Lucene查詢原理是什么

本篇內(nèi)容介紹了“Lucene查詢原理是什么”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

Lucene查詢原理

本節(jié)主要是一些Lucene的背景知識，了解這些知識的同學(xué)可以略過。

Lucene的數(shù)據(jù)結(jié)構(gòu)和查詢原理

Elasticsearch的底層是Lucene，可以說Lucene的查詢性能就決定了Elasticsearch的查詢性能。

Lucene查詢原理

Lucene中最重要的就是它的幾種數(shù)據(jù)結(jié)構(gòu)，這決定了數(shù)據(jù)是如何被檢索的，本文再簡單描述一下幾種數(shù)據(jù)結(jié)構(gòu)：

1. FST：保存term字典，可以在FST上實現(xiàn)單Term、Term范圍、Term前綴和通配符查詢等。

2. 倒排鏈：保存了每個term對應(yīng)的docId的列表，采用skipList的結(jié)構(gòu)保存，用于快速跳躍。

3. BKD-Tree：BKD-Tree是一種保存多維空間點的數(shù)據(jù)結(jié)構(gòu)，用于數(shù)值類型(包括空間點)的快速查找。

4. DocValues：基于docId的列式存儲，由于列式存儲的特點，可以有效提升排序聚合的性能。

組合條件的結(jié)果合并

了解了Lucene的數(shù)據(jù)結(jié)構(gòu)和基本查詢原理，我們知道：

1. 對單個詞條進行查詢，Lucene會讀取該詞條的倒排鏈，倒排鏈中是一個有序的docId列表。

2. 對字符串范圍/前綴/通配符查詢，Lucene會從FST中獲取到符合條件的所有Term，然后就可以根據(jù)這些Term再查找倒排鏈，找到符合條件的doc。

3. 對數(shù)字類型進行范圍查找，Lucene會通過BKD-Tree找到符合條件的docId集合，但這個集合中的docId并非有序的。

現(xiàn)在的問題是，如果給一個組合查詢條件，Lucene怎么對各個單條件的結(jié)果進行組合，得到最終結(jié)果。簡化的問題就是如何求兩個集合的交集和并集。

1. 對N個倒排鏈求交集

上面Lucene原理分析的文章中講過，N個倒排鏈求交集，可以采用skipList，有效的跳過無效的doc。

2. 對N個倒排鏈求并集

處理方式一：仍然保留多個有序列表，多個有序列表的隊首構(gòu)成一個優(yōu)先隊列(最小堆)，這樣后續(xù)可以對整個并集進行iterator(堆頂?shù)年犑壮龆?，隊列里下一個docID入堆)，也可以通過skipList的方式向后跳躍(各個子列表分別通過skipList跳)。這種方式適合倒排鏈數(shù)量比較少(N比較小)的場景。

處理方式二：倒排鏈如果比較多(N比較大)，采用方式一就不夠劃算，這時候可以直接把結(jié)果合并成一個有序的docID數(shù)組。

處理方式三：方式二中，直接保存原始的docID，如果docID非常多，很消耗內(nèi)存，所以當doc數(shù)量超過一定值時(32位docID在BitSet中只需要一個bit，BitSet的大小取決于segments里的doc總數(shù)，所以可以根據(jù)doc總數(shù)和當前doc數(shù)估算是否BitSet更加劃算)，會采用構(gòu)造BitSet的方式，非常節(jié)約內(nèi)存，而且BitSet可以非常高效的取交/并集。

3. BKD-Tree的結(jié)果怎么跟其他結(jié)果合并

通過BKD-Tree查找到的docID是無序的，所以要么先轉(zhuǎn)成有序的docID數(shù)組，或者構(gòu)造BitSet，然后再與其他結(jié)果合并。

查詢順序優(yōu)化

如果采用多個條件進行查詢，那么先查詢代價比較小的，再從小結(jié)果集上進行迭代，會更優(yōu)一些。Lucene中做了很多這方面的優(yōu)化，在查詢前會先估算每個查詢的代價，再決定查詢順序。

