Lucene near real time search
(2011-02-10 16:01:06)
在2.9之前，要看到index writer上发生的更新，必须关闭indexwriter，关闭动作会导致内部缓存的更新操作（生成新的segment，flush和commit，在硬盘上生成对应文件），然后再打开新的reader，才能看到更新。从2.9开始，Lucene开始引入nearrealtime search，可以在不关闭index writer的情况下，搜索到更新的内容。
实现原理
Nearreal time search的原理记录在LUCENE-1313和LUCENE-1516里。LUCENE-1313，在IndexWriter内部维护了一个ram directory，在内存够用前，flush和merge操作只是把数据更新到ramdirectory，只有Index Writer上的optimize和commit操作才会导致ramdirectory上的数据完全同步到文件。LUCENE-1516，IndexWriter提供了实时获得reader的API，这个调用将导致flush操作，生成新的segment，但不会commit（fsync），从而减少了IO。新的segment被加入到新生成的reader里。从返回的reader里，可以看到更新。所以，只要每次新的搜索都从IndexWriter获得一个新的reader，就可以搜索到最新的内容。这一操作的开销仅仅是flush，相对commit来说，开销很小。
这里要清楚几个概念：lucene的index组织和flush，commit，optimize操作。
- Lucene的index组织方式为一个index目录下的多个segment。新的doc会加入新的segment里，这些新的小segment每隔一 段时间就合并起来。因为合并，总的segment数量保持的较小，总体search速度仍然很快。为了防止读写冲突，lucene只创建新的 segment，并在任何active的reader不在使用后删除掉老的segment。
- flush是把数据写入到操作系统的缓冲区，只要缓冲区不满，就不会有硬盘操作。
- commit是把所有内存缓冲区的数据写入到硬盘，是完全的硬盘操作。
- optimize是对多个segment进行合并，这个过程涉及到老segment的重新读入和新segment的合并，属于CPU和IO-bound的 重量级操作。这是因为，Lucene索引中最主要的结构posting通过VINT和delta的格式存储并紧密排列。合并时要对同一个term的 posting进行归并排序，是一个读出，合并再生成的过程。
在IndexWriter获得reader的方法中，主要调用了两个方法doflush()和maybeMerge()。doflush()将调用DocumentsWriter的flush方法，生成新的segment，返回的reader将能访问到新的segment。DocumentsWriter接收多个document添加，并写入到同一个segment里。每一个加入的doc会经过多个DocConsumer组成的流水线，他们包括StoredFieldsWriter（内部调用FieldsWriter），TermVectorsTermsWriter，FreqProxTermsWriter，NormsWriter等。在外界没有主动调用flush的情况下，RAMbuffer全用完了或者加入的doc数足够大后，才会创建新的segment并flush到目录中。
FreqProxTermsWriter调用TermHashPerField负责term的索引过程，当索引某字段词项时，使用对应TermsHashPerField的add()函数完成(一个)词项索引过程，并将索引内容(词项字符串/指针信息/位置信息等)存储于内存缓冲中。中间的过程使用了CharBlockPool，IntBlockPool，ByteBlockPool，只要内存够用，可以不断往后添加。
特性实验
设计一个文档检索程序，进程管理一个indexwriter和两个线程，线程A负责新文档的索引，线程B负责处理搜索请求，其中搜索时使用IndexWriter的新API获取新的reader。通过交替的生成index和search的请求，观察search的结果和索引目录的变化。实验结果如下：
- 打开indexwriter时，会生成一个lock文件
- 每次调用reader时，如果发生了更新，会先进行一次flush，把上次积攒在内存中的更新数据写成新的segment，多出一个.cfs。
- 从新的reader中，可以读到之前新加入的doc信息。
- 当新生成的segment达到十次后，会发生一次optimize，生成8个文件，为.fdt, .fdx, .frq, .fnm, .nrm, .prx, .tii, .tis。
- 当然，外界也可以主动触发optimize，结果是一样的。optimize前的多个segment的文件以及此前optimize的文件不再有用。
- 因为optimize生成cfs要消耗双倍磁盘空间，并增加额外的处理时间，当optimize的index大小较大，超过了index总大小的10或者一个规定大小时，即使index writer指定了CFS格式，optimize仍然会保留为多个文件的格式（LUCENE-2773）。
- 调用indexwriter的close方法，lock文件会被释放，但除了optimize的结果文件外，此前生成的文件并不会被删除。只到下次打开此index目录时，不需要的文件才会被删除。
- 当三种情况下，indexwriter会试图删除不需要的文件，on open，on flushing a new segment，On finishing a merge。但如果当前打开的reader正在使用文件，则不会删除。
- 因此，reader使用完后，一定要调用close方法，释放不需要的文件。
改进计划
In the future NRT may involve searching directly on the rambuffer without first encoding a full Lucene segment
参考资料
lucene官方对于near real time search的介绍
http://wiki.apache.org/lucene-java/NearRealtimeSearch
lucene-2.9.0 索引过程
http://blog.csdn.net/todaylxp/archive/2009/10/25/4726017.aspx
lucene的内存存储posting结构，增量式的posting内存存储结构，通过不同级别的多个内存块实现动态增加：
http://lucene-group.group.javaeye.com/group/blog/587120
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
