Solr4.8.0源码分析(12)之Lucene的索引文件(5)
1. 存储域数据文件(.fdt和.fdx)
Solr4.8.0里面使用的fdt和fdx的格式是lucene4.1的。为了提升压缩比，StoredFieldsFormat以16KB为单位对文档进行压缩，使用的压缩算法是LZ4，由于它更着眼于速度而不是压缩比，所以它能快速压缩以及解压。
1.1 存储域数据文件(.fdt)
-
真正保存存储域(stored field)信息的是fdt文件,该文件存放了压缩后的文档，按16kb或者更大的模块大小为单位进行压缩。当要写入segment时候，文档会先被存储在内存的buffer里面，当buffer大小大于16kb或者更大时候，这些文档就会被刷入磁盘以LZ4格式压缩存放。
-
fdt文件主要由三部分组成，Header信息，PacjedIntsVersion信息，以及多个块chunk。
-
fdt是以chunk为单位进行压缩以及解压缩的，一个chunk块内含有一个或者多个document
-
chunk内含有第一个document的编号即DocBase，块内document的个数即ChunkDocs，每一个Document的存储的Field的个数即DocFieldCounts，所有在块内的document的长度即DocLengths，以及多个压缩的document。
-
CompressedDoc由FieldNumAndType和Value组成。FieldNumAndType是一个Vlong型，它的最低三位表示Type，其他位数表示FieldNum即域号。
-
Value对应Type，
-
0: Value is String
-
1: Value is BinaryValue
-
2: Value is Int
-
3: Value is Float
-
4: Value is Long
-
5: Value is Double
-
6, 7: unused
-
如果文档大于16KB，那么chunk只会存在一个文档。因为一个文档的所有域必须全部在同一chunk种
-
如果在chunk块中多个文档较大且使得chunk大于32kb时，那么chunk会被压缩成多个16KB大小的LZ4块。
-
该结构不支持大于(231 - 214) bytes的单个文档
StoredFieldsFormat继承了CompressingStoredFieldsFormat，所以先通过学习CompressingStoredFieldsReader来Solr是怎么解析.fdx和.fdt的
1 public CompressingStoredFieldsReader(Directory d, SegmentInfo si, String segmentSuffix, FieldInfos fn,
2 IOContext context, String formatName, CompressionMode compressionMode) throws IOException {
3 this.compressionMode = compressionMode;
4 final String segment = si.name;
5 boolean success = false;
6 fieldInfos = fn;
7 numDocs = si.getDocCount();
8 ChecksumIndexInput indexStream = null;
9 try {
10 //打开.fdx名字
11 final String indexStreamFN = IndexFileNames.segmentFileName(segment, segmentSuffix, FIELDS_INDEX_EXTENSION);
12 //打开.fdt名字
13 final String fieldsStreamFN = IndexFileNames.segmentFileName(segment, segmentSuffix, FIELDS_EXTENSION);
14 // Load the index into memory
15 //解析.fdx文件
16 indexStream = d.openChecksumInput(indexStreamFN, context);
17 //获取header
18 final String codecNameIdx = formatName + CODEC_SFX_IDX;
19 version = CodecUtil.checkHeader(indexStream, codecNameIdx, VERSION_START, VERSION_CURRENT);
20 assert CodecUtil.headerLength(codecNameIdx) == indexStream.getFilePointer();
21 //开始解析blocks
22 indexReader = new CompressingStoredFieldsIndexReader(indexStream, si);
23
24 long maxPointer = -1;
25
26 if (version >= VERSION_CHECKSUM) {
27 maxPointer = indexStream.readVLong();
28 CodecUtil.checkFooter(indexStream);
29 } else {
30 CodecUtil.checkEOF(indexStream);
31 }
32 indexStream.close();
33 indexStream = null;
34
35 // Open the data file and read metadata
36 //解析.fdt文件
37 fieldsStream = d.openInput(fieldsStreamFN, context);
38 if (version >= VERSION_CHECKSUM) {
39 if (maxPointer + CodecUtil.footerLength() != fieldsStream.length()) {
