.readLong();
         final Map<String,String> attributes = input.readStringStringMap();
         //将读取的域信息存在FiledInfo里面
         infos[i] = new FieldInfo(name, isIndexed, fieldNumber, storeTermVector,
           omitNorms, storePayloads, indexOptions, docValuesType, normsType, Collections.unmodifiableMap(attributes));
         infos[i].setDocValuesGen(dvGen);
       }
       //添加Footer
       if (codecVersion >= Lucene46FieldInfosFormat.FORMAT_CHECKSUM) {
         CodecUtil.checkFooter(input);
       } else {
         CodecUtil.checkEOF(input);
       }
       FieldInfos fieldInfos = new FieldInfos(infos);//将所有的域信息存放到FieldInfos里面
       success = true;
       return fieldInfos;
     } finally {
       if (success) {
         input.close();
       } else {
         IOUtils.closeWhileHandlingException(input);
       }
     }
   }

   private static DocValuesType getDocValuesType(IndexInput input, byte b) throws IOException {
     if (b == 0) {
       return null;
     } else if (b == 1) {
       return DocValuesType.NUMERIC; //每一个document都是数字类型。
     } else if (b == 2) {
       return DocValuesType.BINARY;  //每一个document都是byte[]类型。值可能大于32766bytes，根据codec不同最大值不同。
     } else if (b == 3) {
       return DocValuesType.SORTED;  //该byte[]类型，存放按前缀后缀规则，所有值进行排序，只存放不同的那部分，值小于32766bytes
     } else if (b == 4) {
       return DocValuesType.SORTED_SET;//set<byte[]>类型
     } else {
       throw new CorruptIndexException("invalid docvalues byte: " + b + " (resource=" + input + ")");
     }
   }

尽管上述的代码比较简单，但是具体的对DocValue的概念仍然不是在熟悉，所以去找了下关于DocValue的一些信息

3. DocValue

说实话，公司的项目中并未用到DocValue这个东西，之前只知道有这个配置项在Schema.xml里面，并未引起关注，直到现在源码上看到这个东西才想去学习下。DocValue是Solr4.2加入的特性，那么为什么要DocValue？

3.1 Solr中的使用

Solr标准的索引方式是反向索引，它将所有在Document里找到的term放到一起组成一个链表，而每一个term后面又跟着一个term出现过的document的链表以及出现过的次数。在上面的图中显示其原理。这是查询非常迅速，当用户查询某一个term时，已经有准备好的term到document的映射表了。

但是当涉及到sorting(排序), faceting(面搜索), and highlighting(以及高亮)逆向索引就变得不是那么高效了。比如faceting查询，首先得找出每一个document中出现的每一个term，然后使得每一个docID进行排序然后放入faceting list里面。对于Solr来说，这些是在内存中进行的，当document以及term多的时候，就会变得比较慢。

因此在Lucene4.2里引入了DocValue，它是行导向的结构，在建索引的时候形成document到term的映射，它使得aceting, sorting, and grouping 查询更加快速。

要使用它得在schema.xml上设置：

<field name="manu_exact" type="string" indexed="false" stored="false" docValues="true" />

DocValue只对一些特定的类型有效，比如：

• StrField这种String类型
  • 如果field类型是single-valued(也就是multi-valued是false)，Lucene就会使用SORTED类型
  • 如果filed类型是multi-valued，Lucene就会使用SORTED_SET类型
• Trie* fields 类型
  • 如果field类型是single-valued(也就是multi-valued是false)，Lucene就会使用NUMERIC类型
  • 如果filed类型是multi-valued，Lucene就会使用SORTED_SET类型

DocValue具有以下优点以及缺点

• 近实时索引：在每一个索引段里面都会有一个docvalues数据结构，这个结构与索引同时建立，并且能够快速更新、生效；
• 基本的查询和过滤支持：你可以做基本的词、范围等基本查询，但是不参与评分，并且速度较慢，如果你对速度和评分排序有要求，你可以讲该字段设置为（indexed=”true”）
• 更好的压缩比: Docvalues fields 的压缩效果比 fieldcache好，但不强调做到极致。
• 节约内存：你可以定义一个fieldType的 docValuesFormat (docValuesFormat="Disk")，这样的只有一小部分数据加载到内存，其它部分保留在磁盘上。
• 对于静态存储的数据查询提升不明显

3.2 DocValue原理

Lucene有四个基础字段类型可以使用docvalues。目前Solr使用了其中三种:

• NUMERIC：每一个文档里面只有一个这样类型的单值字段。这就像在整个索引里有一个很大的long[]，数据基于实际使用的值经过压缩的。

例如，假设有3个这样的文档：
doc[0] = 1005
doc[1] = 1006
doc[2] = 1005

在这个例子中，每个文档仅需要一个bit。

• SORTED：每一个文档里面有一个这样类型的单值字段。这就像在整个索引里有一个很大的String[]， 但用的是不同的寻址方式。.每一个唯一的value被赋予一个数字代表其顺序。所以每个文档只是记录一个压缩后的整数，有字典来还原他们原来的词。

例如，假设有3个这样的文档：
doc[0] = “aardvark”
doc[1] = “beaver”
doc[2] = “aardvark”

值 “aardvark” 被映射成0，”beaver”映射成1, 建立两个数据结构如下：
doc[0] = 0
doc[1] = 1
doc[2] = 0

term[0] = “aardvark”
term[1] = “beaver”

• SORTED_SET: 每个文档里面有一个string类型的多值字段。这个和SORTED类型比较相似，每个文档有一个value的”set”。(按照递增存储)。 这里刻意的去除了重复的value，并且忽略了原有value的排序。

例如，假设有3个这样的文档：
doc[0] = “cat”, “aardvark”, “beaver”, “aardvark”
doc[1] =
doc[2] = “cat”

值 “aardvark” 被映射成0，”beaver”映射成1, “cat”映射成2，建立两个数据结构如下：

doc[0] = [0, 1, 2]
doc[1] = []
doc[2] = [2]

term[0] = “aardvark”
term[1] = “beaver”
term[2] = “cat”

• BINARY: 每个文档存在一个 byte[] array。这个编码及数据结构可以由用户自定义。