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：

1. 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。

2. 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。

3. 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。

4. 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：

1. 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。

2. 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。

3. 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编程网网站，小编将为大家输出更多高质量的实用文章！