sphinx 源码阅读之 分词，压缩索引，倒排
作者: | 更新日期:
一个搜索引擎的核心就是分词、倒排、索引、储存。这些决定着如何搜索。
本文首发于公众号：天空的代码世界，微信号：tiankonguse
前言
sphinx 在创建索引前需要做下面几件事：有数据源(pSource)，有分词器(pTokenizer)，有停止词Stopword 和 字典(pDict)，索引引擎。
我们假设 数据源是 mysql, 分词器是 utf8 分词器。
索引前背景介绍
第一步是准备数据源。
这里采用 mysql 数据源。
mysql 数据的特点是一行一个记录。
每个记录有相同的字段。
每个字段可能代表数字，字符串，时间，二进制等信息，我们都可以按字符串处理即可。
//数据源
CSphSource_MySQL * pSrcMySQL = new CSphSource_MySQL ();
CSphSource * pSource = pSrcMySQL;
第二步准备分词器和字典。
这里不多说分词器，以后会专门写一篇记录来讲解分词器。
分词器依靠字典，可以把一个字符串分割为一些词语(word)。
然后根据这些词语，我们可以把mysql的每条记录每个字段都分割为若干词语，这里成为分词。
分割后这个分词需要保留几个信息：什么分词，属于哪个记录，属于哪个字段，在字段中的位置。
分词我们会hash (crc32) 成一个数字，冲突了就当做一个词了。
记录标示就是用自增整数ID.
字段一般不会很多，我们假设最多255个，使用8位可以表示。
字段的位置不确定，但是一个字段的内容也不会很多，我们用24位表示足够了。
所以哪个字段和字段的哪个位置就可以用一个32位整数代替了。
这样一个分词就可以用三个整数<wordId, docId, pos>来表示了。
//分词器
pTokenizer = sphCreateUTF8Tokenizer ();
pSource->SetTokenizer ( pTokenizer );
//字典
CSphDict_CRC32 * pDict = new CSphDict_CRC32 ( iMorph );
pSource->SetDict ( pDict );
一个分词称为一个hit， 数据结构如下
struct CSphWordHit {
DWORD m_iDocID; //文档ID, 唯一代表一个记录
DWORD m_iWordID; //单词ID, 对单词的hash值，可以理解为唯一标示
DWORD m_iWordPos; //储存两个信息：字段位置(高8位)和分词的位置(低24位)
};
我们一条记录一条记录的把所有的记录都分词了，就得到一个分词列表了。
由于这个列表很大，我们需要分成多块储存，这里假设最多16块吧。
对于每块，储存前先排序一下，这样我们就得到 16 个 有序的数组了。
然后我们就可以创建索引了。
//索引
CSphIndex * pIndex = sphCreateIndexPhrase ( sIndexPath );
//开始创建索引
pIndex->Build ( pDict, pSource, iMemLimit )
其中 一切准备完毕后进入 Build 函数。
build 函数创建搜索
进入 build 函数后先准备内容。
在执行 build 函数时 ，先逐条读取记录，然后对每条记录的每个字段会进行分词(Next函数)，存在 hit 数据结构中。
而且会把 hit 数据按指定块大小排序后压缩储存在 *.spr 文件中。
块信息储存在 bins 数组中，块数最多16块， 块数用 iRawBlocks 表示。
接下来就是关键的创建压缩索引了。
首先创建索引对象。
cidxCreate()
//打开索引文件，先写入 m_tHeader 信息 和 cidxPagesDir 信息。
fdIndex = new CSphWriter_VLN ( ".spi" );
fdIndex->PutRawBytes ( &m_tHeader, sizeof(m_tHeader) );
//cidxPagesDir 数组全是 -1
fdIndex->PutBytes ( cidxPagesDir, sizeof(cidxPagesDir) );
//打开压缩数据文件，先写入一个开始符 bDummy
fdData = new CSphWriter_VLN ( ".spd" );
BYTE bDummy = 1;
fdData->PutBytes ( &bDummy, 1 );
外部排序
现在我们的背景是有16个已经排序的数据存在磁盘上。
由于数据量很大，我们不能一次性全部读进来。
我们的目标是依次挑出最小的hit，然后交给索引引擎处理。
sphinx 使用了 CSphHitQueue 这个数据结构。
CSphHitQueue 你猜是什么？ 队列？ 恭喜你，猜错了。
CSphHitQueue 是一个最小堆。
且 堆的最大个数是 iRawBlocks。
由于 iRawBlocks 个 hits 数组已经排序，所以我们只需要得到 已排序的hits数组的第一个元素，就可以用堆得到最小的那个元素了。
