Lucene学习总结之四:Lucene索引过程分析(1)

对于Lucene的索引过程,除了将词(Term)写入倒排表并最终写入Lucene的索引文件外,还包括分词(Analyzer)和合并段(merge segments)的过程,本次不包括这两部分,将在以后的文章中进行分析。

Lucene的索引过程,很多的博客,文章都有介绍,推荐大家上网搜一篇文章:《Annotated Lucene》,好像中文名称叫《Lucene源码剖析》是很不错的。

想要真正了解Lucene索引文件过程,最好的办法是跟进代码调试,对着文章看代码,这样不但能够最详细准确的掌握索引过程(描述都是有偏差的,而代码是不会骗你的),而且还能够学习Lucene的一些优秀的实现,能够在以后的工作中为我所用,毕竟Lucene是比较优秀的开源项目之一。

由于Lucene已经升级到3.0.0了,本索引过程为Lucene 3.0.0的索引过程。

一、索引过程体系结构

Lucene 3.0的搜索要经历一个十分复杂的过程,各种信息分散在不同的对象中分析,处理,写入,为了支持多线程,每个线程都创建了一系列类似结构的对象集,为了提高效率,要复用一些对象集,这使得索引过程更加复杂。

其实索引过程,就是经历下图中所示的索引链的过程,索引链中的每个节点,负责索引文档的不同部分的信息 ,当经历完所有的索引链的时候,文档就处理完毕了。最初的索引链,我们称之基本索引链

为了支持多线程,使得多个线程能够并发处理文档,因而每个线程都要建立自己的索引链体系,使得每个线程能够独立工作,在基本索引链基础上建立起来的每个线程独立的索引链体系,我们称之线程索引链。线程索引链的每个节点是由基本索引链中的相应的节点调用函数addThreads创建的。

为了提高效率,考虑到对相同域的处理有相似的过程,应用的缓存也大致相当,因而不必每个线程在处理每一篇文档的时候都重新创建一系列对象,而是复用这些对象。所以对每个域也建立了自己的索引链体系,我们称之域索引链。域索引链的每个节点是由线程索引链中的相应的节点调用addFields创建的。

当完成对文档的处理后,各部分信息都要写到索引文件中,写入索引文件的过程是同步的,不是多线程的,也是沿着基本索引链将各部分信息依次写入索引文件的。

下面详细分析这一过程。

indexchaindetail 

二、详细索引过程

1、创建IndexWriter对象

代码:

IndexWriter writer = new IndexWriter(FSDirectory.open(INDEX_DIR), new StandardAnalyzer(Version.LUCENE_CURRENT), true, IndexWriter.MaxFieldLength.LIMITED);

IndexWriter对象主要包含以下几方面的信息:

  • 用于索引文档
    • Directory directory;  指向索引文件夹
    • Analyzer analyzer;    分词器
    • Similarity similarity = Similarity.getDefault(); 影响打分的标准化因子(normalization factor)部分,对文档的打分分两个部分,一部分是索引阶段计算的,与查询语句无关,一部分是搜索阶段计算的,与查询语句相关。
    • SegmentInfos segmentInfos = new SegmentInfos(); 保存段信息,大家会发现,和segments_N中的信息几乎一一对应。
    • IndexFileDeleter deleter; 此对象不是用来删除文档的,而是用来管理索引文件的。
    • Lock writeLock; 每一个索引文件夹只能打开一个IndexWriter,所以需要锁。
    • Set<SegmentInfo> segmentsToOptimize = new HashSet<SegmentInfo>(); 保存正在最优化(optimize)的段信息。当调用optimize的时候,当前所有的段信息加入此Set,此后新生成的段并不参与此次最优化。
  • 用于合并段,在合并段的文章中将详细描述
    • SegmentInfos localRollbackSegmentInfos;
    • HashSet<SegmentInfo> mergingSegments = new HashSet<SegmentInfo>();
    • MergePolicy mergePolicy = new LogByteSizeMergePolicy(this);
    • MergeScheduler mergeScheduler = new ConcurrentMergeScheduler();
    • LinkedList<MergePolicy.OneMerge> pendingMerges = new LinkedList<MergePolicy.OneMerge>();
    • Set<MergePolicy.OneMerge> runningMerges = new HashSet<MergePolicy.OneMerge>();
    • List<MergePolicy.OneMerge> mergeExceptions = new ArrayList<MergePolicy.OneMerge>();
    • long mergeGen;
  • 为保持索引完整性,一致性和事务性
    • SegmentInfos rollbackSegmentInfos; 当IndexWriter对索引进行了添加,删除文档操作后,可以调用commit将修改提交到文件中去,也可以调用rollback取消从上次commit到此时的修改。
    • SegmentInfos localRollbackSegmentInfos; 此段信息主要用于将其他的索引文件夹合并到此索引文件夹的时候,为防止合并到一半出错可回滚所保存的原来的段信息。 
  • 一些配置
    • long writeLockTimeout; 获得锁的时间超时。当超时的时候,说明此索引文件夹已经被另一个IndexWriter打开了。
    • int termIndexInterval; 同tii和tis文件中的indexInterval。

