//SortedSetDocValuesWriter
public void addValue(int docID, BytesRef value) {
if (value == null) {
throw new IllegalArgumentException("field \"" + fieldInfo.name + "\": null value not allowed");
}
if (value.length > (BYTE_BLOCK_SIZE - 2)) {
throw new IllegalArgumentException("DocValuesField \"" + fieldInfo.name + "\" is too large, must be <= " + (BYTE_BLOCK_SIZE - 2));
}
/**由于所有的文档是按照顺序index,如果docid变化,表示前面文档index结束要做一些后期操作*
if (docID != currentDoc) {
finishCurrentDoc();
}
// Fill in any holes:
while(currentDoc < docID) {
pendingCounts.add(0); // no values
currentDoc++;
}
// 这里讲field 值加入内存
addOneValue(value);
updateBytesUsed();
}
private void addOneValue(BytesRef value) {
/** 这里维护了一个hash表用来生成term id, 同时可以判定此term是够已经存在(去重)*/
int termID = hash.add(value);
if (termID < 0) {
termID = -termID-1;
} else {
// reserve additional space for each unique value:
// 1. when indexing, when hash is 50% full, rehash() suddenly needs 2*size ints.
// TODO: can this same OOM happen in THPF?
// 2. when flushing, we need 1 int per value (slot in the ordMap).
iwBytesUsed.addAndGet(2 * RamUsageEstimator.NUM_BYTES_INT);
}
if (currentUpto == currentValues.length) {
currentValues = ArrayUtil.grow(currentValues, currentValues.length+1);
// reserve additional space for max # values per-doc
// when flushing, we need an int[] to sort the mapped-ords within the doc
iwBytesUsed.addAndGet((currentValues.length - currentUpto) * 2 * RamUsageEstimator.NUM_BYTES_INT);
}
/** currentValues 是一个writer的全局数组,用来记录每个文档所包含的term Id
currentUpto 表示现在数组占用边界,对每个文档具体的统计在finishCurrentDoc 方法操作*/
currentValues[currentUpto] = termID;
currentUpto++;
}
// finalize currentDoc: this deduplicates the current term ids
private void finishCurrentDoc() {
Arrays.sort(currentValues, 0, currentUpto);
int lastValue = -1;
int count = 0;
/** currentValues termid 排序后,用pending 来做统计,pendingCounts 表示当前文档包含几个term,pending 维护一个termid数组,而且对于其中每个文档其包含的termid 必定唯一。*/
for (int i = 0; i < currentUpto; i++) {
int termID = currentValues[i];
// if it's not a duplicate
if (termID != lastValue) {
pending.add(termID); // record the term id
count++;
}
lastValue = termID;
}
// record the number of unique term ids for this doc
pendingCounts.add(count);
maxCount = Math.max(maxCount, count);
currentUpto = 0;
currentDoc++;
}
做好每个文档的term统计以后,在最后flush操作中,生成几个关键数组,完成DocValues的存储。
//SortedSetDocValuesWriter
public void flush(SegmentWriteState state, DocValuesConsumer dvConsumer) throws IOException {
final int maxDoc = state.segmentInfo.getDocCount();
final int maxCountPerDoc = maxCount;
assert pendingCounts.size() == maxDoc;
//由于hash是全局,并且去重,那么valuecount就是真正存储的term的数量
final int valueCount = hash.size();
//pending 数组表示文档包含哪些具体term id,每个文档之间已经按照termid 排序
final PackedLongValues ords = pending.build();
// 每个文档包含几个term
final PackedLongValues ordCounts = pendingCounts.build();
