Lucene 8.0关于DocValues的改进

Posted 2021-04-24 NoSQL漫谈

IndexedDISI是DocValues核心存储结构之一，主要用于存储DocValues中的DocIdSet数据，它的性能直接关乎DocValues的整体使用体验。DocIdSet是Lucene的DocID集合，它是一个有序整数集合。除了DocIdSet，IndexedDISI中还存储了DocId到Value的映射关系。

在上一篇文章《中详细介绍了DocValues的设计，而且也简单介绍了IndexedDISI。此文将展开IndexedDISI更多的细节，包括Lucene 8.0关于IndexedDISI所做的改进。

IndexedDISI设计

在一个完整的Segment中，DocID当然是有序且连续的，但由于某些文档的DocValues字段都可能存在缺省情况。当某个文档DocValues字段缺省时，在DocValues中自然也不会记录该文档的DocID了，从而造成DocIdSet可能不连续，甚至非常稀疏。

当然，即使DocIdSet的数据分布十分稀疏同样可以使用BitSet来存储（Lucene7.0之前就是这么实现的），但会非常浪费空间，也会影响读写的性能。因此开始着手优化BitSet的底层存储方式，最终Lucene借用Roaring Bitmap的思想设计了IndexedDISI（其中DISI是DocIdSetIterator的缩写）。

下面是7.0改进之后IndexedDISI的结构示意图：

通过NumOfDocs可以容易算得每个Slice的第一个Doc对应的Value在Values的位置（StartDoc），下文我们可以认为StartDoc是直接记录在Slice上的已知参数。

1. 分片规则

IndexedDISI将DocIdSet分片，让每个分片的数据的分布特征更明显，针对每个分片的分布特征进行优化。这是Roaring Bitmap的核心思想，也是一种压缩的手段。

分片的逻辑是将整型数值DocID的高16位作为分片的ID，低16位作为该DocID在分片中的第几个位置（这里暂且就叫Doc）。两部分合起来就是32位，正是一个整型数值的表示范围，也就说将一个Intger对半拆分成两个short，分别表示SliceId和Doc。

简单说，将一个整型数（DocID）一分为二，左边16个Bits表示分片编码（SliceID），右边的16个Bits表示DocID在分片里的位置（这里就用Doc表示吧）。

2. 数据分布特点

分片是为了让每个数据块的特征更明显，从而针对每个分片设计独特的存储结构。大家都知道16个Bits能表示65536个数值，即0-65535，说明每个分片最多能存储65536个DocID。Lucene按DocID最终落在同某Slice的数量，将Slice分成四种类型，分别是ALL， DENSE，SPARSE和NONE。

1. ALL : 表示该Slice中的每个Doc都存在。

2. NONE : 与ALL相反，表示整个Slice中一个Doc都没有。

3. DENSE : Slice拥有4096个文档，IndexedDISI采用BitSet来存储。

4. SPARSE : 表示Slice拥有的文档数不足4092个，IndexedDISI采用short[]作为底层存储。

ALL/NONE是特殊情况，要么都有，要么都没有，IndexedDISI针对这两种特殊的情况都没有存储对应的DocIdSet。当是ALL类型时，IndexedDISI会写一个标识表示该Slice属于ALL类型。而对于NONE而言，IndexedDISI则直接略过完全记录。

3. DocID与Value对应关系

为了能维系DocValues中DocID与Value的对应关系，Lucene的主要思想是让DocID存储在IndexedDISI的位置通过简单计算就能得到它对应Value在Values的位置index（后面都用index来表示DocID对应的Value在Values的位置）。换言之，是让DocID与Value之间有相同相对位移。

关于Numeric类型，Values与DocIdSet有相同的顺序，换言之，DocIdSet的第一个DocID对应的Value在Values的第一个位置。其它的类型则通过记录中间变量Address转化，DocIdSet的第一个DocID对应Address的第一个值是DocId对应的Value在Values的指针。所以我们可以简单的理解为DocIDSet与Values同序，DocIdSet中第n个DocID对应的Value在Values中的第n个位置。

在ALL和NONE结构是比较容易能对应的，其计算关系是index=StartDoc+Doc。而对SAPRSE/DENSE可能还有些许差别，下面将展开来讨论。

3.1 ALL/NONE

这两种类型是比较特殊的情况，因为它们都不需要记录DocID。如果是ALL仅会记录是第几个SliceID和Slice的类型（即说是明属于ALL类型）。对于NONE则完全不需要处理，直接略过。因为它们要么都存在，要么都不存在。对于全存在的情况，doc在Slice位置，也是value在Values的相对位置。当然对NONE类型来说，本身就不存在，更不存在Value了。所以两者没有，也就都不需要考虑了。

3.2 SPARSE

SPARSE类型的Slice会直接采用short[]存储Doc，因此它的下标跟Value在Values的下标相差StartDoc的距离，即通过简单的计算便能获取index。实际上跟ALL基本一样，因为它们都是紧凑数据结构，因此SPARSE类型的Slice也可以通过公式index=StartDoc+Doc计算。