結(jié)果排序

默認情況下，Lucene會按照Score排序，即算分后的分數(shù)值，如果指定了其他的Sort字段，就會按照指定的字段排序。那么，排序會非常影響性能嗎？首先，排序并不會對所有命中的doc進行排序，而是構(gòu)造一個堆，保證前(Offset+Size)個數(shù)的doc是有序的，所以排序的性能取決于(Size+Offset)和命中的文檔數(shù)，另外就是讀取docValues的開銷。因為(Size+Offset)并不會太大，而且docValues的讀取性能很高，所以排序并不會非常的影響性能。

各場景查詢性能分析

上一節(jié)講了一些查詢相關(guān)的理論知識，那么本節(jié)就是理論結(jié)合實踐，通過具體的一些測試數(shù)字來分析一下各個場景的性能。測試采用單機單Shard、64核機器、SSD磁盤，主要分析各個場景的計算開銷，不考慮操作系統(tǒng)Cache的影響，測試結(jié)果僅供參考。

單Term查詢

ES中建立一個Index，一個shard，無replica。有1000萬行數(shù)據(jù)，每行只有幾個標簽和一個唯一ID，現(xiàn)在將這些數(shù)據(jù)寫入這個Index中。其中Tag1這個標簽只有a和b兩個值，現(xiàn)在要從1000萬行中找到一條Tag1=a的數(shù)據(jù)(約500萬)。給出以下查詢，那么它耗時如何呢：
請求：
{  "query": {    "constant_score": {      "filter": {        "term": {          "Tag1": "a"
        }
      }
    }
  },  "size": 1}'
響應(yīng)：
{"took":233,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5184867,"max_score":1.0,"hits":...}

這個請求耗費了233ms，并且返回了符合條件的數(shù)據(jù)總數(shù)：5184867條。

對于Tag1="a"這個查詢條件，我們知道是查詢Tag1="a"的倒排鏈，這個倒排鏈的長度是5184867，是非常長的，主要時間就花在掃描這個倒排鏈上。其實對這個例子來說，掃描倒排鏈帶來的收益就是拿到了符合條件的記錄總數(shù)，因為條件中設(shè)置了constant_score，所以不需要算分，隨便返回一條符合條件的記錄即可。對于要算分的場景，Lucene會根據(jù)詞條在doc中出現(xiàn)的頻率來計算分值，并取分值排序返回。

目前我們得到一個結(jié)論，233ms時間至少可以掃描500萬的倒排鏈，另外考慮到單個請求是單線程執(zhí)行的，可以粗略估算，一個CPU核在一秒內(nèi)掃描倒排鏈內(nèi)doc的速度是千萬級的。

我們再換一個小一點的倒排鏈，長度為1萬，總共耗時3ms。

{"took":3,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":10478,"max_score":1.0,"hits":...}

Term組合查詢

首先考慮兩個Term查詢求交集：

對于一個Term的組合查詢，兩個倒排鏈分別為1萬和500萬，合并后符合條件的數(shù)據(jù)為5000，查詢性能如何呢？
請求：
{  "size": 1,  "query": {    "constant_score": {      "filter": {        "bool": {          "must": [
            {              "term": {                "Tag1": "a"  // 倒排鏈長度500萬
              }
            },
            {              "term": {                "Tag2": "0" // 倒排鏈長度1萬
              }
            }
          ]
        }
      }
    }
  }
}
響應(yīng)：
{"took":21,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5266,"max_score":2.0,"hits":...}

這個請求耗時21ms，主要是做兩個倒排鏈的求交操作，因此我們主要分析skipList的性能。

這個例子中，倒排鏈長度是1萬、500萬，合并后仍有5000多個doc符合條件。對于1萬的倒排鏈，基本上不進行skip，因為一半的doc都是符合條件的，對于500萬的倒排鏈，平均每次skip1000個doc。因為倒排鏈在存儲時最小的單位是BLOCK，一個BLOCK一般是128個docID，BLOCK內(nèi)不會進行skip操作。所以即使能夠skip到某個BLOCK，BLOCK內(nèi)的docID還是要順序掃描的。所以這個例子中，實際掃描的docID數(shù)粗略估計也有幾十萬，所以總時間花費了20多ms也符合預(yù)期。

對于Term查詢求并集呢，將上面的bool查詢的must改成should，查詢結(jié)果為：

{"took":393,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5190079,"max_score":1.0,"hits":...}

