通过管理一组索引文件而不是单一的索引文件,LSM 将B+树等结构昂贵的随机IO变的更快,而代价就是读操作要处理大量的索引文件(sstable)而不是一个,另外还是一些IO被合并操作消耗 。
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 。
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 。
FST数据字典 Term Dictionary,通常要从数据字典找到指定的词的方法是,将所有词排序,用二分查找即可 。这种方式的时间复杂度是 Log(N),占用空间大小是 O(N*len(term)) 。缺点是消耗内存,存在完整的term,当 term 数达到上千万时,占用内存非常大 。
lucene从4开始大量使用的数据结构是FST(Finite State Transducer) 。FST有两个优点:
- 空间占用小,通过读 term 拆分复用及前缀和后缀的重用,压缩了存储空间;
- 查询速度快,查询仅有 O(len(term)) 时间复杂度
而FST呢,就是一种特殊的 FSM,在 Lucene 中用来实现字典查找功能(NLP中还可以做转换功能),FST 可以表示成FST的形式
举例:对“cat”、 “deep”、 “do”、 “dog” 、“dogs” 这5个单词构建FST(注:必须已排序),结构如下:
当存在 value 为对应的 docId 时,如 cat/0 deep/1 do/2 dog/3 dogs/4,FST 结构图如下:
FST 还有一个特点,就是在前缀公用的基础上,还会做一个后缀公用,目标同样是为了压缩存储空间 。
其中红色的弧线表 NEXT-optimized,可以通过 画图工具 来测试 。
SkipList为了能够快速查找docid,lucene采用了SkipList这一数据结构 。SkipList有以下几个特征:
- 元素排序的,对应到我们的倒排链,lucene是按照docid进行排序,从小到大;
- 跳跃有一个固定的间隔,这个是需要建立SkipList的时候指定好,例如下图以间隔是;
- SkipList的层次,这个是指整个SkipList有几层
在什么位置设置跳表指针?
? 设置较多的指针,较短的步长,更多的跳跃机会
? 更多的指针比较次数和更多的存储空间
? 设置较少的指针,较少的指针比较次数,但是需要设置较长的步长?较少的连续跳跃
如果倒排表的长度是L,那么在每隔一个步长S处均匀放置跳表指针 。
推荐阅读
- 网络电话的原理是什么
- 网络爬虫的原理
- 网桥的工作原理
- 网络传输的原理
- 太阳能热水器工作原理 太阳能热水器的基本参数
- 软件无线电原理与应用 5g网络架构及关键技术分析
- 入射面和折射面的定义及其物理原理 入射面和折射面的定义是什么
- 机械原理关于斜齿轮重合度的问题
- 机械千斤顶的原理急
- 机械制冷的原理