然后我们把最小的这个元素建索引压缩储存，删除最小元素，并取出最小元素所在 hits数组中下一个元素，扔到堆中。
这样就可以从小到大取出所有的元素，并逐个建立索引压缩储存了。
这段话看不懂的话，可以看下面的图。
创建索引压缩储存
其中创建索引压缩储存主要依靠这个函数
cidxHit ( tQueue.m_pData );
其中 tQueue.m_pData 的数据结构如下
/// fat hit, which is actually stored in VLN index
struct CSphFatHit{
DWORD m_iDocID; ///< document ID
DWORD m_iGroupID; ///< documents group ID
DWORD m_iTimestamp; ///< document timestamp
DWORD m_iWordID; ///< word ID in current dictionary
DWORD m_iWordPos; ///< word position in current document
};
hit 是先按 m_iWordID 排序， 相等了再按 m_iDocID 排序， 最后才按 m_iWordPos 排序的。
现在我们先不考虑上面的堆，我们假设所有的 hit 已经在一个数组中了，且按上面的规则排序了。
现在我们想做的是对这个 hit 数组创建索引，并压缩储存。
我们现在来看看这个久等的代码吧。
void CSphIndex_VLN::cidxHit ( CSphFatHit * hit ){
// next word
if ( m_tLastHit.m_iWordID!=hit->m_iWordID ){
// close prev hitlist, if any
if ( m_tLastHit.m_iWordPos ){
fdData->ZipInt ( 0 );
m_tLastHit.m_iWordPos = 0;
}
// flush prev doclist, if any
if ( m_dDoclist.GetLength() ){
// finish writing wordlist entry
fdIndex->ZipOffset ( fdData->m_iPos - m_iLastDoclistPos );
fdIndex->ZipInt ( m_iLastWordDocs );
fdIndex->ZipInt ( m_iLastWordHits );
m_iLastDoclistPos = fdData->m_iPos;
m_iLastWordDocs = 0;
m_iLastWordHits = 0;
// write doclist
fdData->ZipOffsets ( &m_dDoclist );
fdData->ZipInt ( 0 );
m_dDoclist.Reset ();
// restart doclist deltas
m_tLastHit.m_iDocID = 0;
m_iLastHitlistPos = 0;
}
if ( !hit->m_iWordPos ){
fdIndex->ZipInt ( 0 );
return;
}
DWORD iPageID = hit->m_iWordID >> SPH_CLOG_BITS_PAGE;
if ( m_iLastPageID!=iPageID ){
// close wordlist
fdIndex->ZipInt ( 0 );
m_tLastHit.m_iWordID = 0;
m_iLastDoclistPos = 0;
// next map page
m_iLastPageID = iPageID;
cidxPagesDir [ iPageID ] = fdIndex->m_iPos;
}
fdIndex->ZipInt ( hit->m_iWordID - m_tLastHit.m_iWordID );
m_tLastHit.m_iWordID = hit->m_iWordID;
}
// next doc
if ( m_tLastHit.m_iDocID!=hit->m_iDocID ){
if ( m_tLastHit.m_iWordPos ){
fdData->ZipInt ( 0 );
m_tLastHit.m_iWordPos = 0;
}
m_dDoclist.Add ( hit->m_iDocID - m_tLastHit.m_iDocID );
m_dDoclist.Add ( hit->m_iGroupID ); // R&D: maybe some delta-coding would help here too
m_dDoclist.Add ( hit->m_iTimestamp );
m_dDoclist.Add ( fdData->m_iPos - m_iLastHitlistPos );
m_tLastHit.m_iDocID = hit->m_iDocID;
m_iLastHitlistPos = fdData->m_iPos;
// update per-word stats
