Lucene查询原理是什么
本篇内容介绍了"Lucene查询原理是什么"的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
Lucene查询原理
本节主要是一些Lucene的背景知识，了解这些知识的同学可以略过。
Lucene的数据结构和查询原理
Elasticsearch的底层是Lucene，可以说Lucene的查询性能就决定了Elasticsearch的查询性能。
Lucene查询原理
Lucene中最重要的就是它的几种数据结构，这决定了数据是如何被检索的，本文再简单描述一下几种数据结构：
FST：保存term字典，可以在FST上实现单Term、Term范围、Term前缀和通配符查询等。
倒排链：保存了每个term对应的docId的列表，采用skipList的结构保存，用于快速跳跃。
BKD-Tree：BKD-Tree是一种保存多维空间点的数据结构，用于数值类型(包括空间点)的快速查找。
DocValues：基于docId的列式存储，由于列式存储的特点，可以有效提升排序聚合的性能。
组合条件的结果合并
了解了Lucene的数据结构和基本查询原理，我们知道：
对单个词条进行查询，Lucene会读取该词条的倒排链，倒排链中是一个有序的docId列表。
对字符串范围/前缀/通配符查询，Lucene会从FST中获取到符合条件的所有Term，然后就可以根据这些Term再查找倒排链，找到符合条件的doc。
对数字类型进行范围查找，Lucene会通过BKD-Tree找到符合条件的docId集合，但这个集合中的docId并非有序的。
现在的问题是，如果给一个组合查询条件，Lucene怎么对各个单条件的结果进行组合，得到最终结果。简化的问题就是如何求两个集合的交集和并集。
1. 对N个倒排链求交集
上面Lucene原理分析的文章中讲过，N个倒排链求交集，可以采用skipList，有效的跳过无效的doc。
2. 对N个倒排链求并集
处理方式一：仍然保留多个有序列表，多个有序列表的队首构成一个优先队列(最小堆)，这样后续可以对整个并集进行iterator(堆顶的队首出堆，队列里下一个docID入堆)，也可以通过skipList的方式向后跳跃(各个子列表分别通过skipList跳)。这种方式适合倒排链数量比较少(N比较小)的场景。
处理方式二：倒排链如果比较多(N比较大)，采用方式一就不够划算，这时候可以直接把结果合并成一个有序的docID数组。
处理方式三：方式二中，直接保存原始的docID，如果docID非常多，很消耗内存，所以当doc数量超过一定值时(32位docID在BitSet中只需要一个bit，BitSet的大小取决于segments里的doc总数，所以可以根据doc总数和当前doc数估算是否BitSet更加划算)，会采用构造BitSet的方式，非常节约内存，而且BitSet可以非常高效的取交/并集。
3. BKD-Tree的结果怎么跟其他结果合并
通过BKD-Tree查找到的docID是无序的，所以要么先转成有序的docID数组，或者构造BitSet，然后再与其他结果合并。
查询顺序优化
如果采用多个条件进行查询，那么先查询代价比较小的，再从小结果集上进行迭代，会更优一些。Lucene中做了很多这方面的优化，在查询前会先估算每个查询的代价，再决定查询顺序。
结果排序
默认情况下，Lucene会按照Score排序，即算分后的分数值，如果指定了其他的Sort字段，就会按照指定的字段排序。那么，排序会非常影响性能吗？首先，排序并不会对所有命中的doc进行排序，而是构造一个堆，保证前(Offset+Size)个数的doc是有序的，所以排序的性能取决于(Size+Offset)和命中的文档数，另外就是读取docValues的开销。因为(Size+Offset)并不会太大，而且docValues的读取性能很高，所以排序并不会非常的影响性能。
各场景查询性能分析
上一节讲了一些查询相关的理论知识，那么本节就是理论结合实践，通过具体的一些测试数字来分析一下各个场景的性能。测试采用单机单Shard、64核机器、SSD磁盘，主要分析各个场景的计算开销，不考虑操作系统Cache的影响，测试结果仅供参考。
单Term查询
ES中建立一个Index，一个shard，无replica。有1000万行数据，每行只有几个标签和一个唯一ID，现在将这些数据写入这个Index中。其中Tag1这个标签只有a和b两个值，现在要从1000万行中找到一条Tag1=a的数据(约500万)。给出以下查询，那么它耗时如何呢：请求：{ "query": { "constant_score": { "filter": { "term": { "Tag1": "a" } } } }, "size": 1}'响应：{"took":233,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5184867,"max_score":1.0,"hits":...}这个请求耗费了233ms，并且返回了符合条件的数据总数：5184867条。
对于Tag1="a"这个查询条件，我们知道是查询Tag1="a"的倒排链，这个倒排链的长度是5184867，是非常长的，主要时间就花在扫描这个倒排链上。其实对这个例子来说，扫描倒排链带来的收益就是拿到了符合条件的记录总数，因为条件中设置了constant_score，所以不需要算分，随便返回一条符合条件的记录即可。对于要算分的场景，Lucene会根据词条在doc中出现的频率来计算分值，并取分值排序返回。
目前我们得到一个结论，233ms时间至少可以扫描500万的倒排链，另外考虑到单个请求是单线程执行的，可以粗略估算，一个CPU核在一秒内扫描倒排链内doc的速度是千万级的。
我们再换一个小一点的倒排链，长度为1万，总共耗时3ms。
{"took":3,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":10478,"max_score":1.0,"hits":...}Term组合查询
首先考虑两个Term查询求交集：
对于一个Term的组合查询，两个倒排链分别为1万和500万，合并后符合条件的数据为5000，查询性能如何呢？请求：{ "size": 1, "query": { "constant_score": { "filter": { "bool": { "must": [ { "term": { "Tag1": "a" // 倒排链长度500万 } }, { "term": { "Tag2": "0" // 倒排链长度1万 } } ] } } } }}响应：{"took":21,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5266,"max_score":2.0,"hits":...}这个请求耗时21ms，主要是做两个倒排链的求交操作，因此我们主要分析skipList的性能。