 

有关SegmentInfos对象所保存的信息:

  • 当索引文件夹如下的时候,SegmentInfos对象如下表

image

segmentInfos    SegmentInfos  (id=37)   
    capacityIncrement    0   
    counter    3   
    elementCount    3   
    elementData    Object[10]  (id=68)   
        [0]    SegmentInfo  (id=166)   
            delCount    0   
            delGen    -1   
            diagnostics    HashMap<K,V>  (id=170)   
            dir    SimpleFSDirectory  (id=171)   
            docCount    2   
            docStoreIsCompoundFile    false   
            docStoreOffset    -1   
            docStoreSegment    null   
            files    ArrayList<E>  (id=173)   
            hasProx    true   
            hasSingleNormFile    true   
            isCompoundFile    1   
            name    "_0"   
            normGen    null   
            preLockless    false   
            sizeInBytes    635   
        [1]    SegmentInfo  (id=168)   
            delCount    0   
            delGen    -1   
            diagnostics    HashMap<K,V>  (id=177)   
            dir    SimpleFSDirectory  (id=171)   
            docCount    2   
            docStoreIsCompoundFile    false   
            docStoreOffset    -1   
            docStoreSegment    null   
            files    ArrayList<E>  (id=178)   
            hasProx    true   
            hasSingleNormFile    true   
            isCompoundFile    1   
            name    "_1"   
            normGen    null   
            preLockless    false   
            sizeInBytes    635   
        [2]    SegmentInfo  (id=169)   
            delCount    0   
            delGen    -1   
            diagnostics    HashMap<K,V>  (id=180)   
            dir    SimpleFSDirectory  (id=171)   
            docCount    2   
            docStoreIsCompoundFile    false   
            docStoreOffset    -1   
            docStoreSegment    null   
            files    ArrayList<E>  (id=214)   
            hasProx    true   
            hasSingleNormFile    true   
            isCompoundFile    1   
            name    "_2"   
            normGen    null   
            preLockless    false   
            sizeInBytes    635    
    generation    4   
    lastGeneration    4   
    modCount    3   
    pendingSegnOutput    null   
    userData    HashMap<K,V>  (id=146)   
    version    1263044890832   

有关IndexFileDeleter:

  • 其不是用来删除文档的,而是用来管理索引文件的。
  • 在对文档的添加,删除,对段的合并的处理过程中,会生成很多新的文件,并需要删除老的文件,因而需要管理。
  • 然而要被删除的文件又可能在被用,因而要保存一个引用计数,仅仅当引用计数为零的时候,才执行删除。
  • 下面这个例子能很好的说明IndexFileDeleter如何对文件引用计数并进行添加和删除的。

(1) 创建IndexWriter时   

IndexWriter writer = new IndexWriter(FSDirectory.open(indexDir), new StandardAnalyzer(Version.LUCENE_CURRENT), true, IndexWriter.MaxFieldLength.LIMITED);
writer.setMergeFactor(3);

索引文件夹如下:

image

引用计数如下:

refCounts    HashMap<K,V>  (id=101)    
    size    1   
    table    HashMap$Entry<K,V>[16]  (id=105)    
        [8]    HashMap$Entry<K,V>  (id=110)    
            key    "segments_1"    
            value    IndexFileDeleter$RefCount  (id=38)   
                count    1   

(2) 添加第一个段时

indexDocs(writer, docDir);
writer.commit();

