二、Lucene搜索详细过程

为了解析Lucene对索引文件搜索的过程,预先写入索引了如下几个文件:

file01.txt: apple apples cat dog

file02.txt: apple boy cat category

file03.txt: apply dog eat etc

file04.txt: apply cat foods

2.1、打开IndexReader指向索引文件夹

代码为:

IndexReader reader = IndexReader.open(FSDirectory.open(indexDir));

其实是调用了DirectoryReader.open(Directory, IndexDeletionPolicy, IndexCommit, boolean, int) 函数,其主要作用是生成一个SegmentInfos.FindSegmentsFile对象,并用它来找到此索引文件中所有的段,并打开这些段。

SegmentInfos.FindSegmentsFile.run(IndexCommit commit)主要做以下事情:

2.1.1、找到最新的segment_N文件

  • 由于segment_N是整个索引中总的元数据,因而正确的选择segment_N更加重要。
  • 然而有时候为了使得索引能够保存在另外的存储系统上,有时候需要用NFS mount一个远程的磁盘来存放索引,然而NFS为了提高性能,在本地有Cache,因而有可能使得此次打开的索引不是另外的writer写入的最新信息,所以在此处用了双保险。
  • 一方面,列出所有的segment_N,并取出其中的最大的N,设为genA

String[] files = directory.listAll();

long genA = getCurrentSegmentGeneration(files);

long getCurrentSegmentGeneration(String[] files) {

    long max = -1;

    for (int i = 0; i < files.length; i++) {

      String file = files[i];

      if (file.startsWith(IndexFileNames.SEGMENTS) //"segments_N"

          && !file.equals(IndexFileNames.SEGMENTS_GEN)) { //"segments.gen"

        long gen = generationFromSegmentsFileName(file);

        if (gen > max) {

          max = gen;

        }

      }

    }

    return max;

  }

  • 另一方面,打开segment.gen文件,从中读出N,设为genB

IndexInput genInput = directory.openInput(IndexFileNames.SEGMENTS_GEN);

int version = genInput.readInt();

long gen0 = genInput.readLong();

long gen1 = genInput.readLong();

if (gen0 == gen1) {

    genB = gen0;

}

  • 在genA和genB中去较大者,为gen,并用此gen构造要打开的segments_N的文件名

if (genA > genB)

    gen = genA;

else

    gen = genB;

String segmentFileName = IndexFileNames.fileNameFromGeneration(IndexFileNames.SEGMENTS, "", gen); //segmentFileName    "segments_4"   

 

2.1.2、通过segment_N文件中保存的各个段的信息打开各个段

  • 从segment_N中读出段的元数据信息,生成SegmentInfos

SegmentInfos infos = new SegmentInfos();

infos.read(directory, segmentFileName);

SegmentInfos.read(Directory, String) 代码如下:

int format = input.readInt();

version = input.readLong();

counter = input.readInt();

for (int i = input.readInt(); i > 0; i—) {

  //读出每一个段,并构造SegmentInfo对象

  add(new SegmentInfo(directory, format, input));

}

 

SegmentInfo(Directory dir, int format, IndexInput input)构造函数如下:

name = input.readString();

docCount = input.readInt();

delGen = input.readLong();

docStoreOffset = input.readInt();

if (docStoreOffset != -1) {

  docStoreSegment = input.readString();

  docStoreIsCompoundFile = (1 == input.readByte());

} else {

  docStoreSegment = name;

  docStoreIsCompoundFile = false;

}

hasSingleNormFile = (1 == input.readByte());

int numNormGen = input.readInt();

normGen = new long[numNormGen];

for(int j=0;j<numNormGen;j++) {

  normGen[j] = input.readLong();

}

isCompoundFile = input.readByte();

delCount = input.readInt();

hasProx = input.readByte() == 1;

其实不用多介绍,看过Lucene学习总结之三:Lucene的索引文件格式 (2)一章,就很容易明白。

  • 根据生成的SegmentInfos打开各个段,并生成ReadOnlyDirectoryReader

SegmentReader[] readers = new SegmentReader[sis.size()];

for (int i = sis.size()-1; i >= 0; i—) {

   //打开每一个段

   readers[i] = SegmentReader.get(readOnly, sis.info(i), termInfosIndexDivisor);

}

SegmentReader.get(boolean, Directory, SegmentInfo, int, boolean, int) 代码如下:

instance.core = new CoreReaders(dir, si, readBufferSize, termInfosIndexDivisor);

instance.core.openDocStores(si); //生成用于读取存储域和词向量的对象。

instance.loadDeletedDocs(); //读取被删除文档(.del)文件

instance.openNorms(instance.core.cfsDir, readBufferSize); //读取标准化因子(.nrm)

