ElasticSearch系列之索引机制学习笔记

Posted 2022-05-16 smileNicky

前言

在上一章的学习，我们对ElasticSearch有了比较清晰的理解，然后本博客继续学习ES中比较重要的核心原理和具体实现。相对于mysql的索引机制，大部分是基于B+树的，需要我们进行手动创建索引，但是ES的索引是不需要手动创建的，默认是自动创建索引的。所以学习ES的倒排索引可以和MySQL的索引做一个对比，进行学习，思考一下为什么ES的倒排索引可以达到近实时（NRT）的查询效率

知识点

• 知道ES的倒排索引具体实现？
• 什么是FST和作用？
• 索引帧Frame Of Reference的实现原理
• Roaring Bitmaps 咆哮位图的作用

1、什么是倒排索引？

ES的宗旨就是“一切为了查询”，ES查询之所以快，其实就是主要因为index，也就是Inverted index，翻译过来过来是“倒排索引”。所以倒排索引是怎么样的？举个例子，有如下的数据需要进行保存

ID	Name	Sex	Job
1	Tom	Man	driver
2	Jack	Man	driver
3	Alice	Female	actor

Name:

Term	Posting List
Tom	1
Jack	2
Alice	3

Sex:

Term	Posting List
Man	[1,2]
Female	3

Job:

Term	Posting List
driver	[1,2]
actor	3

• Posting List（倒排表）
  ES会为每一个Field建立一个倒排索引。会对document数据进行分词，tom、man、driver这些叫term（分类索引），而[1,2]是Posting List（倒排表），Posting List存储了所有符合某个term的文档id。比如要查找job为driver的人员信息，马上就可以得出有ID为1和2的人员信息。但是如果有上千万数据，而且要通过name查找？

• Term Dictionary（词典）
  为了通过上述所说的通过name查找的情况，ES会将所有term排个序，然后通过二分法查找term，所以查找效率是log(N)，这种查找就像通过字典查找一样，这就是Term Dictionary。不过熟悉B/B+树的会知道,这好像和传统B/B+树的方式是一样的，MySQL的大部分索引也是直接用B+树建立索引词典指向被索引的数据

• Term Index（词典索引）
  相对于B/B+树的查找来说，ES的查询性能更进一步，ES希望将这个词典搬到内存中，当然直接将词典数据直接搬到内存也是不合理的，如果有大量的数据，内存估计都不够用。ES是通过一种建立词典索引(Term Index)的方式，只将占用空间比较小的词典索引放在内存就像，这个词典索引一般只保存词典的前缀或者后缀和对应关系，所以现在的关系可以用图表示：
  

• B树是通过减少磁盘的寻道次数提高查询性能；
• B+树是尽量将随机读变成顺序读提高查询性能；
• ES更进一步，在倒排表和二分查找的基础上，在将词典索引搬到内存查找，所以查询效率会更快点

然后term index是怎么生成的？ES通过有穷状态转换器，简称FST技术生成Term Index，放到内存

2、Finite State Transducers(FST)

Finite State Transducers，简称FST，通常中文翻译为有穷状态转换器或者有限状态传感器
FSTs are finite-state machines that map a term (byte sequence) to an arbitrary output.
FST是一项将一个字节序列映射到block块的技术

假设有单词序列mop、moth、pop、star、stop和top，要映射到编号0…5，最简单的方法是定义一个Map<String,Integer>就可以，但是从内存占用少的角度考虑，有什么更好的方法，答案就是FST。

有排序好的单词mop、moth、pop、star、stop和top以及他们的顺序编号0,…,5,就可以生成如下的状态转换图：

遍历上面每一条边，比如输入pop的时候会经过p/2、o、p，相加得到的排序是2；而对于mop，得到的排序结果是0。

这棵树只保存term的前缀，通过这个前缀就可以找到磁盘对应的block，然后再通过block去找倒排表Posting List。为了压缩词典空间，比如mop和moth两个term，在都是以mo开头的block，那么在对应的词典里只会保存p和th，这样空间利用率提高了很多。FST有穷状态转换器可以节省很多内存空间，但是在查询时候需要更多的CPU资源。

维基百科的索引就是使用的FST，只使用了69MB的空间，只要花大约8秒钟，就为接近一千万个词条建立了索引，使用的堆空间不到256MB

通过FST，可以将词典索引放在内存中，并且占用很小的空间，通过词典索引就可以找到倒排表Posting List。但是还有一个问题，就是这些文档ID是会放在倒排表Posting List里的，如果有一亿个文档，每个文档10个字段，保存这个Posting List就需要花费10亿个integer的空间，磁盘占用也是比较大，所以ES采用了另外一种巧妙的方法来处理，这种技术是Frame of Reference

