Directory(上)
Lu Xugang Lv6

  Directory类用来维护索引目录中的索引文件,定义了创建打开删除读取重命名同步(持久化索引文件至磁盘)、校验和(checksum computing)等抽象方法。

  索引目录中不存在多级目录,即不存在子文件夹的层次结构(no sub-folder hierarchy)。

  其子类如下图所示,另外下图中只列出了Lucene7.5.0的core模块中的子类,在其他模块,比如在misc模块中还有很多其他的子类

图1:

点击查看大图

  接下来一一介绍其子类。

BaseDirectory

  BaseDirectory同样是一个抽象类,提供了其子类共有的获取索引文件锁的方法,即维护了一个LockFactory对象,索引文件锁的概念已经在前面的文章中介绍,这里不赘述。
  下图中为BaseDirectory类的子类:

图2:

FSDirectory

图3:

  FSDirectory作为一个抽象类,提供了其子类共有的创建删除重命名同步(持久化索引文件至磁盘)、校验和(checksum computing)等方法,这些方法在介绍完三个子类后再叙述。

  FSDirectory的三个子类主要的不同点在于它们各自实现了打开读取索引文件的方法。

SimpleFSDirectory

  • 打开索引文件:使用Files的newByteChannel方法来打开一个索引文件,比如说通过DirectoryReader.open(IndexWriter)读取索引文件信息会调用此方法
  • 读取索引文件:使用FileChannelImpl读取索引文件,使得可以随机访问索引文件的一块连续数据。

  随机访问索引文件的一块连续数据在Lucene中是很重要的,例如图4中画出了.doc索引文件的数据结构,索引文件按照域(field)划分,在读取阶段,Lucene总是按域逐个处理,所以需要获取每一个域在.doc索引文件中的数据区域。

图4:

  使用SimpleFSDirectory有以下注意点:

  • 该类不支持并发读取同一个索引文件,多线程读取时候会被处理为顺序访问(synchronized(FileChannelImpl))如果业务有这方面的需求,那么最好使用NIOFSDirectory或者MMapDirectory
  • 如果有多个线程读取同一个索引文件,当执行线程被打断(Thread.interrupt()或Future.cancel())后,该索引文件的文件描述符(file descriptor)会被关闭,那么阻塞的线程随后读取该索引文件时会抛出ClosedChannelException的异常,不过可以使用RAFDirectory来代替SimpleFSDirectory,它使用了RandomAccessFile读取索引文件,因为它是不可打断的(not interruptible)。RAFDirectory已经作为一个旧的API(legacy API)被丢到了misc模块中,它同样不支持并发读取索引文件,所以跟SimpleFSDirectory很类似,不展开介绍

NIOFSDirectory

  • 打开索引文件:使用Files的FileChannel.open方法来打开一个索引文件
  • 读取索引文件:使用FileChannelImpl读取索引文件,使得可以随机访问索引文件的一块连续数据。

  使用NIOFSDirectory有以下注意点:

  • 该类支持并发读取同一个索引文件,但是它存在跟SimpleFSDirectory一样的多线程下执行线程被打断的问题,如果业务中存在这个情况,那么可以使用RAFDirectory来代替NIOFSDirectory
  • 另外如果Lucene是运行在Windows操作系统上,那么需要注意在SUN’s JRE下的一个BUG

MMapDirectory

  • 打开索引文件:使用内存映射(memory mapping)功能来打开一个索引文件,例如初始化MMapDirectory时,如果索引目录中已存在合法的索引文件,那么将这些文件尽可能的都映射到内存中,或者通过DirectoryReader.open(IndexWriter)读取索引文件信息会打开IndexWriter收集的索引文件数据
  • 读取索引文件:将索引文件全部读取到内存中(如果索引文件在磁盘上)

  如果内存映射失败,导致的原因可能是内存中连续的虚拟地址空间的数量(unfragmented virtual address space)不足、操作系统的内存映射大小限制等,更多的原因可以看这里MapFailed,Lucene7.5.0中根据不同的情况提供了下面几种出错信息:

  • 非64位的JVM:MMapDirectory should only be used on 64bit platforms, because the address space on 32bit operating systems is too small
  • Windows操作系统:Windows is unfortunately very limited on virtual address space. If your index size is several hundred Gigabytes, consider changing to Linux
  • Linux操作系统:Please review ‘ulimit -v’, ‘ulimit -m’ (both should return ‘unlimited’), and ‘sysctl vm.max_map_count’
  • 内存不足:Map failed。JVM传递过来的内存不足的堆栈信息是各种嵌套OOM信息(nested OOM),容易让使用者困惑,所以Lucene将复杂的堆栈信息替换为一条简单的信息,即"Map failed"

内存映射I/O技术

  以下内容选自<<Linux/UNIX系统编程手册(下册)>>,文字太多,直接上个截图吧:

图5:

  内存映射I/O之所以能够带来性能优势的原因如下:

图6:

  内存映射I/O优缺点:

图7:

取消映射(unmap)

  由于JVM的限制,并没有提供取消映射的方法,故在某些JDK版本会存在这么一个问题,即用户调用了FileChannel的close()方法,但是无法关闭操作系统层面的该文件的文件描述符,直到GC回收才能关闭。这样的情况会导致以下的问题,调用了FileChannel的close()方法并且在GC回收前的时间区间内,执行了删除或者覆盖文件的操作,如果是Windows平台,那么会导致抛出异常,不过在其他的平台,基于"delete on last close"的语义,还是能正确的执行,不过会有短暂的额外的磁盘开销(该文件还未被删除),虽然不会有影响但是还要需要知晓这个问题,上述描述的问题可以查看这个BUG