首先生成的不是compound文件

image

因而引用计数如下:

refCounts    HashMap<K,V>  (id=101)    
    size    9   
    table    HashMap$Entry<K,V>[16]  (id=105)    
        [1]    HashMap$Entry<K,V>  (id=129)    
            key    "_0.tis"    
            value    IndexFileDeleter$RefCount  (id=138)   
                count    1    
        [3]    HashMap$Entry<K,V>  (id=130)    
            key    "_0.fnm"    
            value    IndexFileDeleter$RefCount  (id=141)   
                count    1    
        [4]    HashMap$Entry<K,V>  (id=134)    
            key    "_0.tii"    
            value    IndexFileDeleter$RefCount  (id=142)   
                count    1    
        [8]    HashMap$Entry<K,V>  (id=135)    
            key    "_0.frq"    
            value    IndexFileDeleter$RefCount  (id=143)   
                count    1    
        [10]    HashMap$Entry<K,V>  (id=136)    
            key    "_0.fdx"    
            value    IndexFileDeleter$RefCount  (id=144)   
                count    1    
        [13]    HashMap$Entry<K,V>  (id=139)    
            key    "_0.prx"    
            value    IndexFileDeleter$RefCount  (id=145)   
                count    1    
        [14]    HashMap$Entry<K,V>  (id=140)    
            key    "_0.fdt"    
            value    IndexFileDeleter$RefCount  (id=146)   
                count    1    

然后会合并成compound文件,并加入引用计数

image

refCounts    HashMap<K,V>  (id=101)    
    size    10   
    table    HashMap$Entry<K,V>[16]  (id=105)    
        [1]    HashMap$Entry<K,V>  (id=129)    
            key    "_0.tis"    
            value    IndexFileDeleter$RefCount  (id=138)   
                count    1    
        [2]    HashMap$Entry<K,V>  (id=154)    
            key    "_0.cfs"    
            value    IndexFileDeleter$RefCount  (id=155)   
                count    1
    
        [3]    HashMap$Entry<K,V>  (id=130)    
            key    "_0.fnm"    
            value    IndexFileDeleter$RefCount  (id=141)   
                count    1    
        [4]    HashMap$Entry<K,V>  (id=134)    
            key    "_0.tii"    
            value    IndexFileDeleter$RefCount  (id=142)   
                count    1    
        [8]    HashMap$Entry<K,V>  (id=135)    
            key    "_0.frq"    
            value    IndexFileDeleter$RefCount  (id=143)   
                count    1    
        [10]    HashMap$Entry<K,V>  (id=136)    
            key    "_0.fdx"    
            value    IndexFileDeleter$RefCount  (id=144)   
                count    1    
        [13]    HashMap$Entry<K,V>  (id=139)    
            key    "_0.prx"    
            value    IndexFileDeleter$RefCount  (id=145)   
                count    1    
        [14]    HashMap$Entry<K,V>  (id=140)    
            key    "_0.fdt"    
            value    IndexFileDeleter$RefCount  (id=146)   
                count    1    

然后会用IndexFileDeleter.decRef()来删除[_0.nrm, _0.tis, _0.fnm, _0.tii, _0.frq, _0.fdx, _0.prx, _0.fdt]文件

image

refCounts    HashMap<K,V>  (id=101)    
    size    2   
    table    HashMap$Entry<K,V>[16]  (id=105)    
        [2]    HashMap$Entry<K,V>  (id=154)    
            key    "_0.cfs"    
            value    IndexFileDeleter$RefCount  (id=155)   
                count    1    
        [8]    HashMap$Entry<K,V>  (id=110)    
            key    "segments_1"    
            value    IndexFileDeleter$RefCount  (id=38)   
                count    1   

然后为建立新的segments_2

image

refCounts    HashMap<K,V>  (id=77)    
    size    3   
    table    HashMap$Entry<K,V>[16]  (id=84)    
        [2]    HashMap$Entry<K,V>  (id=87)    
            key    "_0.cfs"    
            value    IndexFileDeleter$RefCount  (id=91)   
                count    3    
        [8]    HashMap$Entry<K,V>  (id=89)    
            key    "segments_1"    
            value    IndexFileDeleter$RefCount  (id=62)   
                count    0    
        [9]    HashMap$Entry<K,V>  (id=90)    
            key    "segments_2"   
            next    null   
            value    IndexFileDeleter$RefCount  (id=93)   
                count    1    