这个例子中，倒排链长度是1万、500万，合并后仍有5000多个doc符合条件。对于1万的倒排链，基本上不进行skip，因为一半的doc都是符合条件的，对于500万的倒排链，平均每次skip1000个doc。因为倒排链在存储时最小的单位是BLOCK，一个BLOCK一般是128个docID，BLOCK内不会进行skip操作。所以即使能够skip到某个BLOCK，BLOCK内的docID还是要顺序扫描的。所以这个例子中，实际扫描的docID数粗略估计也有几十万，所以总时间花费了20多ms也符合预期。
对于Term查询求并集呢，将上面的bool查询的must改成should，查询结果为：
{"took":393,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5190079,"max_score":1.0,"hits":...}花费时间393ms，所以求并集的时间是多于其中单个条件查询的时间。
字符串范围查询
RecordID是一个UUID，1000万条数据，每个doc都有一个唯一的uuid，从中查找0～7开头的uuid，大概结果有500多万个，性能如何呢？请求：{ "query": { "constant_score": { "filter": { "range": { "RecordID": { "gte": "0", "lte": "8" } } } } }, "size": 1}响应：{"took":3001,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5185663,"max_score":1.0,"hits":...}查询a开头的uuid，结果大概有60多万，性能如何呢？请求：{ "query": { "constant_score": { "filter": { "range": { "RecordID": { "gte": "a", "lte": "b" } } } } }, "size": 1}响应：{"took":379,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":648556,"max_score":1.0,"hits":...}这个查询我们主要分析FST的查询性能，从上面的结果中我们可以看到，FST的查询性能相比扫描倒排链要差许多，同样扫描500万的数据，倒排链扫描只需要不到300ms，而FST上的扫描花费了3秒，基本上是慢十倍的。对于UUID长度的字符串来说，FST范围扫描的性能大概是每秒百万级。
字符串范围查询加Term查询
字符串范围查询(符合条件500万)，加上两个Term查询(符合条件5000)，最终符合条件数目2600，性能如何？请求：{ "query": { "constant_score": { "filter": { "bool": { "must": [ { "range": { "RecordID": { "gte": "0", "lte": "8" } } }, { "term": { "Tag1": "a" } }, { "term": { "Tag2": "0" } } ] } } } }, "size": 1}结果：{"took":2849,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}这个例子中，查询消耗时间的大头还是在扫描FST的部分，通过FST扫描出符合条件的Term，然后读取每个Term对应的docID列表，构造一个BitSet，再与两个TermQuery的倒排链求交集。
数字Range查询
对于数字类型，我们同样从1000万数据中查找500万呢？请求：{ "query": { "constant_score": { "filter": { "range": { "Number": { "gte": 100000000, "lte": 150000000 } } } } }, "size": 1}响应：{"took":567,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5183183,"max_score":1.0,"hits":...}这个场景我们主要测试BKD-Tree的性能，可以看到BKD-Tree查询的性能还是不错的，查找500万个doc花费了500多ms，只比扫描倒排链差一倍，相比FST的性能有了很大的提升。地理位置相关的查询也是通过BKD-Tree实现的，性能很高。
数字Range查询加Term查询
这里我们构造一个复杂的查询场景，数字Range范围数据500万，再加两个Term条件，最终符合条件数据2600多条，性能如何？请求：{ "query": { "constant_score": { "filter": { "bool": { "must": [ { "range": { "Number": { "gte": 100000000, "lte": 150000000 } } }, { "term": { "Tag1": "a" } }, { "term": { "Tag2": "0" } } ] } } } }, "size": 1}响应：{"took":27,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}这个结果出乎我们的意料，竟然只需要27ms！因为在上一个例子中，数字Range查询耗时500多ms，而我们增加两个Term条件后，时间竟然变为27ms，这是为何呢？
实际上，Lucene在这里做了一个优化，底层有一个查询叫做IndexOrDocValuesQuery，会自动判断是查询Index(BKD-Tree)还是DocValues。在这个例子中，查询顺序是先对两个TermQuery求交集，得到5000多个docID，然后读取这个5000多个docID对应的docValues，从中筛选符合数字Range条件的数据。因为只需要读5000多个doc的docValues，所以花费时间很少。
"Lucene查询原理是什么"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注网站，小编将为大家输出更多高质量的实用文章！