40 throw new CorruptIndexException("Invalid fieldsStream maxPointer (file truncated?): maxPointer=" + maxPointer + ", length=" + fieldsStream.length());
41 }
42 } else {
43 maxPointer = fieldsStream.length();
44 }
45 this.maxPointer = maxPointer;
46 final String codecNameDat = formatName + CODEC_SFX_DAT;
47 final int fieldsVersion = CodecUtil.checkHeader(fieldsStream, codecNameDat, VERSION_START, VERSION_CURRENT);
48 if (version != fieldsVersion) {
49 throw new CorruptIndexException("Version mismatch between stored fields index and data: " + version + " != " + fieldsVersion);
50 }
51 assert CodecUtil.headerLength(codecNameDat) == fieldsStream.getFilePointer();
52
53 if (version >= VERSION_BIG_CHUNKS) {
54 chunkSize = fieldsStream.readVInt();
55 } else {
56 chunkSize = -1;
57 }
58 packedIntsVersion = fieldsStream.readVInt();
59 //开始解析chunks
60 decompressor = compressionMode.newDecompressor();
61 this.bytes = new BytesRef();
62
63 success = true;
64 } finally {
65 if (!success) {
66 IOUtils.closeWhileHandlingException(this, indexStream);
67 }
68 }
69 }
1.2 存储域索引文件(.fdx)
- BlockEndMarker:该值为0，表示后面没有接着Block。因为Block不是以0开始的
- 这里的一个Block包含了多个chunk，chunk对应了.fdt的chunk。所以可以通过.fdx快速的定位到.fdt的chunk。
- Block有三部分组成，BlockChunks表示该block内含有的chunk的数量，DocBases表示了该block的第一个document的ID并可以通过它获取任意一个该block内的chunk的docbase，同理StartPointer表示了该block内所有的chunk在.fdt文件里的位置信息。
- DocBases由DocBase, AvgChunkDocs, BitsPerDocBaseDelta, DocBaseDeltas组成。DocBase是Block内的第一个document ID，AvgChunkDocs是Chunk内document平均个数，BitsPerDocBaseDelta是与AvgChunkDocs的差值，DocBaseDeltas是BlockChunks大小的数组，表示平均的doc base的差值。
- StartPointers由StartPointerBase(block的第一个指针，它对应DocBase),AvgChunkSize(chunk的平均大小，对应AvgChunkDocs), BitPerStartPointerDelta以及StartPointerDeltas组成
- 第N个chunk的起始docbase可以用如下公式计算：DocBase + AvgChunkDocs * n + DocBaseDeltas[n]
- 第N个chunk的起始point可以用如下公式计算：StartPointerBase + AvgChunkSize * n + StartPointerDeltas[n]
- .fdx文件的解析主要用到了 CompressingStoredFieldsFormat，其中以CompressingStoredFieldsIndexReader为例，查看如何读取.fdx文件：
1 // It is the responsibility of the caller to close fieldsIndexIn after this constructor
2 // has been called
3 CompressingStoredFieldsIndexReader(IndexInput fieldsIndexIn, SegmentInfo si) throws IOException {
4 maxDoc = si.getDocCount();
5 int[] docBases = new int[16];
6 long[] startPointers = new long[16];
7 int[] avgChunkDocs = new int[16];
8 long[] avgChunkSizes = new long[16];
9 PackedInts.Reader[] docBasesDeltas = new PackedInts.Reader[16];
10 PackedInts.Reader[] startPointersDeltas = new PackedInts.Reader[16];
11 //读取packedIntsVersion
12 final int packedIntsVersion = fieldsIndexIn.readVInt();
13
14 int blockCount = 0;
15 //开始遍历并读取所有block
16 for (;;) {
17 //numChunks即当做BlockChunks，表示一个Block内Chunks的个数；当Block读取完时候会读取一个为0的值即为BlocksEndMarker，
