|NO.Z.00041|——————————|BigDataEnd|——|Hadoop&ElasticSearch.V41|——|ELK.v41|原理剖析|数据结构.V1|

一、Elasticsearch中的数据结构

### --- 倒排索引详解：概述

~~~     倒排索引是全文检索的根基，理解了倒排索引之后才能算是入门了全文检索领域。
~~~     倒排索引的的概念很简单，也很好理解。Elasticsearch/Lucene是如何实现这个结构的呢？

Term Doc_1 Doc_2
-------------------------
Quick  |   | X
The    | X |
brown  | X | X
dog    | X |
dogs   |   | X
fox    | X |
foxes  |   | X
in     |   | X
jumped | X |
lazy   | X | X
leap   |   | X
over   | X | X
quick  | X |
summer |   | X
the    | X |
------------------------

二、数据结构说明

### --- 数据结构说明

~~~     倒排索引由两部分组成，所有独立的词列表称为索引，词对应的一系列表统称为倒排表。 
~~~     —— 来自《信息检索》
~~~     索引表，叫Terms Dictionary ，是由于一系列的Term组成的。
~~~     倒排表，称Postings List ，即是由所有的Term对应的Postings组成的。
~~~     如何存储一个倒排索引数据？选择哪种数据结构？

### --- 场景
~~~     全文搜索引擎通常是需要存储大量的文本，不仅是Postings可能会是非常巨大，
~~~     同样Dictionary的大小极可能也是非常庞大。
~~~     真正的搜索引擎的倒排索引实现都极其复杂，因为它直接影响了搜索性能和功能

~~~     # Lucene的实现非常高级，它的关键特性是能够将整个倒排索引序列化存储在磁盘上，
~~~     同时它必须是能够满足快速读写的需求。
~~~     Lucene为了极致的搜索体验，引用多种数据结构和算法。
~~~     倒排索引变得高效又复杂给我们带来一次研读和剖析的机会。

数据结构	评估
排序列表Array/List	使用二分法查找，不平衡
HashMap/TreeMap	性能高，内存消耗大，几乎是原始数据的三倍
Skip List	跳跃表，可快速查找词语，在lucene、redis、Hbase等均有实现,模糊查询支持很差
Trie	适合英文词典，如果系统中存在大量字符串且这些字符串基本没有公共前缀，则相应的trie树将非常消耗内存
Double Array Trie	适合做中文词典，内存占用小，很多分词工具均采用此种算法
Finite State Transducers (FST)	一种有限状态转移机，Lucene 4有开源实现，并大量使用(Trie + 有限状态机)

四、Lucene索引文件分析

### --- Lucene 索引文件分析

[root@hadoop02 ~]# ll /opt/yanqi/servers/es/data/es/nodes/0/indices/MUiqoQHrRnO4Nk2gwB9lnQ/0/index
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.dim
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.fdt
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.fdx
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.fnm
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.doc               # --- 
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.pos               # ---
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.tim               # ---
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.tip               # ---
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.dvd
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2_Lucene50_0.dvm
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.nvd
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.nvm
-rw-rw-r-- 1 es es 283 Nov 25 19:48 _2.si
-rw-rw-r-- 1 es es 283 Nov 25 19:48 segments_3
-rw-rw-r-- 1 es es   0 Nov 25 19:43 write.lock

### --- Lucene将索引文件拆分为了多个文件，此处仅讨论倒排索引部分。

~~~     tip: Lucene把用于存储Term的索引文件叫Terms Index，它的后缀是.tip ；
~~~     doc: 把Postings信息分别存储在.doc ，分别记录Postings的DocId信息和Term的词频信息。
~~~     tim: Terms Dictionary的文件后缀称为.tim ，
~~~     它是Term与Postings的关系纽带，存储了Term和其对应的Postings文件指针。

### --- Term Dictionary：把Term按字典序排列，然后用二分法查找Term （存在磁盘）

~~~     在Lucene， Terms Dictionary 被存储在.tim文件上。
~~~     当一个Segment的文档数量越来越多的同时Dictionary的词汇也会越来越多，
~~~     那查询效率必然也会慢慢变低。如果有一个很好的结构也为Dictionary建构一个索引，
~~~     将Dictionary的索引进一步压缩，这就是后来的Terms Index(.tip)。
~~~     Term Index：是Term Dictionary的索引，存Term的前缀，
~~~     和与该前缀对应的Term Dictionary中的第一个Term的block的位置，
~~~     找到这个第一个Term后会再往后顺序查找，直到找到目标Term。（存在内存）

### --- 总结：

~~~     通过Terms Index(.tip)可以快速地在Terms Dictionary(.tim)中找到你的想要的Term，
~~~     以及它对应的Postings文件指针(指向doc)。
~~~     Terms Index实际上一个或者多个FST 组成的，
~~~     Segment上每个字段都有自己的一个FST（FSTIndex）记录在.tip 上。
~~~     (FST类似一种TRIE树)

Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of life.It sinks, and I am ready to depart

——W.S.Landor