Lucene 解析 - 基本概念

前言

Apache Lucene 是一个开源的高性能、可扩展的信息检索引擎，提供了强大的数据检索能力。Lucene 已经发展了很多年，其功能越来越强大，架构也越来越精细。它目前不仅仅能支持全文索引，也能够提供多种其他类型的索引方式，来满足不同类型的查询需求。

基于 Lucene 的开源项目有很多，最知名的要属 Elasticsearch 和 Solr，如果说 Elasticsearch 和 Solr 是一辆设计精美、性能卓越的跑车，那 Lucene 就是为其提供强大动力的引擎。为了驾驭这辆跑车让它跑的更快更稳定，我们需要对它的引擎研究透彻。

在此之前我们在专栏已经发表了多篇文章来剖析 Elasticsearch 的数据模型、读写路径、分布式架构以及 Data/Meta 一致性等问题，这篇文章之后我们会陆续发表一系列的关于 Lucene 的原理和源码解读，来全面解析 Lucene 的数据模型和数据读写路径。

Lucene 官方对自己的优势总结为几点：
Scalable, High-Performance Indexing
Powerful, Accurate and Efficient Search Algorithms
希望通过我们的系列文章，能够让读者理解 Lucene 是如何达到这些目标的。

整个分析会基于 Lucene 7.2.1 版本，在读这篇文章之前，需要有一定的知识基础，例如了解基本的搜索和索引原理，知道什么是倒排、分词、相关性等基本概念，了解 Lucene 的基本使用，例如 Directory、IndexWriter、IndexSearcher 等。

基本概念

在深入解读 Lucene 之前，先了解下 Lucene 的几个基本概念，以及这几个概念背后隐藏的一些东西。

如图是一个 Index 内的基本组成，Segment 内数据只是一个抽象表示，不代表其内部真实数据结构。

Index（索引）
类似数据库的表的概念，但是与传统表的概念会有很大的不同。传统关系型数据库或者 NoSQL 数据库的表，在创建时至少要定义表的 Scheme，定义表的主键或列等，会有一些明确定义的约束。而 Lucene 的 Index，则完全没有约束。Lucene 的 Index 可以理解为一个文档收纳箱，你可以往内部塞入新的文档，或者从里面拿出文档，但如果你要修改里面的某个文档，则必须先拿出来修改后再塞回去。这个收纳箱可以塞入各种类型的文档，文档里的内容可以任意定义，Lucene 都能对其进行索引。

Document（文档）
类似数据库内的行或者文档数据库内的文档的概念，一个 Index 内会包含多个 Document。写入 Index 的 Document 会被分配一个唯一的 ID，即 Sequence Number（更多被叫做 DocId），关于 Sequence Number 后面会再细说。

Field（字段）
一个 Document 会由一个或多个 Field 组成，Field 是 Lucene 中数据索引的最小定义单位。Lucene 提供多种不同类型的 Field，例如 StringField、TextField、LongFiled 或 NumericDocValuesField 等，Lucene 根据 Field 的类型（FieldType）来判断该数据要采用哪种类型的索引方式（Invert Index、Store Field、DocValues 或 N-dimensional 等），关于 Field 和 FieldType 后面会再细说。

Term 和 Term Dictionary
Lucene 中索引和搜索的最小单位，一个 Field 会由一个或多个 Term 组成，Term 是由 Field 经过 Analyzer（分词）产生。Term Dictionary 即 Term 词典，是根据条件查找 Term 的基本索引。

Segment
一个 Index 会由一个或多个 sub-index 构成，sub-index 被称为 Segment。Lucene 的 Segment 设计思想，与 LSM 类似但又有些不同，继承了 LSM 中数据写入的优点，但是在查询上只能提供近实时而非实时查询。

Lucene 中的数据写入会先写内存的一个 Buffer（类似 LSM 的 MemTable，但是不可读），当 Buffer 内数据到一定量后会被 flush 成一个 Segment，每个 Segment 有自己独立的索引，可独立被查询，但数据永远不能被更改。这种模式避免了随机写，数据写入都是 Batch 和 Append，能达到很高的吞吐量。Segment 中写入的文档不可被修改，但可被删除，删除的方式也不是在文件内部原地更改，而是会由另外一个文件保存需要被删除的文档的 DocID，保证数据文件不可被修改。Index 的查询需要对多个 Segment 进行查询并对结果进行合并，还需要处理被删除的文档，为了对查询进行优化，Lucene 会有策略对多个 Segment 进行合并，这点与 LSM 对 SSTable 的 Merge 类似。