花費時間393ms，所以求并集的時間是多于其中單個條件查詢的時間。

字符串范圍查詢

RecordID是一個UUID，1000萬條數(shù)據(jù)，每個doc都有一個唯一的uuid，從中查找0～7開頭的uuid，大概結(jié)果有500多萬個，性能如何呢？
請求：
{  "query": {    "constant_score": {      "filter": {        "range": {          "RecordID": {            "gte": "0",            "lte": "8"
          }
        }
      }
    }
  },  "size": 1
}
響應(yīng)：
{"took":3001,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5185663,"max_score":1.0,"hits":...}
查詢a開頭的uuid，結(jié)果大概有60多萬，性能如何呢？
請求：
{  "query": {    "constant_score": {      "filter": {        "range": {          "RecordID": {            "gte": "a",            "lte": "b"
          }
        }
      }
    }
  },  "size": 1
}
響應(yīng)：
{"took":379,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":648556,"max_score":1.0,"hits":...}

這個查詢我們主要分析FST的查詢性能，從上面的結(jié)果中我們可以看到，F(xiàn)ST的查詢性能相比掃描倒排鏈要差許多，同樣掃描500萬的數(shù)據(jù)，倒排鏈掃描只需要不到300ms，而FST上的掃描花費了3秒，基本上是慢十倍的。對于UUID長度的字符串來說，F(xiàn)ST范圍掃描的性能大概是每秒百萬級。

字符串范圍查詢加Term查詢

字符串范圍查詢(符合條件500萬)，加上兩個Term查詢(符合條件5000)，最終符合條件數(shù)目2600，性能如何？
請求：
{  "query": {    "constant_score": {      "filter": {        "bool": {          "must": [
            {              "range": {                "RecordID": {                  "gte": "0",                  "lte": "8"
                }
              }
            },
            {              "term": {                "Tag1": "a"
              }
            },
            {              "term": {                "Tag2": "0"
              }
            }
          ]
        }
      }
    }
  },  "size": 1
}
結(jié)果：
{"took":2849,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}

這個例子中，查詢消耗時間的大頭還是在掃描FST的部分，通過FST掃描出符合條件的Term，然后讀取每個Term對應(yīng)的docID列表，構(gòu)造一個BitSet，再與兩個TermQuery的倒排鏈求交集。

數(shù)字Range查詢

對于數(shù)字類型，我們同樣從1000萬數(shù)據(jù)中查找500萬呢？
請求：
{  "query": {    "constant_score": {      "filter": {        "range": {          "Number": {            "gte": 100000000,            "lte": 150000000
          }
        }
      }
    }
  },  "size": 1
}
響應(yīng)：
{"took":567,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5183183,"max_score":1.0,"hits":...}

這個場景我們主要測試BKD-Tree的性能，可以看到BKD-Tree查詢的性能還是不錯的，查找500萬個doc花費了500多ms，只比掃描倒排鏈差一倍，相比FST的性能有了很大的提升。地理位置相關(guān)的查詢也是通過BKD-Tree實現(xiàn)的，性能很高。

數(shù)字Range查詢加Term查詢

這里我們構(gòu)造一個復(fù)雜的查詢場景，數(shù)字Range范圍數(shù)據(jù)500萬，再加兩個Term條件，最終符合條件數(shù)據(jù)2600多條，性能如何？
請求：
{  "query": {    "constant_score": {      "filter": {        "bool": {          "must": [
            {              "range": {                "Number": {                  "gte": 100000000,                  "lte": 150000000
                }
              }
            },
            {              "term": {                "Tag1": "a"
              }
            },
            {              "term": {                "Tag2": "0"
              }
            }
          ]
        }
      }
    }
  },  "size": 1
}
響應(yīng)：
{"took":27,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}

這個結(jié)果出乎我們的意料，竟然只需要27ms！因為在上一個例子中，數(shù)字Range查詢耗時500多ms，而我們增加兩個Term條件后，時間竟然變?yōu)?7ms，這是為何呢？

實際上，Lucene在這里做了一個優(yōu)化，底層有一個查詢叫做IndexOrDocValuesQuery，會自動判斷是查詢Index(BKD-Tree)還是DocValues。在這個例子中，查詢順序是先對兩個TermQuery求交集，得到5000多個docID，然后讀取這個5000多個docID對應(yīng)的docValues，從中篩選符合數(shù)字Range條件的數(shù)據(jù)。因為只需要讀5000多個doc的docValues，所以花費時間很少。

“Lucene查詢原理是什么”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！