背景
Elasticsearch 支持行存和列存,行存用於以文檔爲單位順序存儲多個文檔的原始內容,在 Elasitcsearch 底層系列 Lucene 內核解析之 Stored Fields 文章中介紹了行存的細節。列存則以字段爲單位順序存儲多個文檔同一字段的內容,主要用於排序、聚合、範圍查詢等場景,新版本的 ES 絕大部分字段都會保存 doc value,可以顯示指定關閉。今天我們就來剖析 ES 列存(doc value)的細節。代碼解析基於 ES 6.3/Lucene 7.3 的版本。
我們在騰訊雲提供了原生的ES服務(CES)及CTSDB時序數據庫服務,歡迎各位交流底層技術。
Doc value 的官方介紹:https://www.elastic.co/guide/en/elasticsearch/reference/current/doc-values.html
本文主要分以下幾個部分介紹:
- 基本框架
- 文件結構
- 寫入流程
- 讀取流程
- 合併流程
基本框架
進入各個流程之前,我們先來看一下 doc Value 相關的類結構。下圖藍色是 doc value 的寫入部分主要框架,文檔的寫入入口在 DefaultIndexingChain,每一個 field 都有對應的 PerField 對象,包含 field info 以及相關的寫入類。寫入的時候根據字段類型,例如 Binary、Numeric、StoredNumeric、SortedSet 等選擇對應的 Writer進行處理。各個 Writer 負責內存中的寫入及數據結構整理壓縮邏輯,Lucene70DocValuesConsumer 負責底層文件的寫入。紅色部分是讀取框架,同樣也是按照不同類型分別處理讀取,Lucene70DocValuesProducer 負責文件讀取解析。後面的寫入及讀取流程我們再來詳細剖析。
文件結構
Doc value 的 lucene 文件主要是 dvd 和 dvm 後綴文件,dvd 文件爲數據文件,保存各種值, dvm 文件爲數據文件的索引文件,便於快速解析查找數據文件。dvd 文件一般都比較大,dvm 文件都很小,如下圖所示:
我們先來總體看一下文件的內容結構,後面再結合代碼詳細分析內容的生成和讀取過程。
dvd 和 dvm 都有如下公共的文件頭信息:
dvm 索引文件,除頭尾信息以外,中間的部分主要是順序保存每個字段編碼相關的元數據信息,以及切分 block 的信息。
dvd 數據文件,除頭尾信息以外,中間的部分主要是順序保存每個字段編碼壓縮後的內容:
dvd 等值及 Multiple block 的場景:
當字段不是數值類型,會保存 value 的 hash 映射,該字段會分三層依次保存,第一層是每個 value 的 hash 位置,第二層是每個 value 的原始值,第三層是原始值的索引項。其中第一層結構和上述結構一致,第二、三層 dvm、dvd 結構如下所示,前半部分爲 terms,後半部分爲 terms 索引信息:
接下來結合這些文件結構,我們來分析代碼是如何產生和讀取這些內容的。
寫入流程
先來看如下示例數據:
{ "@timestamp":"2017-03-23T13:00:00", "accept":36320, "deny":4156, "host":"server_2", "response":2.4558210155, "service":"app_3", "total":40476 }
mapping 自動生成,ES 將會產生如下類型的字段:
本次重點關注標紅的 DocValue 對象。
PackedInts(long)
在正式進入 doc value 剖析之前,我們先來看一個數據類型:PackedInts。它是 doc value 數值存儲壓縮使用的主要類型。數值類型列存有很大的壓縮空間,可以節省很多內存開銷。這種壓縮是基於數據運算或者類型壓縮實現的。
例如,假設某個列的值全是一樣的(例如內置的 _version, _primary_term 字段,極有可能全一樣),此時 PackedInt 可以簡單的用一個整型對象存一個值即可。假設某個列的數值最大存儲只需要 10 個 bit,我們直接用 short 存儲會浪費6個 bit,內存浪費接近一半。
Lucene 中實現的 PackInts 對象會將內存劃分爲邏輯上的多個 block,每個 block 一定是8位內存對齊的,最常用的就是直接利用一個 long 對象作爲一個 block,充分利用每個類型的每一個 bit,避免浪費。假設我們每個列的 value 用10個 bit 就可以存儲,用 long 對象來儲存多個 value 如下所示:
注意 value n會跨兩個 block(long) 對象。
寫入調用鏈時序
寫入流程分爲內存寫入流程和刷新流程,以下是寫入調用鏈時序:
入口在 DefaultIndexingChian,內存寫入主要在各類型 DocValuesWriter中,flush 落盤主要在 Lucene70DocValuesConsumer中。接下來我們分別分析內存寫入和刷新流程。
內存寫入流程
在前面我們講 Stored Fields 的時候,有提到 Lucene 的 index 動作是在 DefaultIndexingChain 類裏面完成的,今天我們直接跳到對應的 doc value 處理的邏輯:
DefaultIndexingChain.processDocument() DocValuesType dvType = fieldType.docValuesType(); if (dvType == null) { throw new NullPointerException("docValuesType must not be null (field: \"" + fieldName + "\")"); } if (dvType != DocValuesType.NONE) { if (fp == null) { fp = getOrAddField(fieldName, fieldType, false); } indexDocValue(fp, dvType, field); // 內存中處理每個 field 的 doc value }
這裏的 indexDocValue 函數完成了 doc value 的保存邏輯。進到該函數裏面,會對每個字段的 doc value 類型做分類處理,如下的每個分支就對應着上述各字段類型的寫入操作。每個字段都會對應一個 DocValueWriter。
DefaultIndexingChain.indexDocValue switch(dvType) { case NUMERIC: if (fp.docValuesWriter == null) { fp.docValuesWriter = new NumericDocValuesWriter(fp.fieldInfo, bytesUsed); } if (field.numericValue() == null) { throw new IllegalArgumentException("field=\"" + fp.fieldInfo.name + "\": null value not allowed"); } ((NumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue()); break; case BINARY: if (fp.docValuesWriter == null) { fp.docValuesWriter = new BinaryDocValuesWriter(fp.fieldInfo, bytesUsed); } ((BinaryDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue()); break; case SORTED: if (fp.docValuesWriter == null) { fp.docValuesWriter = new SortedDocValuesWriter(fp.fieldInfo, bytesUsed); } ((SortedDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue()); break; case SORTED_NUMERIC: if (fp.docValuesWriter == null) { fp.docValuesWriter = new SortedNumericDocValuesWriter(fp.fieldInfo, bytesUsed); } ((SortedNumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue()); break; case SORTED_SET: if (fp.docValuesWriter == null) { fp.docValuesWriter = new SortedSetDocValuesWriter(fp.fieldInfo, bytesUsed); } ((SortedSetDocValuesWriter) fp.docValuesWriter).addValue(docID, field.binaryValue()); break; default: throw new AssertionError("unrecognized DocValues.Type: " + dvType); }