Segment 在被 flush 或 commit 之前，数据保存在内存中，是不可被搜索的，这也就是为什么 Lucene 被称为提供近实时而非实时查询的原因。读了它的代码后，发现它并不是不能实现数据写入即可查，只是实现起来比较复杂。原因是 Lucene 中数据搜索依赖构建的索引（例如倒排依赖 Term Dictionary），Lucene 中对数据索引的构建会在 Segment flush 时，而非实时构建，目的是为了构建最高效索引。当然它可引入另外一套索引机制，在数据实时写入时即构建，但这套索引实现会与当前 Segment 内索引不同，需要引入额外的写入时索引以及另外一套查询机制，有一定复杂度。

Sequence Number
Sequence Number（后面统一叫 DocId）是 Lucene 中一个很重要的概念，数据库内通过主键来唯一标识一行，而 Lucene 的 Index 通过 DocId 来唯一标识一个 Doc。不过有几点要特别注意：
DocId 实际上并不在 Index 内唯一，而是 Segment 内唯一，Lucene 这么做主要是为了做写入和压缩优化。那既然在 Segment 内才唯一，又是怎么做到在 Index 级别来唯一标识一个 Doc 呢？方案很简单，Segment 之间是有顺序的，举个简单的例子，一个 Index 内有两个 Segment，每个 Segment 内分别有 100 个 Doc，在 Segment 内 DocId 都是 0-100，转换到 Index 级的 DocId，需要将第二个 Segment 的 DocId 范围转换为 100-200。
DocId 在 Segment 内唯一，取值从 0 开始递增。但不代表 DocId 取值一定是连续的，如果有 Doc 被删除，那可能会存在空洞。
一个文档对应的 DocId 可能会发生变化，主要是发生在 Segment 合并时。

Lucene 内最核心的倒排索引，本质上就是 Term 到所有包含该 Term 的文档的 DocId 列表的映射。所以 Lucene 内部在搜索的时候会是一个两阶段的查询，第一阶段是通过给定的 Term 的条件找到所有 Doc 的 DocId 列表，第二阶段是根据 DocId 查找 Doc。Lucene 提供基于 Term 的搜索功能，也提供基于 DocId 的查询功能。

DocId 采用一个从 0 开始底层的 Int32 值，是一个比较大的优化，同时体现在数据压缩和查询效率上。例如数据压缩上的 Delta 策略、ZigZag 编码，以及倒排列表上采用的 SkipList 等，这些优化后续会详述。

索引类型

Lucene 中支持丰富的字段类型，每种字段类型确定了支持的数据类型以及索引方式，目前支持的字段类型包括 LongPoint、TextField、StringField、NumericDocValuesField 等。

