Elasticsearch 查询命令执行时，如何通过词项索引、词项字典、倒排表定位文档逻辑介绍

这里不涉及到源码，只是根据网上的一些文章总结一下，目前不需要细究，只需要知道大概就好，除非你的工作是二次开发ES

这张图你可以认为粗糙的描述倒排索引对应关系，下面的文章也是主要讲解这张图各个部分含义

一、​Term Index(词项索引)

看这个​Term Index是不是特别想树的数据结构？比如二叉树或者多叉树？其实是FST，下面看一下它是怎么出来的

1、FSM（Finite State Machine）有限状态机

表示有限个状态（State）集合以及这些状态之间转移和动作的数学模型。其中一个状态被标记为开始状态，0个或更多的状态被标记为final状态。来自[转]ElasticSearch 查询的秘密

这种模型使用原型的节点标示某个“状态”，状态之间可以互相转换，但是转换过程是无向的。
比如睡觉醒了可以去工作，工作累了可以去玩手机；或者工作中想去上厕所等等。
在这个模型中，标示状态的节点是有限多个的，但状态的转换的情况是无限多的，同一时刻只能处于某一个状态，并且状态的转换是无序切循环的。
显然这种模型并不适用于描述Term Dictionary这样的数据结构，所以再看一下演变的FSA

2、FSA（Finite State Acceptor）确定无环有限状态接收机

相较于FSM，FSA增加了Entry和Final的概念,这样就增加了如下3个特性
1、确定：意味着指定任何一个状态，只可能最多有一个转移可以访问到。
2、无环： 不可能重复遍历同一个状态
3、接收机：有限状态机只“接受”特定的输入序列，并终止于final状态。
来自：关于Lucene的词典FST深入剖析

我们如何来表示只有一个key：jul 的集合。FSA是这样的：

当查询这个FSA是否包含“jul”的时候，按字符依序输入。

输入j，FSA从0->1
输入u,FSA从1->2
输入l，FSA从2->3
这个时候，FSA处于final状态3，所以jul是在这个集合的。

增加一个key:mar 就如下表

再增加一个key:jun

遍历算法是这样的：

初始状态0， key=””
->1,key=”j”
->2,key=”ju”
->3,key=”jul”,找到jul
2<-,key=”jun”,找到jun
2<-,key=”ju”
1<-,key=”j”
0<-,key=””
->4,key=”m”
->5,key=”ma”,
->3,key=”mar”,找到mar
这个算法时间复杂度O(n),n是集合里所有的key的大小,空间复杂度O(k),k是结合内最长的key字段length。

再看一下更复杂的，由“october”，“november”,”december”构成的FSA

所以FSA不光共用前缀，后缀也一样可以共用

即使FSA已经满足了对Term Dictionary数据高效存储的基本要求，但是仍然不满足的一个问题就是，FSA无法存储key-value的数据类型，

3、FST(Deterministic acyclic finite state transducer)确定无环状态转换器

FST在FSA基础上为每一个出度添加了一个output属性，用来表示每个term的value值，
来自：倒排索引：ES倒排索引底层原理及FST算法的实现过程

下面拿key:msb输出 要输出一个value:10 和再新增一个key:msbtech输出一个value:5的FST是如何构建的

当第一个term:msb被写入FST中，其输出值被保存在了其第一个节点的出度上，在数据从FST中读取的时候， 计算其每个节点对应的出度的输出值以及终止节点的final output值的累加和，从而得出输出值，此时msb的输出值就是10+0+0+0=10，但是这里我用0来标识没有输出值，但实际情况没有输出值就是空而不是0，这里写0只是为了方便你去理解，这一点是需要注意的。

当第二个term:msbteach被写入的时候，其输出值5与msb的输出值10发生了冲突，这时，通用最小化算法法则发挥了功效。数字虽然不能像字符那样以前缀作为复用手段，但是数字是可以累加的，10可以拆成两个数字5，这样10和5就产生了公共部分，即5，所以这个时候m的输出值就需要改成5，那另一个5就需要找一个合适的位置，然而把它存放在任何一个节点的出度上似乎都会影响msbtech的计算结果，为了避免这个问题，可以把这个多出来的属于msb的输出值存入msb的final节点的final output中，节点的final output只会在当前出度是输入值的最后一个字符并且出度的target指向的是final节点的时候，才会参与计算。因此此时的msb和msbtech就各自把输出值存入了合适的位置，互不影响而且做到了“通用最小化”原则。

所以大体上就知道了​Term Index 中的FST是怎样的数据结构了

二、Term Dictionary(词项字典)

这个就比较直白，就是各个分词后的字段列表
来自：倒排索引：ES倒排索引底层原理及FST算法的实现过程

下面拿右边的做一个例子，这样Term Dictionary会把右边的表中product字段的内容分词，分成左边的表格中的样例

但是既然都已经知道上面的term index了，那看存储词项索引的文件.tip数据结构和输出如何映射到词项字典文件.tim

词项字典包含了index field的所有经过normalization token filters处理之后的词项数据，最终存储在.tim文件中。
所谓normalization其实是一个如去重、时态统一、大小写统一、近义词处理等类似的相关操作；词项索引就是为了加速词项字典检索的一种数据结构，落地文件为.tip

所以，词项字典也是存储了很多东西的，一个block代表像小米、手机这样的分词块

三、Posting List(倒排表)

倒排表这里主要说一下两种压缩算法，因为都知道倒排表存储的是词项字典对应的文档的id，那如何存储的呢？因为要考虑到量的问题，虽然不是文档本身，但是id这个字段存储几十亿的量还是挺大的

1、FOR（Frame Of Reference）压缩算法(差值存储)

