去重编码是Lucene中对int类型数据的一种压缩存储方式，在FacetsConfig类中用到此方法来处理int类型数据。其优点在于，存储一个原本需要固定4个字节空间大小的int类型的数据，最好的情况下只要1个字节，最差的情况下需要5个字节。
处理过程
去重编码的过程主要分三步：
- 排序
- 去重
- 差值存储
关系图
根据int数值的大小，在去重编码后存储该数值所需要的字节大小关系图如下
| 数值范围（指数） |
数值范围（10进制） |
字节大小 |
| 0 ~ (2^7 - 1) |
0 ~ 127 |
1 |
| 2^7 ~ (2^14 - 1) |
128 ~ 16383 |
2 |
| 2^14 ~ (2^21 - 1) |
16384 ~ 2097151 |
3 |
| 2^21 ~ (2^28 - 1) |
2097152 ~ 268435455 |
4 |
| 2^28 ~ * |
268435456 ~ * |
5 |
| 去重编码中最重要的一点是差值存储，从上图可以看出，我们在存储一组有序的数值时，除第一个数值外，其他的数值如果只存储跟它前面数值的差值，那么可以使得达到最大的压缩比。这种方式在存储大数值时的有点更明显。 |
|
|
1
| 例如我们有一组数据：{17832，17842，17844}，如果我们直接对3个数值进行存储(不存储差值)，那么最终需要9个字节才能存储这三个数值，而如果我们进行差值存储，那么我们需要存储的数据就变为： {17832，10，2}，其中10是17842跟17832的差值，2是17844跟17842的差值，那么最终只需要5个字节存储即可。
|
去重编码源码
相比较源码，删除了代码中的IntsRef类，便于理解
encode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
| public class ConvertIntToByteRef {
public static BytesRef dedupAndEncode(int[] ordinals) {
Arrays.sort(ordinals, 0, ordinals.length);
byte[] bytes = new byte[5*ordinals.length];
int lastOrd = -1;
int upto = 0;
for(int i=0;i<ordinals.length;i++) {
int ord = ordinals[i];
if (ord > lastOrd) {
int delta;
if (lastOrd == -1) {
delta = ord;
} else {
delta = ord - lastOrd;
}
if ((delta & ~0x7F) == 0) {
bytes[upto] = (byte) delta;
upto++;
} else if ((delta & ~0x3FFF) == 0) {
bytes[upto] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
bytes[upto + 1] = (byte) (delta & 0x7F);
upto += 2;
} else if ((delta & ~0x1FFFFF) == 0) {
bytes[upto] = (byte) (0x80 | ((delta & 0x1FC000) >> 14));
bytes[upto + 1] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
bytes[upto + 2] = (byte) (delta & 0x7F);
upto += 3;
} else if ((delta & ~0xFFFFFFF) == 0) {
bytes[upto] = (byte) (0x80 | ((delta & 0xFE00000) >> 21));
bytes[upto + 1] = (byte) (0x80 | ((delta & 0x1FC000) >> 14));
bytes[upto + 2] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
bytes[upto + 3] = (byte) (delta & 0x7F);
upto += 4;
} else {
bytes[upto] = (byte) (0x80 | ((delta & 0xF0000000) >> 28));
bytes[upto + 1] = (byte) (0x80 | ((delta & 0xFE00000) >> 21));
bytes[upto + 2] = (byte) (0x80 | ((delta & 0x1FC000) >> 14));
bytes[upto + 3] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
bytes[upto + 4] = (byte) (delta & 0x7F);
upto += 5;
}
lastOrd = ord;
}
}
return new BytesRef(bytes, 0, upto);
}
public static void main(String[] args) {
int[] array = {3, 2, 2, 8, 12};
BytesRef ref = ConvertIntToByteRef.dedupAndEncode(array);
System.out.println(ref.toString());
}
}
|
最终结果用BytesRef对象表示，上面的输出结果：[2 1 5 4]
decode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
| public class ConvertByteRefToInt {
public static void decode(BytesRef bytesRef){
byte[] bytes = bytesRef.bytes;
int end = bytesRef.offset + bytesRef.length;
int ord = 0;
int offset = bytesRef.offset;
int prev = 0;
while (offset < end) {
byte b = bytes[offset++];
if (b >= 0) {
prev = ord = ((ord << 7) | b) + prev;
System.out.println(ord);
ord = 0;
} else {
ord = (ord << 7) | (b & 0x7F);
}
}
}
public static void main(String[] args) {
int[] array = {3, 2, 2, 8, 12};
BytesRef ref = ConvertIntToByteRef.dedupAndEncode(array);
ConvertByteRefToInt.decode(ref);
}
}
|
结语
去重编码(dedupAndEncode)是Lucene中的压缩存储的方式之一，还有VInt，VLong等数据类型都是属于压缩存储，在后面的博客中会一一介绍。demo看这里：https://github.com/luxugang/Lucene-7.5.0/tree/master/LuceneDemo/src/main/java/lucene/compress/dedupAndEncodeTest