m_iLastWordDocs++;
}
// the hit
// add hit delta
fdData->ZipInt ( hit->m_iWordPos - m_tLastHit.m_iWordPos );
m_tLastHit.m_iWordPos = hit->m_iWordPos;
m_iLastWordHits++;
}
上面的代码主要做了这个几件事。
第一，根据 m_iWordID 将分词分为 2014 块。
并使用 cidxPagesDir 记录块的偏移量(还记得索引文件第二个写入的数据吗)。
第二，对于每一块，我们按分词分组，并在索引文件 spi 中储存每个词组的信息。
具体储存的信息如下
- 和上一个分词(wordID)的偏差
- 这个分词组在 spd 文件内的长度
- 这个分词记录的变化次数
- 这个分词的 hit 数量
第三，对于每个hit，我们存两部分信息。
- 位置(pos)偏移量信息
- 文档(docId)偏移量的信息
上面的三部分信息都储存后，我们就可以快速的解析出来。
模拟索引数据与还原数据
比如对于下面的数据
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 2 | 3 |
| 1 | 3 | 4 |
| 2 | 1 | 1 |
在 spd 文件中，我们可以得到下面的序列
2 1 0 3 0 4 0 1 1 1 0 1 1 1 3 1 1 1 2 0 1
其中 2 1 0 3 0 4 0 我们很容易看出来。
当 wordId 和 docId 不变时，每条 hit 会储存一个 pos 的偏差。
当 wordId 不变， docId 改变时，我们会先储存一个0， 然后偏差重新开始计算。
当 wordId 改变时， 把存在 m_dDoclist 中的关于 docId 变化的信息储存起来。
一个变化储存四条元信息：docId 变化偏差， m_iGroupID，m_iTimestamp， spi 文件内的偏差。
在 spi 文件中，我们可以得到下面的序列
1 7 3 4 1
这里的代码实际上也分为两部分。
第一部分是 wordId 的偏差。 然后三个元信息是这个 wordId 的信息， 上面已经提过了，这里就不说了<wordId偏移, 偏移数, 记录变化数, hit数>。
依次扫面这个 2 1 0 3 0 4 0, 我们可以恢复 pos 字段 2 3 3 4.
而且 2 3 的 wordId 和 docID 相同。
| wordId | docId | pos |
|---|---|---|
| 2 | ||
| 3 | ||
| 3 | ||
| 4 | ||
根据 索引信息 1 7 3 4 得到这样的信息： wordId 偏移1，长度偏移数7 ，记录变化数3, hit数4.
于是先决定前四个 wordId。
| wordId | docId | pos |
|---|---|---|
| 1 | 2 | |
| 1 | 3 | |
| 1 | 3 | |
| 1 | 4 | |
长度偏移数7 信息可以知道接下来的数据就是数据的第二部分了。
又由于之前遇到 3 个0， 所以有三组数据：<1 1 1 0>, <1 1 1 3>, <1 1 1 2>
根据 <1 1 1 0> 我们可以知道前两个 docId 了。
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 3 | |
| 1 | 4 | |
然后根据 <1 1 1 3> 可以知道第三个 docId。 偏移为1， 加上上个 docId 的值，就是 docId = 2 了。
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 2 | 3 |
| 1 | 4 | |
最后就是 <1 1 1 2> 决定第四个 docId 是 3 了。
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 2 | 3 |
| 1 | 3 | 4 |
看到这里，大家发现最后一个信息没有储存或者储存不完整，也不能解析出来。
所以在最后 sphinx 会调用 一个 下面的代码
//加入结束符
CSphFatHit tFlush;
tFlush.m_iDocID = 0;
tFlush.m_iGroupID = 0;
tFlush.m_iWordID = 0;
tFlush.m_iWordPos =0;
cidxHit ( &tFlush );
//填充 m_tHeader 和 cidxPagesDir 信息。
cidxDone ();
然后我们实际的输出时这个样子：
data: 2 1 0 3 0 4 0 1 1 1 0 1 1 1 3 1 1 1 2 0 1 0 1 1 1 20 0
index: 1 7 3 4 1 15 1 1 0
接着上面的输出就是 索引是 0 1 0 1 1 1 20, 数据时 1 15 1 1.
0 是 分词的间隔，所以从第二个开始。
<1 0>决定 了 pos 值为 1.
<1 15 1 1> 决定了 wordId 值为 1 + 1 = 2.