CoreReaders(Directory dir, SegmentInfo si, int readBufferSize, int termsIndexDivisor)构造函数代码如下:

cfsReader = new CompoundFileReader(dir, segment + "." + IndexFileNames.COMPOUND_FILE_EXTENSION, readBufferSize); //读取cfs的reader

fieldInfos = new FieldInfos(cfsDir, segment + "." + IndexFileNames.FIELD_INFOS_EXTENSION); //读取段元数据信息(.fnm)

TermInfosReader reader = new TermInfosReader(cfsDir, segment, fieldInfos, readBufferSize, termsIndexDivisor); //用于读取词典信息(.tii .tis)

freqStream = cfsDir.openInput(segment + "." + IndexFileNames.FREQ_EXTENSION, readBufferSize); //用于读取freq

proxStream = cfsDir.openInput(segment + "." + IndexFileNames.PROX_EXTENSION, readBufferSize); //用于读取prox

FieldInfos(Directory d, String name)构造函数如下:

IndexInput input = d.openInput(name);

int firstInt = input.readVInt();

size = input.readVInt();

for (int i = 0; i < size; i++) {

  //读取域名

  String name = StringHelper.intern(input.readString());

  //读取域的各种标志位

  byte bits = input.readByte();

  boolean isIndexed = (bits & IS_INDEXED) != 0;

  boolean storeTermVector = (bits & STORE_TERMVECTOR) != 0;

  boolean storePositionsWithTermVector = (bits & STORE_POSITIONS_WITH_TERMVECTOR) != 0;

  boolean storeOffsetWithTermVector = (bits & STORE_OFFSET_WITH_TERMVECTOR) != 0;

  boolean omitNorms = (bits & OMIT_NORMS) != 0;

  boolean storePayloads = (bits & STORE_PAYLOADS) != 0;

  boolean omitTermFreqAndPositions = (bits & OMIT_TERM_FREQ_AND_POSITIONS) != 0;

  //将读出的域生成FieldInfo对象,加入fieldinfos进行管理

  addInternal(name, isIndexed, storeTermVector, storePositionsWithTermVector, storeOffsetWithTermVector, omitNorms, storePayloads, omitTermFreqAndPositions);

}

CoreReaders.openDocStores(SegmentInfo)主要代码如下:

fieldsReaderOrig = new FieldsReader(storeDir, storesSegment, fieldInfos, readBufferSize, si.getDocStoreOffset(), si.docCount); //用于读取存储域(.fdx, .fdt)

termVectorsReaderOrig = new TermVectorsReader(storeDir, storesSegment, fieldInfos, readBufferSize, si.getDocStoreOffset(), si.docCount); //用于读取词向量(.tvx, .tvd, .tvf)

  • 初始化生成的ReadOnlyDirectoryReader,对打开的多个SegmentReader中的文档编号

 

在Lucene中,每个段中的文档编号都是从0开始的,而一个索引有多个段,需要重新进行编号,于是维护数组start[],来保存每个段的文档号的偏移量,从而第i个段的文档号是从start[i]至start[i]+Num

private void initialize(SegmentReader[] subReaders) {

  this.subReaders = subReaders;

  starts = new int[subReaders.length + 1];

  for (int i = 0; i < subReaders.length; i++) {

    starts[i] = maxDoc;

    maxDoc += subReaders[i].maxDoc();

    if (subReaders[i].hasDeletions())

      hasDeletions = true;

  }

  starts[subReaders.length] = maxDoc;

}

2.1.3、得到的IndexReader对象如下

reader    ReadOnlyDirectoryReader  (id=466)   
    closed    false   
    deletionPolicy    null 

    //索引文件夹  
    directory    SimpleFSDirectory  (id=31)   
        checked    false   
        chunkSize    104857600   
        directory    File  (id=487)   
            path    "D:\\lucene-3.0.0\\TestSearch\\index"   
            prefixLength    3   
        isOpen    true   
        lockFactory    NativeFSLockFactory  (id=488)   
    hasChanges    false   
    hasDeletions    false   
    maxDoc    12   
    normsCache    HashMap<K,V>  (id=483)   
    numDocs    -1   
    readOnly    true   
    refCount    1   
    rollbackHasChanges    false   
    rollbackSegmentInfos    null   