最常使用的類型是 SortedNumericDocValuesWriter 和 SortedSetDocValuesWriter ,因爲 doc value 主要用在聚合排序等操作上,上述兩種類型的 writer 分別對應了數值類型和字符類型的 doc value 排序寫操作。這裏的 Sorted 關鍵字排序是指“同一個文檔中該字段的多個 value (數組)之間進行排序“,不是指“多個文檔按照該字段進行排序”。多個文檔之間的排序由 index level sorting 決定。接下來我們重點分析這兩種數據類型的寫入。
SortedNumericDocValuesWriter
數值類型 doc value 的寫操作。從前面的 case 分支中可以看到,每一個字段的 DocValueWriter 會在第一次進來的時候被初始化,一個 field 對應一個 docValuesWriter:
DefaultIndexingChain.indexDocValue case SORTED_NUMERIC: if (fp.docValuesWriter == null) { fp.docValuesWriter = new SortedNumericDocValuesWriter(fp.fieldInfo, bytesUsed); } ((SortedNumericDocValuesWriter) fp.docValuesWriter).addValue(docID, field.numericValue().longValue()); break;
SortedNumericDocValuesWriter 對象的初始化邏輯:
SortedNumericDocValuesWriter.java public SortedNumericDocValuesWriter(FieldInfo fieldInfo, Counter iwBytesUsed) { this.fieldInfo = fieldInfo; this.iwBytesUsed = iwBytesUsed; // 保存 value 對象,頁滿時 pack,一頁最多1024個 value ,pack 後放到 values 對象中,在 flush 的時候會通過 build 函數取出 pending = PackedLongValues.deltaPackedBuilder(PackedInts.COMPACT); // 保存 每個文檔中當前字段 value 的數量,單個 field 每個文檔可能存在多個 doc value pendingCounts = PackedLongValues.deltaPackedBuilder(PackedInts.COMPACT); // 保存 docId,這裏的 docId 只記錄最大值,取的時候順序+1取 docsWithField = new DocsWithFieldSet(); bytesUsed = pending.ramBytesUsed() + pendingCounts.ramBytesUsed() + docsWithField.ramBytesUsed() + RamUsageEstimator.sizeOf(currentValues); iwBytesUsed.addAndGet(bytesUsed); }
Number 類型的載體對象都是 PackedLongValues, 該對象的構造過程:
public static PackedLongValues.Builder deltaPackedBuilder(float acceptableOverheadRatio) { // 默認頁大小是 1024 // 這裏 acceptableOverheadRatio 取值默認爲0,表示最佳壓縮模式,充分利用每個 bit return deltaPackedBuilder(DEFAULT_PAGE_SIZE, acceptableOverheadRatio); }
在前面有看到傳入構造的參數是:PackedInts.COMPACT,表示最佳壓縮,不浪費一個 bit。這裏Packed等級有四種,不同的等級表示可以允許多少內存的浪費率,浪費的空間會自動內存補齊。浪費多效率高,浪費少效率低,這裏是時間換空間的概念。
/** * At most 700% memory overhead, always select a direct implementation. */ public static final float FASTEST = 7f; /** * At most 50% memory overhead, always select a reasonably fast implementation. */ public static final float FAST = 0.5f; /** * At most 25% memory overhead. */ public static final float DEFAULT = 0.25f; /** * No memory overhead at all, but the returned implementation may be slow. */ public static final float COMPACT = 0f;
相關的初始化工作只在字段第一次處理 doc value 的時候進行,初始化完成之後就進入添加值階段。在上述 indexDocValue 函數中的 case 語句中,根據每個類型進來調用對應 writer 的 addValue 方法保存 doc value。addValue 的邏輯都差不多,以 SortedNumericDocValuesWriter 爲例如下所示:
SortedNumericDocValuesWriter.java public void addValue(int docID, long value) { assert docID >= currentDoc; if (docID != currentDoc) { // 新進來 doc 先結束上次的 doc finishCurrentDoc(); currentDoc = docID; } addOneValue(value); // 添加值 updateBytesUsed(); }
addOneValue 只是簡單的將值添加到一個自擴容的 long 型數組中:
private void addOneValue(long value) { if (currentUpto == currentValues.length) { // 空間不夠就擴容 currentValues = ArrayUtil.grow(currentValues, currentValues.length+1); } currentValues[currentUpto] = value; //long currentValues[] currentUpto++; // 更新值下標 }
finishCurrentDoc 的邏輯,主要是將上述添加的數組保存到 pending 中,pending 是一個 PackedLongValues 的 builder 對象,其內部會判斷是否達到 pack 的條件,達到就進行 pack。
private void finishCurrentDoc() { if (currentDoc == -1) { return; } // 這裏是對同一個 doc 中的該字段的多個 doc value 進行內部排序,SortedNumeric 的 Sort 就在這裏體現 Arrays.sort(currentValues, 0, currentUpto); for (int i = 0; i < currentUpto; i++) { pending.add(currentValues[i]); // PackedLongValues } // record the number of values for this doc pendingCounts.add(currentUpto); // 當前 doc 中該字段的 doc value 數量,一般情況是 1 currentUpto = 0; docsWithField.add(currentDoc); // 保存當前 doc id }
接下來我們看一下上述 pending.add 函數的詳細實現 :