18 //表示已读取完所有 block。
19 final int numChunks = fieldsIndexIn.readVInt();
20 if (numChunks == 0) {
21 break;
22 }
23 //初始化时候，定义大小为16的数组docBases，startPointers，avgChunkDocs，avgChunkSizes表示16个模块。
24 //当Block大于16时候，会生成新的大小的数组，并将原数据复制过去。
25 if (blockCount == docBases.length) {
26 final int newSize = ArrayUtil.oversize(blockCount + 1, 8);
27 docBases = Arrays.copyOf(docBases, newSize);
28 startPointers = Arrays.copyOf(startPointers, newSize);
29 avgChunkDocs = Arrays.copyOf(avgChunkDocs, newSize);
30 avgChunkSizes = Arrays.copyOf(avgChunkSizes, newSize);
31 docBasesDeltas = Arrays.copyOf(docBasesDeltas, newSize);
32 startPointersDeltas = Arrays.copyOf(startPointersDeltas, newSize);
33 }
34
35 // doc bases
36 //读取block的docBase
37 docBases[blockCount] = fieldsIndexIn.readVInt();
38 //读取avgChunkDocs，block中chunk内含有平均的document个数
39 avgChunkDocs[blockCount] = fieldsIndexIn.readVInt();
40 //读取bitsPerDocBase，block中与avgChunkDocs的delta的位数，根据这个位数获取docBasesDeltas数组内具体delta
41 final int bitsPerDocBase = fieldsIndexIn.readVInt();
42 if (bitsPerDocBase > 32) {
43 throw new CorruptIndexException("Corrupted bitsPerDocBase (resource=" + fieldsIndexIn + ")");
44 }
45 //获取docBasesDeltas值，docBasesDeltas是一个numChunks大小的数组，存放每一个chunk起始的docbase与avgChunkDocs的差值
46 docBasesDeltas[blockCount] = PackedInts.getReaderNoHeader(fieldsIndexIn, PackedInts.Format.PACKED, packedIntsVersion, numChunks, bitsPerDocBase);
47
48 // start pointers
49 //读取block的startPointers
50 startPointers[blockCount] = fieldsIndexIn.readVLong();
51 //读取startPointers，chunk的平均大小
52 avgChunkSizes[blockCount] = fieldsIndexIn.readVLong();
53 //读取bitsPerStartPointer，block中与avgChunkSizes的delta的位数，根据这个位数获取startPointersDeltas数组内具体delta
54 final int bitsPerStartPointer = fieldsIndexIn.readVInt();
55 if (bitsPerStartPointer > 64) {
56 throw new CorruptIndexException("Corrupted bitsPerStartPointer (resource=" + fieldsIndexIn + ")");
57 }
58 //获取startPointersDeltas值，startPointersDeltas是一个numChunks大小的数组，
59 //存放每一个chunk起始的startPointer与avgChunkSizes的差值。
60 startPointersDeltas[blockCount] = PackedInts.getReaderNoHeader(fieldsIndexIn, PackedInts.Format.PACKED, packedIntsVersion, numChunks, bitsPerStartPointer);
61
62 //下一个block
63 ++blockCount;
64 }
65 //将遍历完的数据放入全局变量中
66 this.docBases = Arrays.copyOf(docBases, blockCount);
67 this.startPointers = Arrays.copyOf(startPointers, blockCount);
68 this.avgChunkDocs = Arrays.copyOf(avgChunkDocs, blockCount);
69 this.avgChunkSizes = Arrays.copyOf(avgChunkSizes, blockCount);
70 this.docBasesDeltas = Arrays.copyOf(docBasesDeltas, blockCount);
71 this.startPointersDeltas = Arrays.copyOf(startPointersDeltas, blockCount);
72 }
版权声明：本文不是「本站」原创文章，版权归原作者所有 | 原文地址: