[转帖]lucene-2.9.0 索引过程(一) TermsHashPerField
TermsHashPerField 类
一、类功能概述：
负责词项的索引过程,每个字段有相应的一个TermsHashPerField；当索引某字段词项时，使用对应TermsHashPerField的add()函数完成(一个)词项索引过程，并将索引内容(词项字符串/指针信息/位置信息等)存储于内存缓冲中
二、类成员说明:
2.1 final int streamCount;
如果需要记录词频和位置，此值为2（用两个int记录偏移指针），否则为1
// 代码如下
streamCount = consumer.getStreamCount(); // FreqProxTermsWriterPerField //
2.2 TermAttribute termAtt;
分词后的词项存储于此，因此索引时从termAtt中将词项取出
2.3 RawPostingList[]和RawPostingList
代码如下
private RawPostingList[] postingsHash = new RawPostingList[postingsHashSize];
private RawPostingList p;
每个p记录了该词项的偏移地址、文档编号、文档频率(df)、位置信息
并存储在postingsHash中，下标是哈希值
保存了偏移地址
abstract class RawPostingList {
int textStart;
int intStart;
int byteStart;
}
但实际上存储的是FreqProxTermsWriter.PostingList
意思很浅显，代码如下:
static final class PostingList extends RawPostingList {
int docFreq; // # times this term occurs in the current doc
int lastDocID; // Last docID where this term occurred
int lastDocCode; // Code for prior doc
int lastPosition; // Last position where this term occurred
}
因此postingsHash存储的其实是
[0]= FreqProxTermsWriter$PostingList (id=23)
byteStart= 0
docFreq= 1
intStart= 0
lastDocCode= 0
lastDocID= 0
lastPosition= 0
textStart= 0
postingsHash存储的是该字段所有词项的一些索引信息，根据词项字符的编码值作为初始值hash到postingsHash中
代码如下:
int hashPos = code & postingsHashMask;
如果出现地址冲突,以固定步长递增编码值,查找空位置，填入p，此步长为
final int inc = ((code>>8)+code)|1;
代码如下
do {
code += inc;
hashPos = code & postingsHashMask ;
p = postingsHash[hashPos];
} while (p != null && !postingEquals(tokenText, tokenTextLen));
另外，如果postingsHash的使用率超过一半(使用率可调)，将扩展之
代码如下
if (numPostings == postingsHashHalfSize)
rehashPostings(2*postingsHashSize);
2.2 字符串缓冲
以下三个是存储索引内容的缓冲，最终还是从DocumentsWriter中获得，此缓冲中的索引结构并不是最终写入磁盘的索引内容结构
intPool = perThread.intPool;
charPool = perThread.charPool;
bytePool = perThread.bytePool;
2.2.1 final CharBlockPool charPool; -
存储词项内容(字符串内容)
连续存储，相邻词项间隔1个char，即存储textLen+1长度
字符串指针记录了每个词项的开始位置(无记录长度和结束位置，仅通过相邻字符串起始位置得知长度)
例如
华 南 理 工 大 学 2 0 0 9 1 0 1 9 0 1 4 6
|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|-|
2.2.2 final IntBlockPool intPool;
存储的是位置信息的偏移值
for(int i=0;i<streamCount;i++)
{
// intUptos[intUptoStart+1]记录的是位置信息偏移值，
// intUptos[intUptoStart+0]尚未明白
final int upto = bytePool.newSlice(ByteBlockPool.FIRST_LEVEL_SIZE);
intUptos[intUptoStart+i] = upto + bytePool.byteOffset;
}
隔2(streamCount)存储一个词项,即每个词项记录了两个指针
2.2.3 final ByteBlockPool bytePool;
写入词项位置信息
隔10存储一个词项位置(编码后)
|-|-|---|
0-5-10-15
间隔10 这个值由以下决定的
1. ByteBlockPool.FIRST_LEVEL_SIZE =5
2. 已经提及到的:当需要保存词项频率和词项位置时streamCount =2
代码如下
for(int i=0;i<streamCount;i++)
{
final int upto = bytePool.newSlice(ByteBlockPool.FIRST_LEVEL_SIZE);
intUptos[intUptoStart+i] = upto + bytePool.byteOffset;
}
三、类成员函数说明
3.1 构造函数
public TermsHashPerField(DocInverterPerField docInverterPerField,
final TermsHashPerThread perThread,
final TermsHashPerThread nextPerThread,
final FieldInfo fieldInfo)
一些索引全局变量在构造函数时传入
final FieldInfo fieldInfo是字段信息
传入缓冲内存池
intPool = perThread.intPool;
charPool = perThread.charPool;
bytePool = perThread.bytePool;
3.2 索引过程
索引过程由add()函数完成
void add() throws IOException {}
void add() throws IOException {
// 获得分词后的词项内容和长度
final char[] tokenText = termAtt.termBuffer();
final int tokenTextLen = termAtt.termLength();
// 计算postingsHash位置，使用词项字符做编码值
int downto = tokenTextLen;
int code = 0;
while (downto > 0) {
// 高位起
char ch = tokenText[--downto];
// 中间省去Unicode情况
code = (code*31) + ch; // 字符编码
} // while (downto > 0)
// 词项最终编码
int hashPos = code & postingsHashMask;
// Locate RawPostingList in hash
p = postingsHash[hashPos];
// 如果该哈席位已经填充，遍历寻找下一个空位
if (p != null && !postingEquals(tokenText, tokenTextLen)) {
// Conflict: keep searching different locations in
// the hash table.