    //段元数据信息
    segmentInfos    SegmentInfos  (id=457)    
        elementCount    3   
        elementData    Object[10]  (id=532)   
            [0]    SegmentInfo  (id=464)   
                delCount    0   
                delGen    -1   
                diagnostics    HashMap<K,V>  (id=537)   
                dir    SimpleFSDirectory  (id=31)   
                docCount    4   
                docStoreIsCompoundFile    false   
                docStoreOffset    -1   
                docStoreSegment    "_0"   
                files    null   
                hasProx    true   
                hasSingleNormFile    true   
                isCompoundFile    1   
                name    "_0"   
                normGen    null   
                preLockless    false   
                sizeInBytes    -1   
            [1]    SegmentInfo  (id=517)   
                delCount    0   
                delGen    -1   
                diagnostics    HashMap<K,V>  (id=542)   
                dir    SimpleFSDirectory  (id=31)   
                docCount    4   
                docStoreIsCompoundFile    false   
                docStoreOffset    -1   
                docStoreSegment    "_1"   
                files    null   
                hasProx    true   
                hasSingleNormFile    true   
                isCompoundFile    1   
                name    "_1"   
                normGen    null   
                preLockless    false   
                sizeInBytes    -1   
            [2]    SegmentInfo  (id=470)   
                delCount    0   
                delGen    -1   
                diagnostics    HashMap<K,V>  (id=547)   
                dir    SimpleFSDirectory  (id=31)   
                docCount    4   
                docStoreIsCompoundFile    false   
                docStoreOffset    -1   
                docStoreSegment    "_2"   
                files    null   
                hasProx    true   
                hasSingleNormFile    true   
                isCompoundFile    1   
                name    "_2"   
                normGen    null   
                preLockless    false   
                sizeInBytes    -1    
        generation    4   
        lastGeneration    4   
        modCount    4   
        pendingSegnOutput    null   
        userData    HashMap<K,V>  (id=533)   
        version    1268193441675   
    segmentInfosStart    null   
    stale    false   
    starts    int[4]  (id=484) 

    //每个段的Reader
    subReaders    SegmentReader[3]  (id=467)   
        [0]    ReadOnlySegmentReader  (id=492)   
            closed    false   
            core    SegmentReader$CoreReaders  (id=495)   
                cfsDir    CompoundFileReader  (id=552)   
                cfsReader    CompoundFileReader  (id=552)   
                dir    SimpleFSDirectory  (id=31)   
                fieldInfos    FieldInfos  (id=553)   
                fieldsReaderOrig    FieldsReader  (id=554)   
                freqStream    CompoundFileReader$CSIndexInput  (id=555)   
                proxStream    CompoundFileReader$CSIndexInput  (id=556)   
                readBufferSize    1024   
                ref    SegmentReader$Ref  (id=557)   
                segment    "_0"   
                storeCFSReader    null   
                termsIndexDivisor    1   
                termVectorsReaderOrig    null   
                tis    TermInfosReader  (id=558)   
                tisNoIndex    null   
            deletedDocs    null   
            deletedDocsDirty    false   
            deletedDocsRef    null   
            fieldsReaderLocal    SegmentReader$FieldsReaderLocal  (id=496)   
            hasChanges    false   
            norms    HashMap<K,V>  (id=500)   
            normsDirty    false   
            pendingDeleteCount    0   
            readBufferSize    1024   
            readOnly    true   
            refCount    1   
            rollbackDeletedDocsDirty    false   
            rollbackHasChanges    false   
            rollbackNormsDirty    false   
            rollbackPendingDeleteCount    0   
            si    SegmentInfo  (id=464)   
            singleNormRef    SegmentReader$Ref  (id=504)   
            singleNormStream    CompoundFileReader$CSIndexInput  (id=506)   
            termVectorsLocal    CloseableThreadLocal<T>  (id=508)   
        [1]    ReadOnlySegmentReader  (id=493)   
            closed    false   
            core    SegmentReader$CoreReaders  (id=511)   
                cfsDir    CompoundFileReader  (id=561)   
                cfsReader    CompoundFileReader  (id=561)   
                dir    SimpleFSDirectory  (id=31)   
                fieldInfos    FieldInfos  (id=562)   
                fieldsReaderOrig    FieldsReader  (id=563)   
                freqStream    CompoundFileReader$CSIndexInput  (id=564)   
                proxStream    CompoundFileReader$CSIndexInput  (id=565)   
                readBufferSize    1024   
                ref    SegmentReader$Ref  (id=566)   
                segment    "_1"   
                storeCFSReader    null   
                termsIndexDivisor    1   
                termVectorsReaderOrig    null   
                tis    TermInfosReader  (id=567)   
                tisNoIndex    null   
            deletedDocs    null   
            deletedDocsDirty    false   
            deletedDocsRef    null   
            fieldsReaderLocal    SegmentReader$FieldsReaderLocal  (id=512)   
            hasChanges    false   
            norms    HashMap<K,V>  (id=514)   
            normsDirty    false   
            pendingDeleteCount    0   
            readBufferSize    1024   
            readOnly    true   
            refCount    1   
            rollbackDeletedDocsDirty    false   
            rollbackHasChanges    false   
            rollbackNormsDirty    false   
            rollbackPendingDeleteCount    0   
            si    SegmentInfo  (id=517)   
            singleNormRef    SegmentReader$Ref  (id=519)   
            singleNormStream    CompoundFileReader$CSIndexInput  (id=520)   
            termVectorsLocal    CloseableThreadLocal<T>  (id=521)   
        [2]    ReadOnlySegmentReader  (id=471)   
            closed    false   
            core    SegmentReader$CoreReaders  (id=475)   
                cfsDir    CompoundFileReader  (id=476)   
                cfsReader    CompoundFileReader  (id=476)   
                dir    SimpleFSDirectory  (id=31)   
                fieldInfos    FieldInfos  (id=480)   
                fieldsReaderOrig    FieldsReader  (id=570)   
                freqStream    CompoundFileReader$CSIndexInput  (id=571)   
                proxStream    CompoundFileReader$CSIndexInput  (id=572)   
                readBufferSize    1024   
                ref    SegmentReader$Ref  (id=573)   
                segment    "_2"   
                storeCFSReader    null   
                termsIndexDivisor    1   
                termVectorsReaderOrig    null   
                tis    TermInfosReader  (id=574)   
                tisNoIndex    null   
            deletedDocs    null   
            deletedDocsDirty    false   
            deletedDocsRef    null   
            fieldsReaderLocal    SegmentReader$FieldsReaderLocal  (id=524)   
            hasChanges    false   
            norms    HashMap<K,V>  (id=525)   
            normsDirty    false   
            pendingDeleteCount    0   
            readBufferSize    1024   
            readOnly    true   
            refCount    1   
            rollbackDeletedDocsDirty    false   
            rollbackHasChanges    false   
            rollbackNormsDirty    false   
            rollbackPendingDeleteCount    0   
            si    SegmentInfo  (id=470)   
            singleNormRef    SegmentReader$Ref  (id=527)   
            singleNormStream    CompoundFileReader$CSIndexInput  (id=528)   
            termVectorsLocal    CloseableThreadLocal<T>  (id=530)   
    synced    HashSet<E>  (id=485)   
    termInfosIndexDivisor    1   
    writeLock    null   
    writer    null   

