索引文件的生成(七)之tim&&tip
Lu Xugang Lv6

  本文承接索引文件的生成(六)继续介绍剩余的内容,下面先给出生成索引文件.tim、.tip的流程图。

生成索引文件.tim、.tip的流程图

图1:

统计每一个term的信息

图2:

  执行到该流程,我们需要将当前term的一些信息(图1中的IntBlockTermState,见文章索引文件的生成(五))的汇总到所属域的信息中(这里先提一下的是,这些信息在后面使用FieldMetaData封装),图2中出现的字段的含义如下:

  • sumDocFreq:包含当前域的所有term的文档数量总和,注意的是当前域可能有多个term在同一文档中
  • sumTotalTermFreq:当前域的所有term在所有文档中出现的次数总和
  • numTerms:当前域中的term数量
  • minTerm:当前域中最小(字典序)的term
  • maxTerm:当前域中最大(字典序)的term

  例如我们有如下几篇文档:

图3:

  其中用红色标注的term属于域名为"content"的域,那么在处理完"content"之后,图2中的字段的值如下所示:

  • sumDocFreq:b(2)+ c(3)+ f(1)+ h(1)= 7
  • sumTotalTermFreq:b(3)+ c(3)+ f(1)+ h(1)= 8
  • numTerms:b、c、f、h共4个term
  • minTerm:b
  • maxTerm:h

  再处理完所有域之后,上述的信息在索引文件.tim中的位置如下:

图4:

生成NodeBlock

图5:

  当前域的所有term处理结束后,那么将term栈中剩余未处理的PendingEntry生成NodeBlock(见文章索引文件的生成(六))。

记录当前域的信息在.tip文件中的起始位置indexStartFP

图6:

  到此流程,Lucene将要在索引文件.tip中写入当前域的FSTIndex信息,在读取阶段,通过读取索引文件.tip中的FSTIndex信息来获取当前域在索引文件.tim的内容,而所有域的FSTIndex信息连续的存储在索引文件.tip中,那么需要indexStartFP来实现"索引"功能,如下图所示:

图7:

生成当前域的FSTIndex信息

图8:

  在图5的流程中,当前域的所有term处理结束后,term栈中剩余未处理的PendingEntry会被处理为NodeBlock,最终只会生成一个PendingBlock(没明白?见文章索引文件的生成(六)),并且PendingBlock中的index信息,即FST信息将会被写入到FSTIndex中,数据结构如下:

图9:

  在文章FST算法(一)中我们说到,inputValues跟outputValues作为输入将被用于生成FST,在那篇文章的例子中,inputValues数组中每一个数组元素inputValue都不是"[ ]“,如果inputValues数组中第一个inputvalue为”[ ]“,由于它不能生成node,那么这种情况将被特殊处理,”[ ]“对应的outputValue将使用图9中的emptyOutputBtes字段存储,同时使用emptyLen字段描述emptyOutputBtes占用的字节数,在源码中,这种特殊情况被称为"empty string”、“empty input”。

标志位

  该字段的可取值为 0、1,用于描述FSTIndex两种不用的数据结构,使得在读取阶段能正确的读取字段值。

inputType

  inputType可选值有三个,分别描述了label(lable的概念见文章FST算法(一))占用的字节数量:

图10:

  • BYTE1:一个字节
  • BYTE2:两个字节
  • BYTE4:四个字节

startNode

  该字段描述的是在读取FST阶段,current数组中第一个读取的位置,在文章FST算法(一)的例子中,startNode的值为40。

numBytes

  该字段描述的是current数组占用的字节数。

bytes

  该字段描述的是current数组中所有元素,也就是在文章索引文件的生成(六)之tim&&tip中所有PendingBlock中的prefix(除了prefix为"[ ]"的信息,它使用emptyOutputBytes存储)对应的FST的inputValue。

生成FieldMetaData

图11:

  由于Lucene的处理逻辑是先处理所有的域,最后把这些域的信息写入一次性到索引文件.tip中,故在处理完一个域后,要将该域的信息通过FieldMetaData来存储下,当所有的域处理结束后,遍历所有的FieldMetaData,将这些信息依次到索引文件.tip中,故有了图7中的数据结构,FieldMetaData中只有一个信息需要介绍下,其他信息可以自行看源码中https://github.com/LuXugang/Lucene-7.5.0/blob/master/solr-7.5.0/lucene/core/src/java/org/apache/lucene/codecs/blocktree/BlockTreeTermsWriter.java 的内部类FieldMetaData:

  • docCount:该值描述的是包含当前域的文档号数量,以图3为例,三篇文档都包含了域名为"content"的文档,所以docCount = 3,该值是在生成索引文件.doc、pos、pay(见文章索引文件的生成(一))的过程中统计的,统计的时机点如下图红框标注的流程点:

图12:

  至此,生成索引文件.tim、.tip的流程介绍完毕。

结语

  相信看完这七篇的系列文章后,大家对于索引文件.doc、.pos、.pay、.tim、tip的生成以及他们之间的关系有了深刻的了解,自己品。

点击下载附件

 Comments