即不存储原本的数值，而是存储每个数值与前一个数字的差值，这个适用于id之间差值都很小，或者只有几个id之间差值大的场景，这种数组也叫稠密数组
下面以某个id的集合是[1,2,3…100万]和[73，300，302，332，343，372]举例

如果是[1,3…100万]，用差值存储你可能就知道为什么这么做了，节省的空间存储很多，压缩了32倍。

下面又用了一个特殊的例子[73，300，302，332，343，372]来演示特殊的情况，就是某两个id之间差值之间太大的情况，数组经过拆分，分为了两个数组，第一个数组每个数字占用1个Byte，共两个数字，总占用为2Bytes，记录数组单位大小的Record Space大小为1Byte，第二个数组每个数字占用5个bit，一共四个数字，共计20bit，但是计算空间的最小单位是Byte，所以实际占用的大小为3Bytes，第二个数组的Record Space大小也是1Byte，因此压缩后的数据总大小为1B+2x1B+3B+1B=7Bytes，相比压缩之前，大小不到原先的三分之一。

但是可能还有更特殊的，每一个id之间相差都很大，就有了下面这种压缩算法RBM

2、RBM（RoaringBitmap）压缩算法(32位int拆成两个16位的short存储)

针对id数据大部分id之间差值都很大，用差值存储压缩不了多少的情况，这里称这种数组为稀疏数组，Lucene对于这种稀疏数组采用了另一种压缩算法
下面用 [1000，62101，131385，132052，191173，196658] 这种典型稀疏数组为例

RBM算法本身的设计思路是将原数字的的32个bit分为了高16位和低16位。以原数组中的196658这个id为例，将其转化为二进制结果为 110000000000110010，我们看到其实结果是不足32bits的，但因为每个int型都是有32个bit组成的，不足32bit会在其前面补0，实际其占用的空间大小仍然为32bits，如果这一点不理解，打个比方，公交车有32个座位，无论是否坐满，都是使用了32个座位。最终196658转换成二进制就是0000 0000 0000 0011 0000 0000 0011 0010，前16位就是高16位，转换成十进制就是3，后16位也就是低16位，转换成十进制就是50

到这一步其实你有疑问？拆开空间也没有变小啊，还是32bits啊？那可以继续往下看

对数组中每个数字进行相同的操作，会得到以下结果：（0,1000）（0,62101）（2,313）（2,980）（2,60101）（3,50），其含义就是每个数字都由一个很大的数字变为了两个很小的数字，并且这两个数字都不超过65536，更重要的是，当前结果是非常适合压缩的，因为不难看出，出现了很多重复的数字，

比如前两个数字的得数都是0，以及第2、3、4个数字的得数都是2。RBM使用了非常适合存储当前结果的数据结构。这种数据结构是一种类似于哈希的结构，只不过Key值是一个short有序不重复数组，用于保存每个商值，value是一个容器，保存了当前Key值对应的所有模，这些模式不重复的，因为同一个商值的余数是不会重复的。

这里的容器官方称之为Container,RBM中包含三种Container，分别是ArrayContainer、BitmapContainer和RunContainer，

(1)ArrayContainer

ArrayContainer，顾名思义，Container中实际就是一个short类型的数组，其空间占用的曲线如图3-4中的红色线段，注意这里是线段，因为docs的数量最大不会超过65536，其函数为 y（空间占用）=x（docs 长度） x 2Bytes，当长度达到65536极限值的时候，其占用的大小就是16bit * 65536 / 8 /1024 = 128KB，乘以65536是总bit数，除以8是换算成Byte，除以1024是换算成KB。

(2)BitmapContainer

第二种是BitmapContainer，理解BitmapContainer之前首先要了解什么是bitmap。以往最常见的数据存储方式都是二进制进位存储，比如我们使用8个bit存储数字，如果存十进制0，那二进制就是 0 0 0 0 0 0 0 0，如果存十进制1，那就是 0 0 0 0 0 0 0 1，如果存十进制2，那就是 0 0 0 0 0 0 1 1，用到了第二个bit。这种做法在当前场景下存储效率显然不高，如果我们现在不用bit来存储数据，而是用来作为“标记”，即标记当前bit位置商是否存储了数字，出的数字值就是bit的下标，如下图所示，就表示存储了2、3、5、7四个数字，第一行数字的bit仅代表当前index位置上是否存储了数字，如果存储了就记作1，否则记为0，存储的数字值就是其index，并且存储这四个数字只使用了一个字节。

不过这种存储方式的问题就是，存储的数字不能包含重复数字，并且Bitmap的大小是固定的，不管是否存储了数值，不管存储了几个值，占用的空间都是恒定的，只和bit的长度有关系。
但是我们刚才已经说过，同一个Container中的数字是不会重复的，因此这种数据类型正好适合用这种数据结构作为载体，而因为我们Container的最大容量是65536，因此Bitmap的长度固定为65536，也就是65536个bit，换算成千字节就是8KB，如图的蓝色线段所示，即Lucene的RBM中BitmapContainer固定占用8KB大小的空间，
通过对比可以发现，当doc的数量小于4096的时候，使用ArrayContainer更加节省空间，当doc数量大于4096的时候，使用BitmapContainer更加节省空间

(3)RunContainer

第三种Container叫RunContainer，这种类型是Lucene 5之后新增的类型，主要应用在连续数字的存储商，比如倒排表中存储的数组为 [1,3…100W] 这样的连续数组，如果使用RunContainer，只需存储开头和结尾两个数字：1和100W，即占用8个字节。这种存储方式的优缺点都很明显，它严重收到数字连续性的影响，连续的数字越多，它存储的效率就越高。