  针对无法通过JDK提供的显示方法来取消映射的问题,Lucene提供了一个替代方法(workaround),即unmapHackImpl()方法, 使得可以用户在调用了FileChannel的close()方法后能通过一个native的invokeExact方法来取消映射,unmapHackImpl()的实现不展开,感兴趣的可以点击这里查看实现逻辑。

  使用unmapHackImpl()方法有以下必须满足的要求:

  • JVM必须是Oracle Java或者 OpenJDK 8或更高的版本
  • lucene-core.jar必须有相关的权限(策略文件中保证),即permission java.lang.reflect.ReflectPermission “suppressAccessChecks”,以及permission java.lang.RuntimePermission “accessClassInPackage.sun.misc”

  最后如果出于某些原因,不需要使用unmapHackImpl()方法,那么可以通过setUseUnmap()来取消该功能。

  使用MMapDirectory有以下注意点:

  • 该类支持并发读取同一个索引文件,但是它存在跟SimpleFSDirectory一样的多线程下执行线程被打断的问题,如果业务中存在这个情况,那么可以使用RAFDirectory来代替MMapDirectory
  • 可以使用setPreload()方法来设置是否提前将文件映射到物理内存中

如何选择FSDirectory

  由于操作系统的多样性,Lucene无法用一个FSDirectory类来满足所有的平台要求,因此在FSDirectory类中提供了open()方法,让Lucene根据当前的运行平台来选择一个合适的FSDirectory对象,即为用户从SimpleFSDirectory、MMapDirectory、NIOFSDirectory中选出一个合适的FSDirectory对象,当然用户可以通过new的方式直接使用这些FSDirectory对象。

  根据不同的条件使用对应的FSDirectory对象:

  • JRE环境是64位并且支持unmapHackImpl()方法:使用MMapDirectory,例如Linux、MacOSX、Solaris、Windows 64-bit JREs。(判断是否支持unmapHackImpl()方法的逻辑见MMapDirectory)
  • 如果上面的条件都不满足并且当前平台是Windows:使用SimpleFSDirectory,例如Windows上其他的JREs
  • 如果上面的条件都不满足:使用NIOFSDirectory

FSDirectory类中的方法

  FSDirectory提供了其子类共有的创建删除重命名同步(持久化索引文件至磁盘)、校验和(checksum computing)等方法。

创建

  创建一个用来存放某个索引文件信息的对象,核心部分即使用BufferedOutputStream对象来存放数据。

删除

  在一些情况下需要删除索引文件,至少包括以下情况:

  • 索引合并:即段合并,被合并的段中的索引文件会被删除
  • 删除旧的commit():如果是IndexWriter使用了KeepOnlyLastCommitDeletionPolicy策略,那么每当有新的commit()操作,就会生成一个新的Segment_N文件,并且随后删除上一个,即Segment_N-1文件

  另外有一个pendingDeletes的Set对象,当索引文件无法被删除时,pendingDeletes会记录该文件,并且在执行创建删除重命名同步时会尝试再次删除这些文件,本该被删除的索引文件如果还留在索引目录中,可能会导致一些问题,比如被错误的合并、被错误的重命名(下文会介绍)。

  当删除该索引文件并且失败后,此索引文件会被添加到pendingDeletes中,导致无法被删除的原因,至少包括以下情况:

  • 在Windows平台,当删除一个索引文件,并且该索引文件的句柄仍然被打开着,那么就会抛出异常,同时在Catch语句中将该文件名添加到pendingDeletes

重命名

  使用Files.move()方法实现重命名。

同步

  将内存中的索引文件同步(持久化)到磁盘,使用FileChannel.force()方法,如果同步某个文件抛出I/O异常,那么往上传递,如果同步的是目录,捕获异常,这样区分的目的由于篇幅原因不展开叙述,感兴趣请看这篇博客,这篇博客是Lucene源码中的推荐,博客内容介绍了同步磁盘的知识点。如果链接失效,在附件中可以看到对应的PDF。

校验和

  校验和的内容在后面介绍CodeUtil类时会详细介绍。

ByteBuffersDirectory

  ByteBuffersDirectory使用堆,即通过一个ConcurrentHashMap来存储所有存储索引文件,其实key是索引文件名。

1
private final ConcurrentHashMap<String, FileEntry> files = new ConcurrentHashMap<>();

  ByteBuffersDirectory适合用于存储体积较小,不需要持久化的临时索引文件,在这种情况下比MMapDirectory更有优势,因为它没有磁盘同步的开销。

RAMDirectory

  RAMDirectory使用自定义的byte[]数组来存储索引文件信息,并且该数组最多存放1024个字节,所以如果索引大小为indexSize个字节,那么内存中就会有( indexSize / 1024 )个byte[]数组,当indexSize超过hundred megabytes后时会造成资源浪费,比如回收周期(GC cycles)问题。

  RAMDirectory已经被置为@Deprecated,所以不详细展开。

结语

  本文介绍Lucene7.5.0的core模块中的BaseDirectory类及其子类。

点击下载Markdown文档

 BUY ME A COFFEE
 Comments
Comment plugin failed to load
Loading comment plugin