然后IndexFileDeleter.decRef() 删除segments_1文件

image

refCounts    HashMap<K,V>  (id=77)    
    size    2   
    table    HashMap$Entry<K,V>[16]  (id=84)    
        [2]    HashMap$Entry<K,V>  (id=87)    
            key    "_0.cfs"    
            value    IndexFileDeleter$RefCount  (id=91)   
                count    2    
        [9]    HashMap$Entry<K,V>  (id=90)    
            key    "segments_2"    
            value    IndexFileDeleter$RefCount  (id=93)   
                count    1    

(3) 添加第二个段

indexDocs(writer, docDir);
writer.commit();

image 

(4) 添加第三个段,由于MergeFactor为3,则会进行一次段合并。

indexDocs(writer, docDir);
writer.commit();

首先和其他的段一样,生成_2.cfs以及segments_4

image

同时创建了一个线程来进行背后进行段合并(ConcurrentMergeScheduler$MergeThread.run())

image

这时候的引用计数如下

refCounts    HashMap<K,V>  (id=84)    
    size    5   
    table    HashMap$Entry<K,V>[16]  (id=98)    
        [2]    HashMap$Entry<K,V>  (id=112)    
            key    "_0.cfs"    
            value    IndexFileDeleter$RefCount  (id=117)   
                count    1    
        [4]    HashMap$Entry<K,V>  (id=113)    
            key    "_3.cfs"    
            value    IndexFileDeleter$RefCount  (id=118)   
                count    1    
        [12]    HashMap$Entry<K,V>  (id=114)    
            key    "_1.cfs"    
            value    IndexFileDeleter$RefCount  (id=119)   
                count    1    
        [13]    HashMap$Entry<K,V>  (id=115)    
            key    "_2.cfs"    
            value    IndexFileDeleter$RefCount  (id=120)   
                count    1    
        [15]    HashMap$Entry<K,V>  (id=116)    
            key    "segments_4"    
            value    IndexFileDeleter$RefCount  (id=121)   
                count    1   

(5) 关闭writer

writer.close();

通过IndexFileDeleter.decRef()删除被合并的段

image

有关SimpleFSLock进行JVM之间的同步:

  • 有时候,我们写java程序的时候,也需要不同的JVM之间进行同步,来保护一个整个系统中唯一的资源。
  • 如果唯一的资源仅仅在一个进程中,则可以使用线程同步的机制
  • 然而如果唯一的资源要被多个进程进行访问,则需要进程间同步的机制,无论是Windows和Linux在操作系统层面都有很多的进程间同步的机制。
  • 但进程间的同步却不是Java的特长,Lucene的SimpleFSLock给我们提供了一种方式。
Lock的抽象类

public abstract class Lock {

  public static long LOCK_POLL_INTERVAL = 1000;

  public static final long LOCK_OBTAIN_WAIT_FOREVER = -1;

  public abstract boolean obtain() throws IOException;

  public boolean obtain(long lockWaitTimeout) throws LockObtainFailedException, IOException {

    boolean locked = obtain();

    if (lockWaitTimeout < 0 && lockWaitTimeout != LOCK_OBTAIN_WAIT_FOREVER)
      throw new IllegalArgumentException("...");

    long maxSleepCount = lockWaitTimeout / LOCK_POLL_INTERVAL;

    long sleepCount = 0;

    while (!locked) {

      if (lockWaitTimeout != LOCK_OBTAIN_WAIT_FOREVER && sleepCount++ >= maxSleepCount) {
        throw new LockObtainFailedException("Lock obtain timed out.");
      }
      try {
        Thread.sleep(LOCK_POLL_INTERVAL);
      } catch (InterruptedException ie) {
        throw new ThreadInterruptedException(ie);
      }
      locked = obtain();
    }
    return locked;
  }

  public abstract void release() throws IOException;

  public abstract boolean isLocked() throws IOException;

