DocValues 压缩算法

本贴最后更新于 2765 天前,其中的信息可能已经沧海桑田

DocValues 用于根据 docId 快速获取字段值,往往整个字段值都存于内存中,因此,需要采用压缩算法来减少内存占用。压缩算法往往要兼顾压缩率和解压速度,为了追求最大的压缩率和最大的解压速度,往往不同的数据会使用不同的压缩算法。DocValues 就是这样,根据不同的数据特点以及用户选择,融合的多种压缩算法。我们以 NumericDocValues 为例详细讲解 DocValues 的压缩算法,代码参见 Lucene54DocValuesConsumer 和 Lucene54DocValuesProducer 两个类

压缩算法

预处理

首先,初始化两个输出文件流 meta 和 data,meta 用于存放元数据,data 存放实例数据。

然后,在确定采用什么压缩算法前,压缩程序会对数据进行一个评估,得到几个参数

  • count:值个数

  • minValue:最小值

  • maxValue:最大值

  • gdc:最大公约数

  • missingCount:缺失值个数

  • zeroCount:零值个数

  • uniqueValues:唯一值列表(收集过程中大于 255 个则清空掉,不在收集)

具体算法

压缩格式

根据预处理得到的参数可以确定采用什么压缩格式,并在 meta 中记录下来,目前有以下几种

  • CONST_COMPRESSED:

只有一个常量值和空值的情况下采用这种格式。这里的常量值不能为 0,因为,这里空值用 0 来代替了。

这种格式很简单,直接把该常量值写入 meta 中,解压时,直接读取 meta 中的常量即可。

  • SPARSE_COMPRESSED

值比较稀疏的时候(missingCount / count >= 0.99)采用这种格式。

这种格式,把存在值的 docId 写到 meta 中,然后把过滤掉了空值的值列表当成一个字段进行压缩(递归调用压缩函数,重新进行预处理,采用合适的压缩算法进行压缩)

  • TABLE_COMPRESSED

唯一值小于等于 256 个,且需要的位数比 DELTA_COMPRESSED 少则采用这种格式。

这种格式,把这些唯一值放到一个数组中,排好序,然后把唯一值写到 meta 中,把每个文档的值在数组中的下标写到 data 中即可。

为什么唯一值小于等于 256 个才采用这种格式呢,原因是 256 在一个 byte 的数值范围内,

综合考虑 meta 中要记录的唯一值不能太多,以及 data 解压速度,大于 256 个值采用这种格式不太合适。

  • GCD_COMPRESSED

最大公约数不等于 1,且需要的位数比 DELTA_COMPRESSED 少则采用这种格式。

这种格式,把最小值、公约数写到 meta 中,然后用差值压缩,差值除于公约数,减小值的大小,再写到 data 中。

解压时,差值乘以公约数,加上最小值即可得到原始值。

  • DELTA_COMPRESSED

差值格式,上面几种压缩方式不满足,则采用这种格式。

这种格式,把最小值写到 meta 中,用值减去最小值,得到差值,写到 data 中。

data 的压缩算法

上面各种格式中,写到 data 的无论是差值、数组下标,都需要进行压缩存储。

在 lucene 中是用 packing integers 来压缩的,简单来说就是初始化一个 long 数组,根据要存储的值的大小,把每个

long 拆成多个固定大小的合适的块,每块存一个数值。比如要存储的一组数的最大值为 18,二进制是 10010,占 5 个 bit,

则一个 long(64bit)就可以拆分为 12 个块,可以存储 12 个值。而用计算机的固定数据类型,就算用最小的数据类型 byte,

64 个 bit 的代价,也只能存储 8 个值。一个 long 拆分为 12 个块,也还有 4 个 bit 浪费掉了,还有一种实现方式,块不限制在一个 long 里面,

这种方式没有存储的浪费,但是解压性能会差一些,如图,i3、i7 这两个块不在一个 long 里面。

Snip20170410_5.png

相关帖子

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...