final int inc = ((code>>8)+code)|1;
do {
code += inc;
hashPos = code & postingsHashMask;
p = postingsHash[hashPos];
} while (p != null && !postingEquals(tokenText, tokenTextLen));
}
// 找到一个可以填充的位置(postingsHash未曾索引过此词项)
if (p == null) { // 第一次p为空，因为没有哈希冲突
final int textLen1 = 1+tokenTextLen;
// 存储词项字符的缓冲已满，扩展之
if (textLen1 + charPool.charUpto > DocumentsWriter.CHAR_BLOCK_SIZE) // 16384
{
if (textLen1 > DocumentsWriter.CHAR_BLOCK_SIZE) {
if (docState.maxTermPrefix == null)
docState.maxTermPrefix = new String(tokenText, 0, 30);
consumer.skippingLongTerm();
return;
}
charPool.nextBuffer();
}
// Pull next free RawPostingList from free list
p = perThread.freePostings[--perThread.freePostingsCount];
final char[] text = charPool.buffer;
final int textUpto = charPool.charUpto;
// 记录词项字符的偏移地址值
p.textStart = textUpto + charPool.charOffset;
charPool.charUpto += textLen1(原字符长度+1);
// 将词项字符拷贝至缓冲中
System.arraycopy(tokenText, 0, text, textUpto, tokenTextLen);
text[textUpto+tokenTextLen] = 0xffff;
assert postingsHash[hashPos] == null;
postingsHash[hashPos] = p;
numPostings++;
// postingsHash如果使用率超过一半，扩展之
if (numPostings == postingsHashHalfSize)
rehashPostings(2*postingsHashSize);
// Init stream slices
if (numPostingInt + intPool.intUpto > DocumentsWriter.INT_BLOCK_SIZE)
intPool.nextBuffer(); // 内存不足，申请
if (DocumentsWriter.BYTE_BLOCK_SIZE - bytePool.byteUpto < numPostingInt*ByteBlockPool.FIRST_LEVEL_SIZE)
bytePool.nextBuffer(); //内存不足，申请
intUptos = intPool.buffer; // 记录偏移量
intUptoStart = intPool.intUpto;
intPool.intUpto += streamCount; // 每个词项使用streamCount偏移值
p.intStart = intUptoStart + intPool.intOffset;
for(int i=0;i<streamCount;i++)
{
final int upto = bytePool.newSlice(ByteBlockPool.FIRST_LEVEL_SIZE);
intUptos[intUptoStart+i] = upto + bytePool.byteOffset;
}
p.byteStart = intUptos[intUptoStart];
consumer.newTerm(p);
} else {
// 这说明已经索引过此词项(再次在原始文档中出现)
intUptos = intPool.buffers[p.intStart >> DocumentsWriter.INT_BLOCK_SHIFT];
intUptoStart = p.intStart & DocumentsWriter.INT_BLOCK_MASK;
consumer.addTerm(p); // 添加posting list 且压缩编码
}
}
四 实验
以下的数据支撑以上的解析，索引文档,
文档一的内容为”新浪新闻”，而文档二的内容为”联合早报”
adding D:\file\2.txt
新
intUptoStart= 16
intPool.intUpto= 18
p.intStart= 16
intUptos[intUptoStart+i]= 80
intUptos[intUptoStart+i]= 85
p.byteStart= 80
bytes[85]= 0
RawPostingList P 的值如下:
byteStart= 80
docFreq= 1
intStart= 16
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 39
termsHashPerField.writeVInt(1,0)
浪
intUptoStart= 18
intPool.intUpto= 20
p.intStart= 18
intUptos[intUptoStart+i]= 90
intUptos[intUptoStart+i]= 95
p.byteStart= 90
bytes[95]= 2
RawPostingList P 的值如下:
byteStart= 90
docFreq= 1
intStart= 18