PackedLongValues.java /** Add a new element to this builder. */ public Builder add(long l) { if (pending == null) { throw new IllegalStateException("Cannot be reused after build()"); } if (pendingOff == pending.length) { // 達到 1024 個對象,pack 一次 // check size if (values.length == valuesOff) { // values 保存 pack 後的對象,默認長度 16,不夠自動擴容 final int newLength = ArrayUtil.oversize(valuesOff + 1, 8); grow(newLength); } pack(); // 壓縮處理,處理 pending 中的內容,pack 完畢之後 pendingOff 會置零 } pending[pendingOff++] = l; // 簡單的添加對象到 pending 中保存,pending 最大 1024 size += 1; return this; }
接着看 pack 的具體邏輯,它是實現壓縮的主要函數:
PackedInts.java void pack(long[] values, int numValues, int block, float acceptableOverheadRatio) { assert numValues > 0; // compute max delta long minValue = values[0]; long maxValue = values[0]; for (int i = 1; i < numValues; ++i) { minValue = Math.min(minValue, values[i]); maxValue = Math.max(maxValue, values[i]); } // build a new packed reader if (minValue == 0 && maxValue == 0) { // 數值類的對象進來後先求最小最大值,如果全部都是相同的值,比如 version 全爲1,primary term 全爲 0 等場景,直接保存一個值即可 this.values[block] = new PackedInts.NullReader(numValues); } else { // 計算最大值所需的 bit 數量 final int bitsRequired = minValue < 0 ? 64 : PackedInts.bitsRequired(maxValue); // 根據大小分配一個合適可變對象,後面詳述 final PackedInts.Mutable mutable = PackedInts.getMutable(numValues, bitsRequired, acceptableOverheadRatio); for (int i = 0; i < numValues; ) { i += mutable.set(i, values, i, numValues - i); // 將 values 對象 pack 到 mutable 對象中,後面詳述 } this.values[block] = mutable; // pack 後的對象保存到 values 數組中,後面會寫入磁盤 } }
PackedInts.getMutable 的實現邏輯:
PackedInts.java public static Mutable getMutable(int valueCount, int bitsPerValue, float acceptableOverheadRatio) { // 根據配置的壓縮比的類型(COMPACT、FASTEST等)計算壓縮時採取的 bitsPerValue 數量, // 以及是否有必要壓縮,返回的 formatAndBits.format 參數一般情況取值爲 Format.PACKED 表示壓縮。 final FormatAndBits formatAndBits = fastestFormatAndBits(valueCount, bitsPerValue, acceptableOverheadRatio); // 根據類型和值的 bit 數量選取合適的 Pakced 對象,如果所需 bit 數剛好是 8 的整數倍, // 則直接用 Direct8、Direct16、Direct32、Direct64 來存儲,否則會用 Packed64 對象(long)存儲。 return getMutable(valueCount, formatAndBits.bitsPerValue, formatAndBits.format); }
我們拿 Packed64 爲例講一下上述 pack 中的 set 邏輯:
Packed64.java @Override public int set(int index, long[] arr, int off, int len) { // of 函數裏面的重點是根據 bitsPerValue 即 doc value 中最大的值所需的 bit 數量, // 來確定寫的 encode 對象,例如 BulkOperationPacked10 表示最大的需要 10 個 bit ... final PackedInts.Encoder encoder = BulkOperation.of(PackedInts.Format.PACKED, bitsPerValue); ... // 編碼的邏輯就在對應的 encode 函數中,後面詳述 encoder.encode(arr, off, blocks, blockIndex, iterations); ... }
BulkOperationPacked10(最大到24)對象構造函數調用 BulkOperationPacked 傳遞對應的 bit 數:
public BulkOperationPacked10() { super(10); // 調用父類 BulkOperationPacked 構造函數,下面詳述 }
BulkOperationPacked 的構造函數邏輯:
public BulkOperationPacked(int bitsPerValue) { this.bitsPerValue = bitsPerValue; // value 需要的最大 bit 數 assert bitsPerValue > 0 && bitsPerValue <= 64; int blocks = bitsPerValue; // 這裏算需要多少個 block 即 long 對象能夠完整的保存 n 個 value (簡單的判斷能被2整除就行) // 例如 bitsPerValue 是10,則至少需要5個 long 對象纔不需要跨 long 保存 (5*32=320 纔剛好被10整除,能保存32個 value 對象) while ((blocks & 1) == 0) { blocks >>>= 1; } this.longBlockCount = blocks; this.longValueCount = 64 * longBlockCount / bitsPerValue; // 根據算好的 long block 數量計算能保存的 value 數量 ... }
上面講的 BulkOperationPacked10 是繼承至 BulkOperationPacked 類,主要的壓縮編碼邏輯都在 BulkOperationPacked 類中的 encode 函數中實現,將多個 value 保存到連續的 long 對象中,這個函數是整個壓縮編碼的核心:
BulkOperationPacked.java /** * values: 被壓縮的數組對象 * valuesOffset: 被壓縮數組對象的偏移(index),順序加一取 values * blocks: 壓縮此數組對象所需的 long 對象數組,目標輸出對象 * blcoksOffset:block 對象的 index * iterations:longValueCount * iterations = 總的 values 的長度 * * 示例如下: * 假設 values 數組有1024個元素,bitsPerValue = 10(即最大的元素需要10個 bit 存儲), * 那麼共需要 1024*10=10240 個 bit,10240/8=1280 個 byte,1280/8=160 個 long, blocks 的長度就是160 */ @Override public void encode(long[] values, int valuesOffset, long[] blocks, int blocksOffset, int iterations) { long nextBlock = 0; int bitsLeft = 64; // 遍歷待壓縮的 values 對象 for (int i = 0; i < longValueCount * iterations; ++i) { bitsLeft -= bitsPerValue; // 每個對象都佔用 bitsPerValue 位 if (bitsLeft > 0) { // 直到一個 long 對象分配完畢 nextBlock |= values[valuesOffset++] << bitsLeft; // 移位操作將多個 values 壓縮成一個 long } else if (bitsLeft == 0) { // 剛好用完 nextBlock |= values[valuesOffset++]; blocks[blocksOffset++] = nextBlock; nextBlock = 0; bitsLeft = 64; } else { // bitsLeft < 0 某個 values 對象跨兩個 long nextBlock |= values[valuesOffset] >>> -bitsLeft; blocks[blocksOffset++] = nextBlock; nextBlock = (values[valuesOffset++] & ((1L << -bitsLeft) - 1)) << (64 + bitsLeft); bitsLeft += 64; } } }