从上面的过程来看,IndexReader有以下几个特性:

  • 段元数据信息已经被读入到内存中,因而索引文件夹中因为新添加文档而新增加的段对已经打开的reader是不可见的。
  • .del文件已经读入内存,因而其他的reader或者writer删除的文档对打开的reader也是不可见的。
  • 打开的reader已经有inputstream指向cfs文件,从段合并的过程我们知道,一个段文件从生成起就不会改变,新添加的文档都在新的段中,删除的文档都在.del中,段之间的合并是生成新的段,而不会改变旧的段,只不过在段的合并过程中,会将旧的段文件删除,这没有问题,因为从操作系统的角度来讲,一旦一个文件被打开一个inputstream也即打开了一个文件描述符,在内核中,此文件会保持reference count,只要reader还没有关闭,文件描述符还在,文件是不会被删除的,仅仅reference count减一。
  • 以上三点保证了IndexReader的snapshot的性质,也即一个IndexReader打开一个索引,就好像对此索引照了一张像,无论背后索引如何改变,此IndexReader在被重新打开之前,看到的信息总是相同的。
  • 严格的来讲,Lucene的文档号仅仅对打开的某个reader有效,当索引发生了变化,再打开另外一个reader的时候,前面reader的文档0就不一定是后面reader的文档0了,因而我们进行查询的时候,从结果中得到文档号的时候,一定要在reader关闭之前应用,从存储域中得到真正能够唯一标识你的业务逻辑中的文档的信息,如url,md5等等,一旦reader关闭了,则文档号已经无意义,如果用其他的reader查询这些文档号,得到的可能是不期望的文档。

2.2、打开IndexSearcher

代码为:

IndexSearcher searcher = new IndexSearcher(reader);

其过程非常简单:

 

private IndexSearcher(IndexReader r, boolean closeReader) {

  reader = r;

  //当关闭searcher的时候,是否关闭其reader

  this.closeReader = closeReader;

  //对文档号进行编号

  List<IndexReader> subReadersList = new ArrayList<IndexReader>();

  gatherSubReaders(subReadersList, reader);

  subReaders = subReadersList.toArray(new IndexReader[subReadersList.size()]);

  docStarts = new int[subReaders.length];

  int maxDoc = 0;

  for (int i = 0; i < subReaders.length; i++) {

    docStarts[i] = maxDoc;

    maxDoc += subReaders[i].maxDoc();

  }

}

IndexSearcher表面上看起来好像仅仅是reader的一个封装,它的很多函数都是直接调用reader的相应函数,如:int docFreq(Term term),Document doc(int i),int maxDoc()。然而它提供了两个非常重要的函数:

因而在某些应用之中,只想得到某个词的倒排表的时候,最好不要用IndexSearcher,而直接用IndexReader.termDocs(Term term),则省去了打分的计算。

评论关闭
IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!