浅谈Lucene中的DocValues

前言： 在Lucene4.x以后，出现一个重大的特性，就是索引支持DocValues，这对于广大的solr和elasticsearch用户，无疑来讲是一个福音，这玩意的出现经过牺牲必定的磁盘空间带来的好处主要有两个： （1）节省内存 （2）对排序，分组和一些聚合操做时可以大大提高性能

下面来详细介绍下DocValue的原理和使用场景

（一）什么是DocValues？

DocValues实际上是Lucene在构建索引时，会额外创建一个有序的基于document => field value的映射列表；

（二）为何要用DocValues ？

基于lucene的solr和es都是使用经典的倒排索引模式来达到快速检索的目的，简单的说就是创建 搜索词=》 文档id列表 这样的关系映射， 而后在搜索时，经过相似hash算法，来快速定位到一个搜索关键词，而后读取其的文档id集合，这就是倒排索引的核心思想，这样搜索数据 是很是高效快速的，固然它也是有缺陷的，假如咱们须要对数据作一些聚合操做，好比排序，分组时，lucene内部会遍历提取全部出如今文档集合 的排序字段而后再次构建一个最终的排好序的文档集合list，这个步骤的过程所有维持在内存中操做，并且若是排序数据量巨大的话，很是容易就形成solr内存溢出和性能缓慢。

基于这个缘由，在lucene4.x以后出现了docvalue这个新特性，在构建索引时会对开启docvalues的字段，额外构建一个已经排好序的文档到字段级别的一个列式存储映射，它减轻了在排序和分组时，对内存的依赖，并且大大提高了这个过程的性能，固然它也会耗费的必定的磁盘空间。

（三）何时应该用DocValues？

经过上面的剖析，散仙相信你们已经对DocValues有一个初步的了解了，至于它的应用场景，那么也很是明显了，总结起来主要如下几个方面：

1，须要聚合的字段，包括sort，agg，group，facet等 2，须要提供函数查询的字段 3，须要高亮的字段，这个确实能加速，可是散仙并不建议把高亮放在服务端程序作，建议放在前端实现，不容易出错并且整体性能比服务端高 4，须要参与自定义评分的字段，这个稍复杂，大多数人的场景中，不必定能用到，后面会单独写一篇文章介绍。

对于不须要参与上面任何一项的字段，能够选择关闭docvalues，这样能够节省必定的磁盘空间.

（四）DocValues的种类

在lucene的枚举类DocValuesType 中，咱们能够看见它声明了六个常量： 1, NONE 不开启docvalue时的状态 2, NUMERIC 单个数值类型的docvalue主要包括（int，long，float，double） 3, BINARY 二进制类型值对应不一样的codes最大值可能超过32766字节， 4, SORTED 有序增量字节存储，仅仅存储不一样部分的值和偏移量指针，值必须小于等于32766字节 5, SORTED_NUMERIC 存储数值类型的有序数组列表 6, SORTED_SET 能够存储多值域的docvalue值，但返回时，仅仅只能返回多值域的第一个docvalue

一般有四种docvalue存储场景：

A： 字符串或UUID字段+单值 会选择SORTED做为docvalue存储 B： 字符串或UUID字段+多值 会选择SORTED_SET做为docvalue存储 C：数值或日期或枚举字段+单值 会选择NUMERIC 做为docvalue存储 D：数值或日期或枚举字段+多值 会选择SORTED_SET做为docvalue存储

注意，分词字段存储docvalue是没有意义的

（五）如何在Lucene，Solr，ElasticSearch中使用DocValues？

说完了概念方面的东西，下面来点实例的例子，来看下如何给索引加上docsvalue，只要加上docvalues后，排序，分组，聚合的时候 会自动使用docvalue提速，因此咱们关注的重点是如何激活docvalue。

1，在原生Lucene中使用DocValues，这个稍麻烦，须要自定义组装，由于lucene是核心算法包，因此封装程度并非很高，正是 因为这样，理解了lucene以后，再理解solr和elasticsearch是很是easy的。

下面是在lucene中存储docvalue例子，一个是string类型，一个是数值类型，分词类型在这里没有意义，再也不说起：

Java代码 收藏代码 //数值存储例子
FieldType num=new FieldType();
num.setStored(true);//设置存储
num.setIndexOptions(IndexOptions.DOCS);//设置索引类型
num.setNumericType(NumericType.DOUBLE);//数值类型
num.setDocValuesType(DocValuesType.NUMERIC);//DocValue类型

Document doc=new Document();
//添加string字段
doc.add(new SortedDocValuesField("id",new BytesRef("01011")));
//添加数值类型的字段 Float,Doule须要额外转成bit位才能存储，Interger和Long则不须要
doc.add(new DoubleField("price", Double.doubleToRawLongBits(25.258), num));

如何读取：

Java代码 收藏代码 //读取索引文件
DirectoryReader reader=DirectoryReader.open(FSDirectory.open(Paths.get(indexDir)));
//若是有多个段须要merge成一个，获取第一个进行测试，本例中仅仅就有一个段
SortedDocValues str = DocValues.getSorted(reader.leaves().get(0).reader(), "id");
//数值类型
NumericDocValues db = DocValues.getNumeric(reader.leaves().get(0).reader(), "price");
//读取字符串类型的ByteRef而后打印其内容
System.out.println("id："+str.get(0).utf8ToString());
//注意此处，要与类型对应，若是是Float，则须要Float.intBitsToFloat((int)db.get(0))进行位数还原
System.out.println("price: "+Double.longBitsToDouble(db.get(0)));
reader.close();

2，在Solr中docvalue默认是所有关闭，比较严谨，你们可酌情开启

Java代码 收藏代码 <fieldname="easy_money"type="double"indexed="true"stored="true"docValues="true" />

3，在ElasticSearch中，默认docvalue所有激活，比较简单暴力，你们可酌情关闭一些不须要使用docvalue的字段，以节省磁盘空间

Java代码 收藏代码 "session_id":{"type":"string","index":"not_analyzed","doc_values":false}

最后再提一点，在和solr和es中，若是想要在本身写的插件中读取docvalue的值，读取方法和lucene的差很少，须要注意doule和float的的值转换。

有什么问题能够扫码关注微信公众号：我是攻城师(woshigcs)，在后台留言咨询。 技术债不能欠，健康债更不能欠， 求道之路，咱们同行。