ES的索引结构与算法解析

提到ES，大多数爱好者想到的都是搜索引擎，但是明确一点，ES不等同于搜索引擎。不管是谷歌、百度、必应、搜狗为代表的自然语言处理(NLP)、爬虫、网页处理、大数据处理的全文搜索引擎，还是有明确搜索目的的搜索行为，如各大电商网站、OA、站内搜索、视频网站的垂直搜索引擎，他们或多或少都使用到了ES。

作为搜索引擎的一部分，ES自然具有速度快、结果准确、结果丰富等特点，那么ES是如何达到“搜索引擎”级别的查询效率呢？首先是索引，其次是压缩算法，接下来我们就一起了解下ES的索引结构和压缩算法

1 结构

1.1 Mysql

Mysql下的data目录存放的文件就是mysql相关数据，mysql文件夹对应的就是数据库mysql。

其中表columns_priv对应了3个文件：columns_priv.frm、columns_priv.MYD、columns_priv.MYI。

.frm：表结构；.MYD：myisam存储引擎原数据；.MYI：myisam存储引擎索引；.ibd：innodb存储引擎数据

1.2 Elasticsearch

cfe为索引文，cfs 为数据文件，cfe文件保存Lucene各文件在.cfs文件的位置信息

cfs、cfe 在segment还很小的时候，将segment的所有文件都存在在cfs中，在cfs逐渐变大时，大小超过shard的10%，则会拆分为其他文件，如tim、dvd、fdt等文件

1.3 存储结构

倒排索引结构分为倒排表、词项字典、词项索引

倒排表包含某个词项的所有id的数据存储了在.doc文件中

词项字典包含了index field的所有经过处理之后的词项数据，最终存储在.tim文件中

1.4 结构对比

我们以某商城的手机为例，左侧为es倒排索引结构，右侧为原始数据。左侧图示只是为了展示倒排索引结构，并不是说es中倒排表就是简单的数组

以上面结构对比示例图为例，假如共有10亿条数据需要存储在ES中(上图右)，分词后存储的倒排表(上图左)大概包含分词term以及对应的id数组等，在10亿条数据中，分词“小米”相关的数据有100万条，也就是说分词“小米”对应的数组Posting List长度是100万

id是int类型的有序主键，分词“小米”在数组Posting List中100万int类型数字总长度=100万✖每个int占4字节=400万Byte≈4MB。1个分词占4MB空间,假如10亿条数据有500万个分词，总空间=4MB✖500万=2千万MB，磁盘空间直接爆炸

2 算法

分词对应的数组Posting List实际就是一个个有序数组，而有序数值数组是比较容易进行压缩处理的，而且一般来说压缩效益也不错，如果能对其进行压缩是能够大大节约空间资源的

ES中倒排索引的压缩算法主要有FOR算法(Frame Of Reference)和RBM算法(RoaringBitMap)

2.1 FOR

FOR算法的核心思想是用减法来削减数值大小，从而达到降低空间存储。假设V(n)表示数组中第n个字段的值，那么经过FOR算法压缩的数值V(n)=V(n)-V(n-1)。也就是说存储的是后一位减去前一位的差值。存储是也不再按照int来计算了，而是看这个数组的最大值需要占用多少bit来计算

我们按照差值计算的方式来保存数据，初始值为1，2与1的差值为1，3与2的差值为1……最终我们就将原始Posting List数据转化为100万个1，每个1我们可以用1bit来记录，总空间=1bit✖100万=100万bit，相比原有400万Byte=3200bit，空间压缩了32倍

在实际生产中，不可能出现一个term的Posting List是这种差值均为1的情况，所以我们以通用示例举例。假如原数据为[73，300，302，332，343，372],数组中6个数字占据总空间为24字节。按照差值方式记录，数组转化为[73,227,2,30,11,29],最大数字为227，大于2的7次方128，小于2的8次方256，所以每个数字可以使用8bit即1Byte来保存，占据总空间为1Byte*6 + 1Byte=7Byte

在此基础上，我们将差值数组按照密集度划分为[73,227]和[2,30,11,29]，其中[73,227]中最大值227介于2的7次方和2的8次方之间，所以用8bit=1Byte作为切割分段，[2,30,11,29]中最大数30介于2的4次方和2的5次方之间，所以用5bit作为切割分段。