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 41
termsHashPerField.writeVInt(1,1)
新（注意:第二次出现此词项）
intUptoStart= 16
intPool.intUpto= 20
p.intStart= 16
bytes[86]= 4 // 连续存储词项位置信息
RawPostingList P 的值如下:
byteStart= 80
docFreq= 2 // 文档df设置为2
intStart= 16
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 39
termsHashPerField.writeVInt(1,2)
闻
intUptoStart= 20
intPool.intUpto= 22
p.intStart= 20
intUptos[intUptoStart+i]= 100
intUptos[intUptoStart+i]= 105
p.byteStart= 100
bytes[105]= 6
RawPostingList P 的值如下:
byteStart= 100
docFreq= 1
intStart= 20
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 43
termsHashPerField.writeVInt(1,3)
200910190147
intUptoStart= 22
intPool.intUpto= 24
p.intStart= 22
intUptos[intUptoStart+i]= 110
intUptos[intUptoStart+i]= 115
p.byteStart= 110
bytes[115]= 0
byteStart= 110
docFreq= 1
intStart= 22
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 45
D:\file\2.txt
intUptoStart= 24
intPool.intUpto= 26
p.intStart= 24
intUptos[intUptoStart+i]= 120
intUptos[intUptoStart+i]= 125
p.byteStart= 120
bytes[125]= 0
byteStart= 120
docFreq= 1
intStart= 24
lastDocCode= 2
lastDocID= 1
lastPosition= 0
textStart= 58
adding D:\file\3.txt
联
intUptoStart= 26
intPool.intUpto= 28
p.intStart= 26
intUptos[intUptoStart+i]= 130
intUptos[intUptoStart+i]= 135
p.byteStart= 130
bytes[135]= 0
RawPostingList P 的值如下:
byteStart= 130
docFreq= 1
intStart= 26
lastDocCode= 4
lastDocID= 2
lastPosition= 0
textStart= 72
合
intUptoStart= 28
intPool.intUpto= 30
p.intStart= 28
intUptos[intUptoStart+i]= 140
intUptos[intUptoStart+i]= 145
p.byteStart= 140
bytes[145]= 2
RawPostingList P 的值如下:
byteStart= 140
docFreq= 1
intStart= 28
lastDocCode= 4
lastDocID= 2
lastPosition= 0
textStart= 74
早
intUptoStart= 30
intPool.intUpto= 32
p.intStart= 30
intUptos[intUptoStart+i]= 150
intUptos[intUptoStart+i]= 155
p.byteStart= 150
bytes[155]= 4
RawPostingList P 的值如下:
byteStart= 150
docFreq= 1
intStart= 30
lastDocCode= 4
lastDocID= 2
lastPosition= 0
textStart= 76
报
intUptoStart= 32
intPool.intUpto= 34
p.intStart= 32
intUptos[intUptoStart+i]= 160
intUptos[intUptoStart+i]= 165
p.byteStart= 160
bytes[165]= 6
RawPostingList P 的值如下:
byteStart= 160
docFreq= 1
intStart= 32
lastDocCode= 4
lastDocID= 2
lastPosition= 0
textStart= 78
200910190148
intUptoStart= 34
intPool.intUpto= 36
p.intStart= 34
intUptos[intUptoStart+i]= 170
intUptos[intUptoStart+i]= 175
p.byteStart= 170
bytes[175]= 0
D:\file\3.txt
intUptoStart= 36
intPool.intUpto= 38
p.intStart= 36
intUptos[intUptoStart+i]= 180
intUptos[intUptoStart+i]= 185
p.byteStart= 180
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/todaylxp/archive/2009/10/25/4726017.aspx