3.3 DENSE

DENSE的存储结构是BitSet，它存储不连续的数据集时，BitSet也会是稀疏结构。这样，问题转变为：如何解决不连续的稀疏结构BitSet与紧凑的Values结构之间的数据对齐问题。

BitSet在逻辑上可以理解为是一个bit[]，DocIdSet表现在这个bit[]上就是将Doc作为bit[]的下标，其值置为1表示该Doc存在。所以它与Values的关系表示如下：

那么问题可以转化为如何统计Doc所有位置之前有多少个1，而1的数量便是Value在Values的相对位置。

已知BitSet的底层存储结构是long[]，每个long也称word，有64个位表示能存储64个值。通过对target除于64得到wordNum，表示target在BitSet中的long[]的下标；对target取64的模能得到docInWord，表示target在word的第几个位上。计算公式如下：

wordNum = target / 64;    
docInWord = target % 64;

遍历long数组的前wordNum个元素，统计元素含多少个值为1的位并累加，然后再减去word中第docInWord之后出现1的数目即可。

Lucene 8.0所做的改进

通过前面的介绍，对IndexedDISI已经有整体的印象了。知道IndexedDISI在跨Block查找时，需要通过遍历才能找到对应的Block；其次是在DENSE结构的查找问题，同样需要在BitSet的所有word，并将统计所有有值doc个数（即1的个数）。

LUCENE-8585是Toke提出来的，意在优化IndexedDISI的读性能的问题。这个ISSUE主要针对上面提及的两个遍历的情况进行优化，通过在索引时构建IndexedDIS的同样多建一份索引。这是典型的以空间换时间的做法，将搜索时间的下推至构建索引过程。

经LUCENE-8585改进之后IndexedDISI的结构也有比较大改进，它除了原本IndexedDISI部分数据，后面多加了JumpTable。在Slice内部也多一个RankEntry，它是在DENSE类型的Slice内部的索引。

1. Jump Table

Jump Table是一个long[]，记录每个Slice的起始位置的索引，避免在查找过程中需要遍历Slices从而加速Slice定位。Jump Table将原来Slice查找的时间杂度O(n)下降为O(1)。实际上这种做法在Lucene构建索引过程处处可见，在《一文中介绍Term's Index的时候就有类似的做法。

虽然JumpEntry只是一个原子类型long，但实际上它代表两个参数，分别是Slice的文件指针，到此前Jump/Slice共出现多少个DocID。由于long高32位表示Slice的文件指针，低32位表示DocID的个数（Lucene规则每个Segment的文档数目不能超过32位，也就一个Integer的长度）。

JumpTable是Slices的索引，但与之不同的是Slices中的Slice并不是连续，即当Slice没有DocID存在的时候（NONE类型），Slices并不记录。但是JumpTable会记录它，为的是能够通过SliceID作为JumpTable的下标，拥有访机访问的能力。

2. Rank Table

IndexedDISI提供两个功能，一是验证DocID存在与否，二是找到其值的位置（即Index）。对于验证DocID是否存在是BitSet非常擅长的，效率也极高。关于后面则有些费劲，需遍历long[]，计算Long的64位中几个1。这复杂过程就留下可优化的空间了。

Rank Table是避免DENSE结构下Index计算的时候需要遍历long[]而性能消耗而设计的结构，JumpTable是Slice的索引，而Rank Table则是在一个Slice内的索引。

我们知道DENSE类型的存储结构是BitSet，所以实际在BitSet查找的时间复杂度本来就是O(1)，并没有优化的空间。但我们前面介绍过找到DocID之后，还需要计算DocID对应Value在Values中的位置，这就是Rank Entry优化方向。

Slice拥有固定长度的BitSet，它由1024个long的数组组成，转换成bit就有65536个bits，这也是BitSet的容量。如果为BitSet的每个Bit都创建一个索引来存储其值的Index的话，需要存储的代价很高。因此Lucene是为每8个long/word创建一个索引，这是性能和存储的折中方案。

第一个RankEntry记录前8个word的所有DocID个数，也统计前8个word出现1的个数。第二个RankEntry记录前16个word的DocID个数，如此类推。为此IndexedDISI需要额外花费256个Bytes（每个RankEntry需要2个Bytes才能够表示）存储DocID的索引。可以看出来，RankEntry的实现思路与DocValues的TermsIndex有些类似。

结论

此文先详细讲解了IndexedDISI的设计，而后介绍了Lucene 8.0关于IndexedDISI的改进，主要围绕LUCENE-8585这个Issue展开。Lucene 8.0的改进，共涉及两个方面：一是给每个block加索引，二是优化稠密结构的Slice的Index计算。两者都是为了提高DocValues随机访问的性能。

关于"NoSQL漫谈"

NoSQL主要泛指一些分布式的非关系型数据存储技术，这其实是一个非常广泛的定义，可以说涉及到分布式系统技术的方方面面。随着人工智能、物联网、大数据、云计算以及区块链技术的不断普及，NoSQL技术将会发挥越来越大的价值。

更多NoSQL技术分享，敬请期待！