//sortedValues 是hash所有存储的term排序后term id 排列组合
final int[] sortedValues = hash.sort(BytesRef.getUTF8SortedAsUnicodeComparator());
final int[] ordMap = new int[valueCount];
/**ordMap是数据索引表,可以根据termid 查找在sortedValues 中具体位置,挺tricky的行列转换代码*/
for(int ord=0;ord<valueCount;ord++) {
ordMap[sortedValues[ord]] = ord;
}
// 具体将各个数据字典写入segment,dvd,dvm文件中。
dvConsumer.addSortedSetField(fieldInfo,
// ord -> value
new Iterable<BytesRef>() {
@Override
public Iterator<BytesRef> iterator() {
return new ValuesIterator(sortedValues, valueCount, hash);
}
},
// doc -> ordCount
new Iterable<Number>() {
@Override
public Iterator<Number> iterator() {
return new OrdCountIterator(maxDoc, ordCounts);
}
},
// ords
new Iterable<Number>() {
@Override
public Iterator<Number> iterator() {
return new OrdsIterator(ordMap, maxCountPerDoc, ords, ordCounts);
}
});
}
由于看代码抽象,用上章的例子做为解释对象,上章例子中有如下SortedSetDocValuesFacetField:
Doc0:
doc.add(new SortedSetDocValuesFacetField("Author", "Bob"));
doc.add(new SortedSetDocValuesFacetField("Publish Year", "2010"));
Doc1:
doc.add(new SortedSetDocValuesFacetField("Author", "Lisa"));
doc.add(new SortedSetDocValuesFacetField("Publish Year", "2010"));
Doc2:
doc.add(new SortedSetDocValuesFacetField("Author", "Lisa"));
doc.add(new SortedSetDocValuesFacetField("Publish Year", "2012"));
Doc3:
doc.add(new SortedSetDocValuesFacetField("Author", "Susan"));
doc.add(new SortedSetDocValuesFacetField("Publish Year", "2012"));
Doc4:
doc.add(new SortedSetDocValuesFacetField("Author", "Frank"));
doc.add(new SortedSetDocValuesFacetField("Publish Year", "1999"));
根据上章分析所有的dim,label 将会拼接在一起,而且生成termid, 其term id 与term对应关系如下:
(注lucene存贮字符串是用utf8存储为了便于理解这里还是用字符串显示但是中间分隔符是1f)
0 ----- "Author1fBob"
1 ----- "Publish Year1f2010"
2 ----- "Author1fLisa"
3 ----- "Publish Year1f2012"
4 ----- "Author1fSusan"
5 ----- "Author1fFrank"
6 ----- "Publish Year1f1999"
pendingCounts(ordCounts) 在flush时候:
[2, 2, 2, 2, 2]
每个数组下标表示docid,这个数组表示0-4号文档,每个文档包括2个term
pending ords 在flush时候:
[0, 1, 1, 2, 2, 3, 3, 4, 5, 6]
结合ordCounts再看,对于文档1,查找pendingCounts 知道其包含2个term,其前一个文档也是包含2个term,那么查找文档1包含的term是从pending 数组下标2开始,到4 结束(不包含4),也就是包含term 1和2。
sortedValues 在flush时候: [0, 5, 2, 4, 6, 1, 3]
很明显这是根据要存储的term按照字符串排序后,term id 的排列
ordMap 在flush时候: [0, 5, 2, 6, 3, 1, 4]
初看是和sortedValues 很类似,其实这是一个数组索引数组,我们根据文档号查找到其包含的term id 时候,我们遇到另外一个问题,因为term 存储不是按照termid或者term索引顺序存储的,而是按照term字符串的大小排列的,即使知道termid ,并不意味着顺序访问就能得到真正的term,所以ordMap 就是这个数据索引,假设我们知道文档1包含term 1,2,那么我们根据ordMap的下标(其就是term id ) 查找term1 的位置是5,也就是在sortvalues 存储在第5个term 位置,同理term2在第2个位置。
有意思的是在生成OrdMap中用的代码:
for(int ord=0;ord<valueCount;ord++) {
ordMap[sortedValues[ord]] = ord;
}
做到生成代码为O(n),而不是O(n*n)。到此可以回答前面的问题,所有的term都是单独去重排序存储(sortedValues),另外为所有文档维护term 信息pending ords,pendingCounts(ordCounts),同时便于根据termid 查找具体term内容提供索引数组ordMap 查找。