上面就是SortedNumericDocValuesWriter寫入的過程,經過 PackedInt 壓縮編碼之後,數據會以相對節省的形式存放在內存中。接下來我們看可能看字符類型的寫入流程。
SortedSetDocValuesWriter
該對象主要處理字符類型的 doc value 寫邏輯。其內部會用一個 BytesRefHash 對象保存字符的 byte 數組,以及對應的 hash 位置(termId),termId 會像上述 NumericDocValue 一樣採用 PackedInts 壓縮。BytesRefHash 內部有一個 ByteBlockPool,其成員變量 byte[] buffer 中保存了字符 byte 數組。我們看一下 SortedSetDocValuesWriter 的添加值的邏輯:
SortedSetDocValuesWriter.java private void addOneValue(BytesRef value) { int termID = hash.add(value); // BytesRefHash 對象,add 動作添加 byte 數組並計算對應的 hash 值並返回 ...... currentValues[currentUpto] = termID; // 添加字符對象的 hash 值 currentUpto++; }
以上就是內存寫入流程,採用 PackedInts 類型,可以最大程度的節省內存。內存寫入後,doc value 對象都是以該類型保存在內存中,後面的刷新流程會將內存中的 doc value 反編碼解壓,之後以緊湊型 byte 數組寫入 segment 文件(dvd)。
刷新流程
刷新流程的入口在 DefaultIndexingChain.writeDocValues 中。writeDocValues 只是 DefaultIndexingChain.flush 的一個步驟,flush 函數包含了其它類型例如 stored fields,norms,point 等類型的刷新邏輯。DocValue刷新的時候會將各個字段順序刷到 dvd、dvm 文件。下面是 writeDocValues 的詳細分析:
DefaultIndexingChain.java /** Writes all buffered doc values (called from {@link #flush}). */ private void writeDocValues(SegmentWriteState state, Sorter.DocMap sortMap) throws IOException { int maxDoc = state.segmentInfo.maxDoc(); // 這個 segment 當前在內存中的文檔數 DocValuesConsumer dvConsumer = null; boolean success = false; try { for (int i=0;i<fieldHash.length;i++) { // 遍歷每一個 field 逐個順序刷盤,PerField 裏面保存的 fieldInfo,fieldInfo 包含了字段名、類型等基本信息 PerField perField = fieldHash[i]; while (perField != null) { if (perField.docValuesWriter != null) { // 如果是 doc value 類型的,則之前肯定用 docValuesWriter(例如 NumericDocValuesWriter) 寫過數據進內存 if (perField.fieldInfo.getDocValuesType() == DocValuesType.NONE) { // BUG throw new AssertionError("segment=" + state.segmentInfo + ": field=\"" + perField.fieldInfo.name + "\" has no docValues but wrote them"); } if (dvConsumer == null) { // lazy init DocValuesFormat fmt = state.segmentInfo.getCodec().docValuesFormat(); // 初始化 Lucene70DocValuesConsumer ,調用 Lucene70DocValuesConsumer 的構造函數創建(若未創建)dvd,dvm文件,並寫入 header 信息 dvConsumer = fmt.fieldsConsumer(state); } if (finishedDocValues.contains(perField.fieldInfo.name) == false) { perField.docValuesWriter.finish(maxDoc); // 調用 DocValueWriter 的finish,對未完成的值做一輪 pack } perField.docValuesWriter.flush(state, sortMap, dvConsumer); // 主要的刷新調用邏輯,後面詳細分析 perField.docValuesWriter = null; } else if (perField.fieldInfo.getDocValuesType() != DocValuesType.NONE) { // BUG throw new AssertionError("segment=" + state.segmentInfo + ": field=\"" + perField.fieldInfo.name + "\" has docValues but did not write them"); } perField = perField.next; } }
上面主要的 flush 函數是由各個類型的 DocValuesWriter 來實現的,常用的 writer 類型:
- NumericDocValuesWriter (數字類型)
- SortedNumericDocValuesWriter (多值內部排序的數值類型)
- SortedDocValuesWriter (排序的字符類型,保存原始值及 hash 位置)
- SortedSetDocValuesWriter (排序的字符數組類型,保存原始值及 hash 位置)
每種類型的 flush 函數的結構都是類似的,分爲三部分:
- build 緩存在 pending 中的對象,生成 PackedLongValues。PackedLongValues 對象包含兩個最主要的數組成員,一個是 mins,保存每個 pack 後對象的最小值(每個 value 會算差值);另一個是 values,保存實際 pack 後的對象,例如 Packed64, DirectInt 等,取決於 doc value bit 使用數量。
- 根據索引排序字段順序對 doc value 進行排序。
- 寫處理好的 value 進 dvd 文件,同時寫 dvm 索引文件。
以 SortedNumericDocValuesWriter 爲例:
SortedNumericDocValuesWriter.java @Override public void flush(SegmentWriteState state, Sorter.DocMap sortMap, DocValuesConsumer dvConsumer) throws IOException { // build 緩存在 pending 中的對象,生成 PackedLongValues final PackedLongValues values; final PackedLongValues valueCounts; if (finalValues == null) { values = pending.build(); valueCounts = pendingCounts.build(); } else { values = finalValues; valueCounts = finalValuesCount; } // 排序,這裏的排序是 index sorting 指定的排序,會按照排序的字段傳進來一個 sortMap,這個 sortMap 就是按照排序字段排好的 docId final long[][] sorted; if (sortMap != null) { sorted = sortDocValues(state.segmentInfo.maxDoc(), sortMap, new BufferedSortedNumericDocValues(values, valueCounts, docsWithField.iterator())); } else { sorted = null; } // 寫 dvd dvm 文件,後面詳細描述 dvConsumer.addSortedNumericField(fieldInfo, new EmptyDocValuesProducer() { @Override public SortedNumericDocValues getSortedNumeric(FieldInfo fieldInfoIn) { if (fieldInfoIn != fieldInfo) { throw new IllegalArgumentException("wrong fieldInfo"); } // 讀取內存中緩存的 values final SortedNumericDocValues buf = new BufferedSortedNumericDocValues(values, valueCounts, docsWithField.iterator()); if (sorted == null) { return buf; } else { return new SortingLeafReader.SortingSortedNumericDocValues(buf, sorted); } } }); }
上面讀取內存緩存的 values 主要用到 BufferedSortedNumericDocValues 類,該類構造方法傳入我們之前壓縮的 values (Packed64, DirectInt等)。在構造函數中會對壓縮的內容進行解壓,主要調用 BulkOperationPacked10(例)decode 函數解壓,解壓邏輯是每次將一個 block(long)偏移10位計算對應的值放到 values 數組中。
接下來我們看看 dvConsumer.addSortedNumericField 的實現邏輯,該函數中主要的邏輯是調用 writeValues 函數實現的:
Lucene70DocValuesConsumer.java private long[] writeValues(FieldInfo field, DocValuesProducer valuesProducer) throws IOException { SortedNumericDocValues values = valuesProducer.getSortedNumeric(field); int numDocsWithValue = 0; MinMaxTracker minMax = new MinMaxTracker(); MinMaxTracker blockMinMax = new MinMaxTracker(); long gcd = 0; Set<Long> uniqueValues = new HashSet<>(); // 下面這個 for 循環計算 segment 所有 value 的最小最大,以及每個 block 的最小最大,並記錄最大公約數和唯一值,便於後面選擇壓縮策略 for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) { for (int i = 0, count = values.docValueCount(); i < count; ++i) { long v = values.nextValue(); if (gcd != 1) { if (v < Long.MIN_VALUE / 2 || v > Long.MAX_VALUE / 2) { // in that case v - minValue might overflow and make the GCD computation return // wrong results. Since these extreme values are unlikely, we just discard // GCD computation for them gcd = 1; } else if (minMax.numValues != 0) { // minValue needs to be set first gcd = MathUtil.gcd(gcd, v - minMax.min); } } minMax.update(v); blockMinMax.update(v); if (blockMinMax.numValues == NUMERIC_BLOCK_SIZE) {//達到一個 block size 的時候 reset 一下 blockMinMax.nextBlock(); } // 記錄不重複值的數量,如果小於 256 個,則稍後採用 unique 壓縮方法,去掉不必要的重複值 if (uniqueValues != null && uniqueValues.add(v) && uniqueValues.size() > 256) { uniqueValues = null; } } numDocsWithValue++; //含有值的文檔數量 } minMax.finish(); blockMinMax.finish(); final long numValues = minMax.numValues; // 值的數量 long min = minMax.min; final long max = minMax.max; assert blockMinMax.spaceInBits <= minMax.spaceInBits; if (numDocsWithValue == 0) { // 包含值的文檔數爲0,即該 segment 中所有文檔中都不包含該字段值 meta.writeLong(-2); meta.writeLong(0L); } else if (numDocsWithValue == maxDoc) { // 滿值的場景,segment 文檔數量剛好和含有值的文檔數量相等 meta.writeLong(-1); meta.writeLong(0L); } else { // 稀疏場景,segment 中有部分文檔不包含值,這裏要用 bit set 來記錄哪些文檔包含值 long offset = data.getFilePointer(); meta.writeLong(offset); values = valuesProducer.getSortedNumeric(field); IndexedDISI.writeBitSet(values, data); meta.writeLong(data.getFilePointer() - offset); } meta.writeLong(numValues); // 記錄值的數量 final int numBitsPerValue; boolean doBlocks = false; Map<Long, Integer> encode = null; if (min >= max) { // 最小值和最大值相等的場景,meta 標記一下,稍後 data 直接寫一個最小值即可 numBitsPerValue = 0; meta.writeInt(-1); } else { if (uniqueValues != null && uniqueValues.size() > 1 && DirectWriter.unsignedBitsRequired(uniqueValues.size() - 1) < DirectWriter.unsignedBitsRequired((max - min) / gcd)) { // 唯一值的數量小於 256 的場景,這裏會先在 meta 中直接記錄排序後的不重複值,後面 data 中記錄值的位置即可 numBitsPerValue = DirectWriter.unsignedBitsRequired(uniqueValues.size() - 1); final Long[] sortedUniqueValues = uniqueValues.toArray(new Long[0]); Arrays.sort(sortedUniqueValues); meta.writeInt(sortedUniqueValues.length); for (Long v : sortedUniqueValues) { meta.writeLong(v); } encode = new HashMap<>(); for (int i = 0; i < sortedUniqueValues.length; ++i) { encode.put(sortedUniqueValues[i], i); // encode 保存值的索引,用於在 data 中記錄位置 } min = 0; gcd = 1; } else { uniqueValues = null; // 這裏檢查每個 block 的使用空間加起來的大小和不劃分 block 整體的使用空間大小,差別太大就劃分 block // we do blocks if that appears to save 10+% storage doBlocks = minMax.spaceInBits > 0 && (double) blockMinMax.spaceInBits / minMax.spaceInBits <= 0.9; if (doBlocks) { numBitsPerValue = 0xFF; meta.writeInt(-2 - NUMERIC_BLOCK_SHIFT); // 多 block 標記 } else { numBitsPerValue = DirectWriter.unsignedBitsRequired((max - min) / gcd); if (gcd == 1 && min > 0 && DirectWriter.unsignedBitsRequired(max) == DirectWriter.unsignedBitsRequired(max - min)) { min = 0; // 最小最大值差異太大,差值沒法改善壓縮,例如 1,3,9...45664545,53545465,46567677。如果都是很大的值則都減掉最小值可以起到壓縮作用。 } meta.writeInt(-1); // 單個 block 標記 } } } meta.writeByte((byte) numBitsPerValue); // 記錄每個值所需的 bit 數,同一個 block 中每個值所需 bit 數相同 meta.writeLong(min); // 最小值 meta.writeLong(gcd); // 最大公約數 long startOffset = data.getFilePointer(); meta.writeLong(startOffset); if (doBlocks) { // 寫多個 block writeValuesMultipleBlocks(valuesProducer.getSortedNumeric(field), gcd); } else if (numBitsPerValue != 0) { // 寫單個 block writeValuesSingleBlock(valuesProducer.getSortedNumeric(field), numValues, numBitsPerValue, min, gcd, encode); } meta.writeLong(data.getFilePointer() - startOffset); return new long[] {numDocsWithValue, numValues}; }
在寫單個或多個 block 的時候都會初始化一個 DirectWriter 來執行直接按 byte 寫的邏輯,該函數的構造方法:
DirectWriter.java DirectWriter(DataOutput output, long numValues, int bitsPerValue) { this.output = output; this.numValues = numValues; this.bitsPerValue = bitsPerValue; encoder = BulkOperation.of(PackedInts.Format.PACKED, bitsPerValue); iterations = encoder.computeIterations((int) Math.min(numValues, Integer.MAX_VALUE), PackedInts.DEFAULT_BUFFER_SIZE);// 計算在不超過 1k 內存的情況下需要多少輪迭代 nextBlocks = new byte[iterations * encoder.byteBlockCount()]; // byteBlockCount: 多少個 byte 存 bitsPerValue 對象,例如 bitsPerValue = 24,則 byteBlockCount = 24/8=3 nextValues = new long[iterations * encoder.byteValueCount()]; // byteValueCount: byteBlockCount 個 byte 能存多少個 value /** 舉例如下: * * - 16 bits per value -> b=2, v=1 2*8 = 16/16 = 1 * - 24 bits per value -> b=3, v=1 3*8 = 24/24 = 1 * - 50 bits per value -> b=25, v=4 25*8 = 200/50 = 4 * - 63 bits per value -> b=63, v=8 63*8 = 504/63 = 8 */ }
寫單個 block 的邏輯,在下面的 writer.add 函數中添加值到內部的 nextValues 數組中(數組長度就是上面的 iterations * byteValueCount),滿了就逐個 byte 刷一次盤。
Lucene70DocValuesConsumer.java private void writeValuesSingleBlock(SortedNumericDocValues values, long numValues, int numBitsPerValue, long min, long gcd, Map<Long, Integer> encode) throws IOException { DirectWriter writer = DirectWriter.getInstance(data, numValues, numBitsPerValue); for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) { for (int i = 0, count = values.docValueCount(); i < count; ++i) { long v = values.nextValue(); if (encode == null) { // 值減掉最小值再除以最大公約數 writer.add((v - min) / gcd); } else { // 很多 unique value,保存 meta 中存的 value 的位置 writer.add(encode.get(v)); } } } writer.finish(); }
寫多個 block 的場景,只是按 block 分開保存相應的 bitPerValue,以及meta 中多一些標記位。目的是爲了降低存儲空間。特別是值的大小差異很大的時候,拆分成多個 block 每個 block 按照自己的 bitPerValue 要比直接按整個 segment 所有 value 算 bitPerValue 節省空間。可以參考前面文件結構中 multiple block 寫的場景結構,以及 Lucene70DocValuesConsumer 類的 Lucene70DocValuesConsumer 函數。
前面是 SortedNumericDocValuesWriter 的刷新邏輯,接下來我們看一下 SortedSetDocValuesWriter 的刷新邏輯。它主要處理字符數組類型的字段。SortedSet 字段默認會將 value 按 byte 排序,並生成新的 docId 映射,見下面 flush 函數中的 ordMap:
SortedSetDocValuesWriter.java @Override public void flush(SegmentWriteState state, Sorter.DocMap sortMap, DocValuesConsumer dvConsumer) throws IOException { ...... ords = pending.build(); // 每個值在 hash 中對應的位置,和 docId 順序一致 ordCounts = pendingCounts.build(); // 數組的場景,記錄該文檔該字段中的值數量 sortedValues = hash.sort(); // 對值進行排序,返回值對應的新的位置列表,此 hash 中既保存的了原始的 bytes,也保存的位置 ordMap = new int[valueCount]; for(int ord=0;ord<valueCount;ord++) { // 這裏對排好序的位置做一個映射,映射之後的 ordMap 順序和 docId 順序一致 ordMap[sortedValues[ord]] = ord; } ......