如图是 Lucene 中对于不同类型 Field 定义的一个基本关系，所有字段类都会继承自 Field 这个类，Field 包含 3 个重要属性：name(String)、fieldsData(BytesRef) 和 type(FieldType)。name 即字段的名称，fieldsData 即字段值，所有类型的字段的值最终都会转换为二进制字节流来表示。type 是字段类型，确定了该字段被索引的方式。
FieldType 是一个很重要的类，包含多个重要属性，这些属性的值决定了该字段被索引的方式。
Lucene 提供的多种不同类型的 Field，本质区别就两个：一是不同类型值到 fieldData 定义了不同的转换方式；二是定义了 FieldType 内不同属性不同取值的组合。这种模式下，你也能够通过自定义数据以及组合 FieldType 内索引参数来达到定制类型的目的。
要理解 Lucene 能够提供哪些索引方式，只需要理解 FieldType 内每个属性的具体含义，我们来一个一个看：
stored: 代表是否需要保存该字段，如果为 false，则 lucene 不会保存这个字段的值，而搜索结果中返回的文档只会包含保存了的字段。
tokenized: 代表是否做分词，在 lucene 中只有 TextField 这一个字段需要做分词。
termVector: 这篇文章很好的解释了 term vector 的概念，简单来说，term vector 保存了一个文档内所有的 term 的相关信息，包括 Term 值、出现次数（frequencies）以及位置（positions）等，是一个 per-document inverted index，提供了根据 docid 来查找该文档内所有 term 信息的能力。对于长度较小的字段不建议开启 term verctor，因为只需要重新做一遍分词即可拿到 term 信息，而针对长度较长或者分词代价较大的字段，则建议开启 term vector。Term vector 的用途主要有两个，一是关键词高亮，二是做文档间的相似度匹配（more-like-this）。
omitNorms: Norms 是 normalization 的缩写，lucene 允许每个文档的每个字段都存储一个 normalization factor，是和搜索时的相关性计算有关的一个系数。Norms 的存储只占一个字节，但是每个文档的每个字段都会独立存储一份，且 Norms 数据会全部加载到内存。所以若开启了 Norms，会消耗额外的存储空间和内存。但若关闭了 Norms，则无法做 index-time boosting（elasticsearch 官方建议使用 query-time boosting 来替代）以及 length normalization。
indexOptions: Lucene 提供倒排索引的 5 种可选参数（NONE、DOCS、DOCS_AND_FREQS、DOCS_AND_FREQS_AND_POSITIONS、DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS），用于选择该字段是否需要被索引，以及索引哪些内容。
docValuesType: DocValue 是 Lucene 4.0 引入的一个正向索引（docid 到 field 的一个列存），大大优化了 sorting、faceting 或 aggregation 的效率。DocValues 是一个强 schema 的存储结构，开启 DocValues 的字段必须拥有严格一致的类型，目前 Lucene 只提供 NUMERIC、BINARY、SORTED、SORTED_NUMERIC 和 SORTED_SET 五种类型。
dimension：Lucene 支持多维数据的索引，采取特殊的索引来优化对多维数据的查询，这类数据最典型的应用场景是地理位置索引，一般经纬度数据会采取这个索引方式。

来看下 Lucene 中对 StringField 的一个定义：

StringFiled 有两种类型索引定义，TYPE_NOT_STORED 和 TYPE_STORED，唯一的区别是这个 Field 是否需要 Store。从其他的几个属性也可以解读出，StringFiled 选择 omitNorms，需要进行倒排索引并且不需要被分词。

Elasticsearch 数据类型

Elasticsearch 内对用户输入文档内 Field 的索引，也是按照 Lucene 能提供的几种模式来提供。除了用户能自定义的 Field，Elasticsearch 还有自己预留的系统字段，用作一些特殊的目的。这些字段映射到 Lucene 本质上也是一个 Field，与用户自定义的 Field 无任何区别，只不过 Elasticsearch 根据这些系统字段不同的使用目的，定制有不同的索引方式。

举个例子，上图是 Elasticsearch 内两个系统字段 _version 和 _uid 的 FieldType 定义，我们来解读下它们的索引方式。Elasticsearch 通过 _uid 字段唯一标识一个文档，通过 _version 字段来记录该文档当前的版本。从这两个字段的 FieldType 定义上可以看到，_uid 字段会做倒排索引，不需要分词，需要被 Store。而 _version 字段则不需要被倒排索引，也不需要被 Store，但是需要被正排索引。很好理解，因为 _uid 需要被搜索，而 _version 不需要。但 _version 需要通过 docId 来查询，而且 Elasticsearch 内 versionMap 内需要通过 docId 做大量查询且只需要查询出 _version 字段，所以 _version 最合适的是被正排索引。

关于 Elasticsearch 内系统字段全面的解析，可以看下这篇文章。

总结

这篇文章主要介绍了 Lucene 的一些基本概念以及提供的索引类型。后续我们会有一系列文章来解析 Lucene 提供的 IndexWriter 的写入流程，其 In-Memory Buffer 的结构以及持久化后的索引文件结构，来了解 Lucene 为何能达到如此高效的数据索引性能。也会去解析 IndexSearcher 的查询流程，以及一些特殊的查询优化的数据结构，来了解为何 Lucene 能提供如此高效的搜索和查询。