<1 1 1 20> 决定了 docId 值为 1.
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 2 | 3 |
| 1 | 3 | 4 |
| 2 | 1 | 1 |
最后还有一个0.
决定了解析索引结束。
| wordId | docId | pos |
|---|---|---|
| 1 | 1 | 2 |
| 1 | 1 | 3 |
| 1 | 2 | 3 |
| 1 | 3 | 4 |
| 2 | 1 | 1 |
| 0 | 0 | 0 |
测试代码可以参考这里 .
推理 - 搜索信息
假设我们又上面的压缩的信息了。
我们要搜索一个词时，会如何工作呢？
假设我们已经得到这个词的 wordId 了，只需要二分一下，就可以再 O(log(1024)) 的时间内得到 wordId 在那个块内。
找到一个块内，出现一个问题，我们不能再次二分查找来找到对应的分词列表。 因为这个 index 储存的是和上一个分词的相对偏移量，那只好全部读入内存，扫描一遍对偏移量求和，然后才能找到对应的词。
这个过程中我们进行了两次 IO 操作。
第一次读取块列表信息 cidxPagesDir。
第二次读取选中的那一块的所有数据。
虽然储存偏移量节省了一些磁盘储存，但是却是用扫描整块数据为代价的。我们本来可以直接二分整块数据的。
不管怎样，我们在索引中找到了需要查找的那个分词的位置。
然后我们可以在数据文件内读取对应的信息，然后得到对应记录的id了。
当然，上面这个只是我的推理，下面我们来看看 sphinx 是怎么搜索的吧。
sphinx 搜索方法
看 sphinx 的搜索方法，只需要看 CSphIndex_VLN 的 QueryEx 函数即可。
首先对查询的语句进行分词，然后读取索引头 m_tHeader， 读取分块信息 cidxPagesDir。
然后就对分词进行搜索了。
为了防止相同的分词重复查找，这里采用二层循环，先来判断这个分词之前是否搜索过，搜索过就记下搜索过的那个词的位置。
没搜索过，就搜索。
核心代码
// lookup this wordlist page
// offset might be -1 if page is totally empty
SphOffset_t iWordlistOffset = cidxPagesDir [ qwords[i].m_iWordID >> SPH_CLOG_BITS_PAGE ];
if ( iWordlistOffset>0 ){
// set doclist files
qwords[i].m_rdDoclist.SetFile ( tDoclist.m_iFD );
qwords[i].m_rdHitlist.SetFile ( tDoclist.m_iFD );
// read wordlist
rdIndex.SeekTo ( iWordlistOffset );
// restart delta decoding
wordID = 0;
SphOffset_t iDoclistOffset = 0;
for ( ;; ){
// unpack next word ID
DWORD iDeltaWord = rdIndex.UnzipInt();
if ( !iDeltaWord ) break;// wordlist chunk is over
wordID += iDeltaWord;
// unpack next offset
SphOffset_t iDeltaOffset = rdIndex.UnzipOffset ();
iDoclistOffset += iDeltaOffset;
assert ( iDeltaOffset );
// unpack doc/hit count
int iDocs = rdIndex.UnzipInt ();
int iHits = rdIndex.UnzipInt ();
assert ( iDocs );
assert ( iHits );
// break on match or list end
if ( wordID>=qwords[i].m_iWordID ){
if ( wordID==qwords[i].m_iWordID ){
qwords[i].m_rdDoclist.SeekTo ( iDoclistOffset );
qwords[i].m_iDocs = iDocs;
qwords[i].m_iHits = iHits;
}
break;
}
}
}
看了这个代码，和我想的有点出入，但是总体思路还是一样的。
它是把所有的 cidxPagesDir 全储存起来了，这样直接定位到指定的位置了。少了一个二分搜索。
定位到某个块之后， 果然采用暴力循环来一个一个的增加偏移，然后查找对应的分词。
找到了记录对应的位置的四大元信息。
再然后由于数据量已经很小了，就把匹配的数据取出来即可。
当然，取数据的时候会进行布尔操作，而且会加上权值计算，这样就搜索满足条件的前若干条了。
本文首发于公众号：天空的代码世界，微信号：tiankonguse
如果你想留言，可以在微信里面关注公众号进行留言。
