Lucene8索引及文件格式的基本概念

背景

在社区中看到有人提出一个问题，大意就是为什么启用压缩之后占用的空间大小为什么没变小。
原地址是ES索引默认的压缩功能有效果吗？

image.png

问题分析

其实这个问题就涉及到Lucene的文件结构了，Elasticsearch统计的存储空间中包括了很多内容，不止包括原文档，还有所有字段的索引，而Elasticsearch中对文档的压缩也仅限于_source这个存储了原JSON格式的字段（实际上应该是fdt这个文件的压缩方式，默认是LZ4），因此可能会出现这个朋友发现的这种情况。今天有时间我就来整理一下Lucene的文件结构。

另外，提问中的空间大小还涉及到了segment的多少，一般来说，刚完成数据索引的索引，如果segment比较多也可能会占用更大的空间。

Lucene文件

基本概念

Lucene 有几个关键词，index，document，field和term`。

index 包括很多document，就像是一张表有很多行记录。
document包括很多field，就像一条记录的不同字段。

term 这个概念就不能简单的用关系型数据库来理解了，但是也可以想象成，字段中的数据，但是这个字段的数据是数组形式，一个term就是数组中的一个值。

倒排索引

Lucene中用于存储索引的结构叫倒排索引Inverted Indexing，倒排索引时以term为单位的，对于文本字段来说，每个字段都会有一个倒排索引。

字段类型

在Lucene中的字段类型一共只有三种，文本，数值，二进制。

segment 段

一个索引有一个或者多个段组成，这样设计的原因是为了更方便的进行更新或者修改数据，而不会对旧的索引更新，防止大量更新的情况下影响搜索性能。
每当有新的文档进入，会按照批次创建新的段，然后持久化到磁盘中。
段只存在于磁盘。

文件编号

在内部，Lucene通过整数文档编号引用文档。添加到索引的第一个文档编号为零，并且添加的每个后续文档都比前一个更大。

请注意，文档的编号可能会更改，因此在将这些编号存储在Lucene之外时应小心。特别是，在以下情况下，数字可能会发生变化：

1. 存储在每个段中的数字仅在段内是唯一的，并且必须先进行转换才能在更大的上下文中使用。标准技术是根据该段中使用的数字范围为每个段分配一系列值。要将文档编号从段转换为外部值，请添加段的基本文档编号。要将外部值转换回特定于段的值，将通过外部值所在的范围来标识该段，并减去该段的基值。例如，可以组合两个五个文档段，使得第一个段的基值为零，五个中的第二个段。来自第二段的文档3的外部值为8。
2. 删除文档时，会在编号中创建间隙。随着索引通过合并演变，这些最终会被删除。合并段时删除已删除的文档。因此，新合并的细分市场的编号没有差距。

索引结构

每个段索引都保持以下内容：

Segment info。这包含有关段的元数据，例如文档数，它使用的文件，
Field names。它包含索引中使用的字段名称集。
Stored Field values。对于每个文档，这包含属性 - 值对的列表，其中属性是字段名称。这些用于存储有关文档的辅助信息，例如其标题，URL或访问数据库的标识符。存储的字段集是搜索时为每个匹配返回的字段。这是由文件编号键入的。
Term dictionary。包含所有文档的所有索引字段中使用的所有术语的字典。字典还包含包含该术语的文档数量，以及指向术语频率和接近度数据的指针。
Term Frequency data。对于字典中的每个术语，包含该术语的所有文档的编号以及该文档中术语的频率，除非省略频率（IndexOptions.DOCS_ONLY）
Term Proximity data。对于词典中的每个术语，术语在每个文档中出现的位置。请注意，如果所有文档中的所有字段都省略位置数据，则不存在此操作。
Normalization factors。对于每个文档中的每个字段，存储一个值，该值乘以该字段上的匹配分数。
Term Vectors。对于每个文档中的每个字段，可以存储术语向量（有时称为文档向量）。术语向量由术语文本和术语频率组成。要将术语向量添加到索引，请参阅 Field构造函数
Per-document values。DocValues ，用于排序，聚合
Live documents。一个可选文件，指示哪些文档是活动的。
Point values。可选的文件对，记录尺寸索引字段，以实现快速数值范围过滤和大数值，如BigInteger和BigDecimal（1D）以及地理形状交叉（2D，3D）。

有关这些内容的详细信息，请参见其链接页面。

文件命名

属于段的所有文件具有相同的名称和不同的扩展名。扩展名对应于下面描述的不同文件格式。使用复合文件格式（小段默认）时，这些文件（段信息文件，锁定文件和已删除文档文件除外）将折叠为单个.cfs文件（有关详细信息，请参阅下文）

通常，索引中的所有段都存储在单个目录中，但这不是必需的。

永远不会重复使用文件名。也就是说，当任何文件保存到目录时，它将被赋予一个前所未有的文件名。这是使用简单的世代方法实现的。例如，第一段文件是segments_1，然后是segments_2等。生成是以字母数字（基础36）形式表示的顺序长整数。

文件扩展名记录