}

LockFactory的抽象类

public abstract class LockFactory {

  public abstract Lock makeLock(String lockName);

  abstract public void clearLock(String lockName) throws IOException;
}

SimpleFSLock的实现类

class SimpleFSLock extends Lock {

  File lockFile;
  File lockDir;

  public SimpleFSLock(File lockDir, String lockFileName) {
    this.lockDir = lockDir;
    lockFile = new File(lockDir, lockFileName);
  }

  @Override
  public boolean obtain() throws IOException {

    if (!lockDir.exists()) {

      if (!lockDir.mkdirs())
        throw new IOException("Cannot create directory: " + lockDir.getAbsolutePath());

    } else if (!lockDir.isDirectory()) {

      throw new IOException("Found regular file where directory expected: " + lockDir.getAbsolutePath());
    }

    return lockFile.createNewFile();

  }

  @Override
  public void release() throws LockReleaseFailedException {

    if (lockFile.exists() && !lockFile.delete())
      throw new LockReleaseFailedException("failed to delete " + lockFile);

  }

  @Override
  public boolean isLocked() {

    return lockFile.exists();

  }

}

SimpleFSLockFactory的实现类

public class SimpleFSLockFactory extends FSLockFactory {

  public SimpleFSLockFactory(String lockDirName) throws IOException {

    setLockDir(new File(lockDirName));

  }

  @Override
  public Lock makeLock(String lockName) {

    if (lockPrefix != null) {

      lockName = lockPrefix + "-" + lockName;

    }

    return new SimpleFSLock(lockDir, lockName);

  }

  @Override
  public void clearLock(String lockName) throws IOException {

    if (lockDir.exists()) {

      if (lockPrefix != null) {

        lockName = lockPrefix + "-" + lockName;

      }

      File lockFile = new File(lockDir, lockName);

      if (lockFile.exists() && !lockFile.delete()) {

        throw new IOException("Cannot delete " + lockFile);

      }

    }

  }

};

 

2、创建文档Document对象,并加入域(Field)

代码:

Document doc = new Document();

doc.add(new Field("path", f.getPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));

doc.add(new Field("modified",DateTools.timeToString(f.lastModified(), DateTools.Resolution.MINUTE), Field.Store.YES, Field.Index.NOT_ANALYZED));

doc.add(new Field("contents", new FileReader(f)));

Document对象主要包括以下部分:

  • 此文档的boost,默认为1,大于一说明比一般的文档更加重要,小于一说明更不重要。
  • 一个ArrayList保存此文档所有的域
  • 每一个域包括域名,域值,和一些标志位,和fnm,fdx,fdt中的描述相对应。

doc    Document  (id=42)   
    boost    1.0   
    fields    ArrayList<E>  (id=44)   
        elementData    Object[10]  (id=46)   
            [0]    Field  (id=48)   
                binaryLength    0   
                binaryOffset    0   
                boost    1.0   
                fieldsData    "exampledocs\\file01.txt"   
                isBinary    false   
                isIndexed    true   
                isStored    true   
                isTokenized    false   
                lazy    false   
                name    "path"   
                omitNorms    false   
                omitTermFreqAndPositions    false   
                storeOffsetWithTermVector    false   
                storePositionWithTermVector    false   
                storeTermVector    false   
                tokenStream    null   
            [1]    Field  (id=50)   
                binaryLength    0   
                binaryOffset    0   
                boost    1.0   
                fieldsData    "200910240957"   
                isBinary    false   
                isIndexed    true   
                isStored    true   
                isTokenized    false   
                lazy    false   
                name    "modified"   
                omitNorms    false   
                omitTermFreqAndPositions    false   
                storeOffsetWithTermVector    false   
                storePositionWithTermVector    false   
                storeTermVector    false   
                tokenStream    null   
            [2]    Field  (id=52)   
                binaryLength    0   
                binaryOffset    0   
                boost    1.0   
                fieldsData    FileReader  (id=58)   
                isBinary    false   
                isIndexed    true   
                isStored    false   
                isTokenized    true   
                lazy    false   
                name    "contents"   
                omitNorms    false   
                omitTermFreqAndPositions    false   
                storeOffsetWithTermVector    false   
                storePositionWithTermVector    false   
                storeTermVector    false   
                tokenStream    null    
        modCount    3   
        size    3   

posted @ 2010-02-02 01:58  刘超觉先  阅读(...)  评论(... 编辑 收藏