数组[73,227]占据总空间为8bit✖2个=16bit=2Byte

数组[2,30,11,29]占据总空间为5bit✖4个=20bit=3Byte

为什么20bit=3Byte呢？因为8bit=1Byte，小于8bit也会占据1个字节空间，所以17bit到24bit均为3Byte

所以，最终占据总空间=1+2+1+3=7Byte

疑问一：既然原数组[73，300，302，332，343，372]要按照密集度拆分为[73,227]和[2,30,11,29]两个数组，那为什么不继续往下拆分，直接拆分到每个数字是一个数组，这样使用bit记录时占据总空间会更少？

答：如果继续拆分数组，空间确实会使用更少，但是，之前我们提到搜索引擎速度快的方式有两种：高效的压缩算法和快速的编码解码速度，单个数字存储确实压缩了空间，但是我们无法再通过解码的方式将源数据还原

疑问二：为什么源数据使用差值记录占据6Byte，拆分数组后占据7Byte，拆分后占据空间不变，有时候甚至会变大，为什么？

答：数据量小的情况下确实会出现该情况，因为我们需要拆分数组并记录拆分数组的长度（如上面示例中的8bit和5bit），在原数据存储空间基础上还要存储拆分长度，所以数据量小的情况下会出现比直接存储占据空间大的情况。但是不管是搜索引擎还是Elasticsearch更多处理的是海量数据，数据量越多，差值数组拆分的方式节省空间越明显

2.2 RBM

我们已经了解了FOR压缩算法，算法核心是将PostingList按照差值密集度转化成两个差值数组。在这里我们要考虑一种情况就是：在大数据中，10亿条数据分词500万个，如果分词“小米”所在PostList比较分散且差值很大，此时使用FOR算法效果就会大打折扣。所以稀疏的数组，不适合使用FOR算法

在这里我们以[1000，62101，131385，132052，191173，196658]为例，如果按照FOR算法，转化成的差值数组为[1000，61101，69284，667，59121，5485]密集度很低。我们采用RBM算法

源数据PostingList是由int类型组成的数组，int类型=4Byte=32bit，最大值=2的32次方-1=4294967295≈43亿。当数据较大且稀疏时，我们将32bit拆分为16bit和16bit，16bit最大值=65535，前16bit存放商，后16bit存放余数，所以商和余数都不会超过65535.我们将源数组的值除以65536，得到的商和余数分别存放在前16bit和后16bit。

以数字196658为例，转化为2进制，前16位=3，后16位=50

得到的结果以K-V存放。Key最大值为16bit，所以以short[]数组存放，Value以Container存放。

由于源数组为有序数组，所以按照高低16位转化后，商和余数都是从小到大排列

通过看Container源码，我们可以看到Container有3种：ArrayContainer、BitmapContainer、RunContainer。

ArrayContainer本质为集合，所以随着数组中数量越多，占用空间越多，呈正向增长。

当数组种数量为4096时，占据总空间=4096个✖16bit(即2Byte)➗1024=8KB

当数组种数量为65536时，占据总空间=65536个✖16bit(即2Byte)➗1024=128KB

BitmapContainer位图，核心就是将原有存储数值转化成该数值在哪个位置上存在

由于余数最大值为65535，所以我们需要65536位位图，数值是多少，在位图上对应的位置就是多少。数值等于4096，则位图上4096位值为1；数值等于65535，则位图上65535位值为1。每个位置上的数都占用8KB空间（8KB=65536bit）

RunContainer用法相对狭隘，这种类型是Lucene 5之后新增的类型，主要应用在连续数字的存储商，比如倒排表中存储的数组为 [1,2,3…100W] 这样的连续数组，如果使用RunContainer，只需存储开头和结尾两个数字：1和100W，即占用8个字节。这种存储方式的优缺点都很明显，它严重收到数字连续性的影响，连续的数字越多，它存储的效率就越高
如果数组是如下形式 [1,2,3,4,5,100,101,102,999,1000,1001] 就会被拆分为三段：[1,5],[100,102],[999,1001]

至于每次存储采用什么容器，需要进行一下判定，比如ArrayContainer，当存储的元素少于4096个时，他会比BitmapContainer占用更少空间，而当大于4096个元素时，采用ArrayContainer所需要的空间就会大于8kb，那么采用BitmapContainer就会占用更少空间