3、Frame of Reference

针对前面所说的文档ID占用太多磁盘空间，ES采用了一种压缩算法：Frame of Reference，可以翻译为“索引帧”

ES根据这种算法，会对倒排表Posting List的文档进行delta-encoding（可以翻译为增量编码），然后分配为多个block，每个block正好包含256个文档，然后计算每一个block里面的数据最多需要占用多少位来保存这个文档ID，并将这个位数作为头信息放在每一个block前面，这个技术叫索引帧（Frame of Reference）

图来自https://www.elastic.co/cn/blog/frame-of-reference-and-roaring-bitmaps，这里进行中文翻译，注意，图例，假设每个block只有3个文件而不是256，实际情况应该是256的，这里还会进行增量编码，比如73+227=300 ,300+2=302，所以增量编码只会存储增量的值

这种压缩算法的原理是通过增量算法(delta-encoding)，将原来的大数变成小数，仅存储增量值，再分为多个block，计算最多需要多少位（比如前面的图例327需要二进制的11111111，也是十进制的256，要8位才能存储），将计算总的，需要多少字节，加上header存的1位，转为字节存储，而不是用int(4个字节)存储，仅仅6个值就用了24字节

在返回结果的时候，其实也并不需要把所有的数据直接解压然后全部返回，可以直接返回一个迭代器iterator，直接通过迭代器的next方法逐一取出压缩的文档ID，通过这种方法极大的节省计算和内存开销

ES使用索引帧可以极大地节省posting list占用的磁盘空间和内存开销，同时ES为了提高filter过滤器查询的性能，也使用了缓存的方法，比如Roaring Bitmaps，可以翻译为咆哮位图

4、Roaring Bitmaps

ES使用Roaring Bitmaps缓存使用频率比较高的Filter查询， 原理是生成(fitler, segment数据空间)和ID列表的映射。

Roaring Bitmaps是由int数组和bitmap这两个数据结构改良过的成果，因为int数组速度虽然快，但是空间占用比较多；bitmap相对来说占用空间比较小，但是不管多少文档都需要12.5Mb的空间，即使只有一个文件也要

1. Roaring Bitmaps根据每个id的高16位分配id到对应的block里面，比如第一个block里面id应
   该都是在0到65535之间，第二个block的id在65536和131071之间，以此类推
2. 然后对每一个block里面的数据，根据id数据选择short数组或者bitmap存储
   • 如果数量小于4096，就用short数组存储
   • 如果数量大于等于4096，就用bitmap保存

图来自https://www.elastic.co/cn/blog/frame-of-reference-and-roaring-bitmaps，这里进行中文翻译

5、倒排索引怎么做联合索引？

前面介绍的都是单个field的索引，如果是多个field索引的联合查询，倒排索引如何快速查询？

• 利用跳表(Skip List)的数据结构快速做“与”运算
• 利用bitset这种数据结构按位“与”运算

如图，跳表的数据结构：有一个有序链表Level0，挑出其中几个元素到level1和level2，每一个level越往上，选出来的指针元素就越少，查找时候从高level往低查找。比如查找45，先找到level2的25，然后往下查找到45，查找效率和level2相当，但是也是利用了一定的空间冗余来实现的

假如有下面的Posting List需要联合索引，如果使用跳表，对最短的Posting List中的每一个id，逐个在另外两个Posting list中查找看是否存在，最后得到交集的结果；
如果使用bitset，bitset是基于bitmap的，直接按位与，得到的结果就是最后的交集

6、ES索引使用注意事项

• ES默认是自动建索引的，不需要索引的字段，要明确定义出来
• 同样，对于string类型默认是会进行analysis（分词）的，不需要analysis的需要定义出来
• 文档的ID需要选择有规律的ID，随机性太大，比如UUID不利于查询

7、总结和思考

• ES之所以查询很快，主要是依赖于倒排索引的设计，尽量将数据放在内存，加上各种压缩算法和缓存算法。
• 由于索引数据量很大，不能直接将数据丢在内存，所以通过构建有序状态转换器FST放在内存中。
• 为了避免Posting List大量的文档ID占用太多磁盘空间，ES使用了索引帧（Frame of Reference）技术压缩posting list。
• ES还采用了Roaring Bitmap技术来缓存使用频率比较高的Filter搜索结果

8、参考资料

• https://www.elastic.co/cn/blog/frame-of-reference-and-roaring-bitmaps
• https://zhuanlan.zhihu.com/p/137574234