查询太慢？看看 ES 是如何把索引的性能压榨到极致的

【每日五分钟学习大数据】系列 No.20

上一篇文章简单地介绍过了ES的相关概念，还没看的同学快去复习下：

ES是什么？看完这篇就不要再问这种低级问题了！

文章的最后提到了倒排索引，不知道有没有勾起大家的好奇心，ES的索引是怎么做，为什么他会被广泛地叫做搜索引擎而不是数据库？根源在它的索引，所以这一篇带你一探究竟。

言归正传，说起索引肯定是绕不开经典的B-Tree，来看两张图简单回顾下你们大学的课本内容。

B-Tree

B+Tree

B+Tree是B-Tree的优化，两者的区别由图应该是可以看得比较清楚的。

非叶子节点只存储键值信息。
所有叶子节点之间都有一个链指针。
数据记录都存放在叶子节点中。

笼统的来说，b-tree 索引是为写入优化的索引结构。所以当我们不需要支持快速的更新的时候，可以用预先排序等方式换取更小的存储空间，更快的检索速度等好处，其代价就是更新慢。要进一步深入的化，还是要看一下 Lucene 的倒排索引是怎么构成的。

看个具体的倒排索引实例，写入如下三条数据；

ID	Name	Sex
1	Kate	Female
2	John	Male
3	Bill	Male

ID是Elasticsearch自建的文档id，那么Elasticsearch建立的索引如下:

Name

Term	Posting List
Kate	1
John	2
Bill	3

Sex

Term	Posting List
Female	1
Male	[2,3]

问题来了，在Term量非常大的时候，怎么快速找到目标Term的位置？来看看ES是怎么做的。

Term Dictionary：把Term按字典序排列，然后用二分法查找Term （存在磁盘）

Term Index：是Term Dictionary的索引，存Term的前缀，和与该前缀对应的Term Dictionary中的第一个Term的block的位置，找到这个第一个Term后会再往后顺序查找，直到找到目标Term。（存在内存）

Term Index的压缩

所以，理论上Term Index的数据结构就是：

Map<Term的前缀, 对应的block的位置>

但是Term量大的情况下同样会把内存撑爆。所以有了基于FST的压缩技术。

Finite State Transducers（FST）：有穷状态转换器，Term Index采用的压缩技术。

举个例子：

Map[“cat” - > 5, “deep” - > 10, “do” - > 15, “dog” - > 2, “dogs” - > 8 ]

每条边有两条属性，一个表示label（key的元素,上图有点问题，应该是指向a的），另一个表示Value(out)。
每个节点有两个属性，Final=true/false（有key再这个节点结束则为true）； final为true时，还有个FinalOut，FinalOut=entry的value值-该路径out值之和。
举个例子：8号节点，对应的entry的key是do，value是15，而该路径out值之和是2，所以FinalOut=15-2=13
out值怎么来的？
当只有一条数据写入时如cat，则第一个字节即“c”的out值就等于该entry的value值即“5”；
当deep写入时因为后面d开头的数据还没写，所以“d”的out值就是“10”；
当do写入时，因为“d”=“10”，所以“o”=“15”-“10”=“5”
当dog写入时，因为“d”=“10”，“o”=“5”，已经超过了dog的值“2”，此时，会把“d”设为“2”，“o”设为“0”，这样才能满足dog=“2”的情况。
但是，这样deep和do的out值就要重新分配了
deep的整条路径和为“10”，已知“d”=“2”，所以“e”承包剩下的“8”。
do的整条路径和为“15”，已经“d”=“2”，“o”=“0”，没有label了，所以FinalOut=15-2-0=13。

由上所述，不难得出，FST查询的复杂度时O(1)，能快速定位到目的Term前缀的Block位置。

Posting List的压缩

关键在于：增量编码压缩，将大数变小数，按字节存储。

原理就是通过增量，将原来的大数变成小数仅存储增量值，再精打细算按bit排好队，最后通过字节存储。

BitMaps

假设有某个posting list： [1,3,4,7,10]

对应的bitmap就是： [1,0,1,1,0,0,1,0,0,1]

用0/1表示某个值是否存在，比如10这个值就对应第10位，对应的bit值是1，这样用一个字节就可以代表8个文档id，旧版本(5.0之前)的Lucene就是用这样的方式来压缩的，但这样的压缩方式仍然不够高效，如果有1亿个文档，那么需要12.5MB的存储空间，这仅仅是对应一个索引字段(我们往往会有很多个索引字段)。Bitmap的缺点是存储空间随着文档个数线性增长。

Roaring bitmaps

将posting list按照65535为界限分块，比如第一块所包含的文档id范围在0~65535之间，第二块的id范围是65536~131071，以此类推。

再用<商，余数>的组合表示每一组id，这样每组里的id范围都在0~65535内了，剩下的就好办了，既然每组id不会变得无限大，那么我们就可以通过最有效的方式对这里的id存储。

short[] 占的空间：2bytes（65535 = 2^16-1 是2bytes 能表示的最大数）

bitmap 占的空间: 65536/8 = 8192bytes

当block块里元素个数不超过4096，用short[]，因为4096个short[]才等于 8192bytes；而一个bitmap就等于8192bytes了，虽然它能存65536个元素。

联合索引

联合索引通俗地说就是找到满足多个搜索条件的文档ID。那么这种场景下，倒排索引如何满足快速查询的要求呢？

利用跳表(Skip list)的数据结构快速做“与”运算，或者
利用上面提到的bitset按位“与”

先看看跳表的数据结构：

将一个有序链表level0，挑出其中几个元素到level1及level2，每个level越往上，选出来的指针元素越少，查找时依次从高level往低查找，比如55，先找到level2的31，再找到level1的47，最后找到55，一共3次查找，查找效率和2叉树的效率相当，但也是用了一定的空间冗余来换取的。

假设有下面三个posting list需要联合索引：