悟空分词的搜索和排序源码分析之——索引
转自：http://blog.codeg.cn/2016/02/02/wukong-source-code-reading/
索引过程分析
下面我们来分析索引过程。
// 将文档加入索引
//
// 输入参数：
// docId 标识文档编号，必须唯一
// data 见DocumentIndexData注释
//
// 注意：
// 1. 这个函数是线程安全的，请尽可能并发调用以提高索引速度
// 2. 这个函数调用是非同步的，也就是说在函数返回时有可能文档还没有加入索引中，因此
// 如果立刻调用Search可能无法查询到这个文档。强制刷新索引请调用FlushIndex函数。
func (engine *Engine) IndexDocument(docId uint64, data types.DocumentIndexData) {
engine.internalIndexDocument(docId, data)
hash := murmur.Murmur3([]byte(fmt.Sprint("%d", docId))) % uint32(engine.initOptions.PersistentStorageShards)
if engine.initOptions.UsePersistentStorage {
engine.persistentStorageIndexDocumentChannels[hash] <- persistentStorageIndexDocumentRequest{docId: docId, data: data}
}
}
func (engine *Engine) internalIndexDocument(docId uint64, data types.DocumentIndexData) {
if !engine.initialized {
log.Fatal("必须先初始化引擎")
}
atomic.AddUint64(&engine.numIndexingRequests, 1)
hash := murmur.Murmur3([]byte(fmt.Sprint("%d%s", docId, data.Content)))
engine.segmenterChannel <- segmenterRequest{
docId: docId, hash: hash, data: data}
}
这里需要注意的是，docId参数需要调用者从外部传入，而不是在内部自己创建，这给搜索引擎的实现者更大的自由。 将文档交给分词器处理，然后根据murmur3计算的hash值模PersistentStorageShards，选择合适的shard写入持久化存储中。
索引过程分析：分词协程处理过程
分词器协程的逻辑代码在这里：segmenter_worker.go:func (engine *Engine) segmenterWorker()
分词器协程的逻辑是一个死循环，不停的从channel engine.segmenterChannel中读取数据，针对每一次读取的数据：
- 计算
shard号 - 将文档分词
- 根据分词结果，构造
indexerAddDocumentRequest和rankerAddDocRequest - 将
indexerAddDocumentRequest投递到channel engine.indexerAddDocumentChannels[shard]中 - 将
rankerAddDocRequest投递到channel engine.rankerAddDocChannels[shard]中
补充一句：这里shard号的计算过程如下：
// 从文本hash得到要分配到的shard
func (engine *Engine) getShard(hash uint32) int {
return int(hash - hash/uint32(engine.initOptions.NumShards)*uint32(engine.initOptions.NumShards))
}
为什么不是直接取模呢？
索引过程分析：索引器协程处理过程
首先介绍一下倒排索引表，这是搜索引擎的核心数据结构。
// 索引器
type Indexer struct {
// 从搜索键到文档列表的反向索引
// 加了读写锁以保证读写安全
tableLock struct {
sync.RWMutex
table map[string]*KeywordIndices
docs map[uint64]bool
}
initOptions types.IndexerInitOptions
initialized bool
// 这实际上是总文档数的一个近似
numDocuments uint64
// 所有被索引文本的总关键词数
totalTokenLength float32
// 每个文档的关键词长度
docTokenLengths map[uint64]float32
}
// 反向索引表的一行，收集了一个搜索键出现的所有文档，按照DocId从小到大排序。
type KeywordIndices struct {
// 下面的切片是否为空，取决于初始化时IndexType的值
docIds []uint64 // 全部类型都有
frequencies []float32 // IndexType == FrequenciesIndex
locations [][]int // IndexType == LocationsIndex
}
table map[string]*KeywordIndices这个是核心：一个关键词，对应一个KeywordIndices结构。该结构的docIds字段记录了所有包含这个关键词的文档id。 如果 IndexType == FrequenciesIndex ，则同时记录这个关键词在该文档中出现次数。 如果 IndexType == LocationsIndex ，则同时记录这个关键词在该文档中出现的所有位置的起始偏移。
下面是索引的主函数代码：
func (engine *Engine) indexerAddDocumentWorker(shard int) {
for {
request := <-engine.indexerAddDocumentChannels[shard]
engine.indexers[shard].AddDocument(request.document)
atomic.AddUint64(&engine.numTokenIndexAdded,
uint64(len(request.document.Keywords)))
atomic.AddUint64(&engine.numDocumentsIndexed, 1)
}
}
其主要逻辑又封装在func (indexer *Indexer) AddDocument(document *types.DocumentIndex)函数中实现。其逻辑如下：
- 将倒排索引表加锁
- 更新文档关键词的长度加在一起的总和
- 查找关键词在倒排索引表中是否存在
- 如果不存在，则直接加入到
table map[string]*KeywordIndices中 - 如果存在
KeywordIndices，则使用二分查找该关键词对应的docId是否已经在KeywordIndices.docIds中存在。分两种情况： 1) docId存在，则更新原有的数据结构。 2) docId不存在，则插入到KeywordIndices.docIds数组中，同时保持升序排列。 - 更新索引过的文章总数
索引过程分析：排序器协程处理过程
在新索引文档的过程，排序器的主逻辑如下：
func (engine *Engine) rankerAddDocWorker(shard int) {
for {
request := <-engine.rankerAddDocChannels[shard]
engine.rankers[shard].AddDoc(request.docId, request.fields)
}
}
进而调用下面的函数
// 给某个文档添加评分字段
func (ranker *Ranker) AddDoc(docId uint64, fields interface{}) {
if ranker.initialized == false {
log.Fatal("排序器尚未初始化")
}
ranker.lock.Lock()
ranker.lock.fields[docId] = fields
ranker.lock.docs[docId] = true
ranker.lock.Unlock()
}
上述函数非常简单，只是将应用层自定义的数据加入到ranker中。
至此索引过程就完成了。简单来讲就是下面两个过程：
- 将文档分词，得到一堆关键词
- 将 关键词->docId 的对应关系加入到全局的map中(实际上是分了多个shard)