SortedSet 字段寫 dvd、dvm 的邏輯主要在 Lucene70DocValuesConsumer.doAddSortedField 函數中。主要分爲三層,第一層是每個 value 的 hash 位置,第二層是每個 value 的原始值,第三層是原始值的索引項。每層依次保存,並有對應的偏移量保存在元數據中。
第一層:
Lucene70DocValuesConsumer.java private void doAddSortedField(FieldInfo field, DocValuesProducer valuesProducer) throws IOException { ...... values = valuesProducer.getSorted(field); for (int doc = values.nextDoc(); doc != DocIdSetIterator.NO_MORE_DOCS; doc = values.nextDoc()) { writer.add(values.ordValue()); // 第一層,這裏寫入的是每個 value 對應 hash 中的位置信息 } writer.finish(); meta.writeLong(data.getFilePointer() - start); // 元數據保存偏移量 ...... // 第二層,添加每個 value 的 term,保存原始值及索引 addTermsDict(DocValues.singleton(valuesProducer.getSorted(field))); }
第二層邏輯:
Lucene70DocValuesConsumer.java /** * SortedSet 對象,這裏保存 value 的 terms dict,採用前綴壓縮方法 * @param values * @throws IOException */ private void addTermsDict(SortedSetDocValues values) throws IOException { final long size = values.getValueCount(); meta.writeVLong(size); meta.writeInt(Lucene70DocValuesFormat.TERMS_DICT_BLOCK_SHIFT); // 劃分 block,一個 block 最大16個對象 RAMOutputStream addressBuffer = new RAMOutputStream(); meta.writeInt(DIRECT_MONOTONIC_BLOCK_SHIFT); long numBlocks = (size + Lucene70DocValuesFormat.TERMS_DICT_BLOCK_MASK) >>> Lucene70DocValuesFormat.TERMS_DICT_BLOCK_SHIFT;// values 切成多少個 block DirectMonotonicWriter writer = DirectMonotonicWriter.getInstance(meta, addressBuffer, numBlocks, DIRECT_MONOTONIC_BLOCK_SHIFT); BytesRefBuilder previous = new BytesRefBuilder(); long ord = 0; long start = data.getFilePointer(); int maxLength = 0; TermsEnum iterator = values.termsEnum(); for (BytesRef term = iterator.next(); term != null; term = iterator.next()) { if ((ord & Lucene70DocValuesFormat.TERMS_DICT_BLOCK_MASK) == 0) {// block 滿了記錄長度,當前 term 直接寫入 writer.add(data.getFilePointer() - start); // 這裏記錄每個 block 的長度,會作數值壓縮保存並記錄 meta, data 先存 addressBuffer ,稍後寫入 data 文件 data.writeVInt(term.length); data.writeBytes(term.bytes, term.offset, term.length); } else { final int prefixLength = StringHelper.bytesDifference(previous.get(), term);// 和前值比較,計算出相同前綴長度 final int suffixLength = term.length - prefixLength; // 後綴長度 assert suffixLength > 0; // terms are unique // 用一個 byte 的高4位和低4位分別保存前後綴長度,如果前綴超過15,或者後綴超過16,單獨記錄超過數量 data.writeByte((byte) (Math.min(prefixLength, 15) | (Math.min(15, suffixLength - 1) << 4))); if (prefixLength >= 15) { data.writeVInt(prefixLength - 15); } if (suffixLength >= 16) { data.writeVInt(suffixLength - 16); } data.writeBytes(term.bytes, term.offset + prefixLength, term.length - prefixLength); // 寫後綴內容 } maxLength = Math.max(maxLength, term.length); previous.copyBytes(term); // 保存當前值便於和下一個值比較 ++ord; } writer.finish(); meta.writeInt(maxLength); // value 的最大長度 meta.writeLong(start); // 起始位置 meta.writeLong(data.getFilePointer() - start); // 結束位置 start = data.getFilePointer(); addressBuffer.writeTo(data); // 將每個 block 的長度信息寫入 data 文件 meta.writeLong(start); // 寫入長度信息的起始位置 meta.writeLong(data.getFilePointer() - start); // 寫入長度信息的結束位置 // 第三層,記錄 term 字典的索引,values 是按照值 hash 排過序的,這裏每 1024 條抽取一個作爲索引,加速查詢 writeTermsIndex(values); }
第三層邏輯:
Lucene70DocValuesConsumer.java private void writeTermsIndex(SortedSetDocValues values) throws IOException { final long size = values.getValueCount(); meta.writeInt(Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_SHIFT); // 索引抽取粒度,1024 long start = data.getFilePointer(); long numBlocks = 1L + ((size + Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) >>> Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_SHIFT); RAMOutputStream addressBuffer = new RAMOutputStream(); DirectMonotonicWriter writer = DirectMonotonicWriter.getInstance(meta, addressBuffer, numBlocks, DIRECT_MONOTONIC_BLOCK_SHIFT); TermsEnum iterator = values.termsEnum(); BytesRefBuilder previous = new BytesRefBuilder(); long offset = 0; long ord = 0; for (BytesRef term = iterator.next(); term != null; term = iterator.next()) { if ((ord & Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) == 0) { writer.add(offset); final int sortKeyLength; if (ord == 0) { // no previous term: no bytes to write sortKeyLength = 0; } else { sortKeyLength = StringHelper.sortKeyLength(previous.get(), term); } offset += sortKeyLength; data.writeBytes(term.bytes, term.offset, sortKeyLength); // 索引項也採用前綴壓縮 } else if ((ord & Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) == Lucene70DocValuesFormat.TERMS_DICT_REVERSE_INDEX_MASK) { previous.copyBytes(term); // 每到達 1024 的位置抽取值 } ++ord; } writer.add(offset); writer.finish(); meta.writeLong(start); // 保存索引項的起始位置 meta.writeLong(data.getFilePointer() - start); // 保存索引項總的長度 start = data.getFilePointer(); addressBuffer.writeTo(data); // 保存每個索引項的長度信息 meta.writeLong(start); // 索引項長度起始位置 meta.writeLong(data.getFilePointer() - start); // 索引項長度信息的總大小 }
以上就是 SortedSet 類型的刷新落盤邏輯。至此,整個寫入、刷新流程就分析到這裏,接下來繼續看合併流程。
合併流程
合併流程邏輯主要是讀取待合併的每個 segment 的 doc value,然後在做一次寫入流程。調用時序如下:
週期性的合併或者 indexing 過程中的合併,最終的入口在 SegmentMerger.merge(),裏面包含各個數據結構的合併邏輯,segmentWriteState 包含了待 merge 的所有 segment 信息。簡化之後的代碼:
SegmentMerger.java MergeState merge() throws IOException { mergeTerms(segmentWriteState); if (mergeState.mergeFieldInfos.hasDocValues()) { mergeDocValues(segmentWriteState); // doc value 的合併 } if (mergeState.mergeFieldInfos.hasPointValues()) { mergePoints(segmentWriteState); } if (mergeState.mergeFieldInfos.hasNorms()) { mergeNorms(segmentWriteState); } if (mergeState.mergeFieldInfos.hasVectors()) { numMerged = mergeVectors(); } // write the merged infos codec.fieldInfosFormat().write(directory, mergeState.segmentInfo, "", mergeState.mergeFieldInfos, context); return mergeState; }
mergeDocValues 會調用 DocValuesConsumer.merge 函數,遍歷每個 field 在各 segement 裏面的 doc values,逐個讀取在內存中合併,然後寫入新的 segment。
DocValuesConsumer.java public void merge(MergeState mergeState) throws IOException { for (FieldInfo mergeFieldInfo : mergeState.mergeFieldInfos) { DocValuesType type = mergeFieldInfo.getDocValuesType(); if (type != DocValuesType.NONE) { if (type == DocValuesType.NUMERIC) { mergeNumericField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.BINARY) { mergeBinaryField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED) { mergeSortedField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED_SET) { mergeSortedSetField(mergeFieldInfo, mergeState); } else if (type == DocValuesType.SORTED_NUMERIC) { mergeSortedNumericField(mergeFieldInfo, mergeState); } else { throw new AssertionError("type=" + type); } } } }
例如,合併 numeric field:
DocValuesConsumer.java public void mergeNumericField(final FieldInfo mergeFieldInfo, final MergeState mergeState) throws IOException { addNumericField(mergeFieldInfo, // 調 Lucene70DocValuesConsumer 的寫入邏輯 new EmptyDocValuesProducer() { @Override public NumericDocValues getNumeric(FieldInfo fieldInfo) throws IOException { for (int i=0;i<mergeState.docValuesProducers.length;i++) { // 遍歷該 field 在每個 segment 裏面的 doc value NumericDocValues values = null; DocValuesProducer docValuesProducer = mergeState.docValuesProducers[i]; if (docValuesProducer != null) { FieldInfo readerFieldInfo = mergeState.fieldInfos[i].fieldInfo(mergeFieldInfo.name); if (readerFieldInfo != null && readerFieldInfo.getDocValuesType() == DocValuesType.NUMERIC) { values = docValuesProducer.getNumeric(readerFieldInfo); } } if (values != null) { cost += values.cost(); subs.add(new NumericDocValuesSub(mergeState.docMaps[i], values)); // 合併稍後一起讀取 } } ...... }
讀取流程
在 ES 節點啓動之後,會讀取 segment meta data,之後在需要查詢某個字段的 doc value 的時候,會先將對應的內容映射到內存,然後順序獲取對應的值。如果是字符或字符數組類型,則還會調用獲取 hash 值位置以及對應 term 的函數得到原始數據。在排序、聚合、範圍查詢等場景可能會使用到 doc value,這取決於對應查詢條件的 cost 權重。
讀取邏輯的代碼幾乎都在 Lucene70DocValuesProducer 類中,這裏就不展開描述了,大家可以對照上述調用時序看一下代碼。
至此,doc value 的寫入、合併、讀取流程及其文件數據結構就分析完了,本文只分析了主要的正常流程,暫未考慮其它異常分支流程。歡迎各位提出意見,一起交流學習!