浅谈Lucene中的DocValues

前言： 在Lucene4.x之后，出现一个重大的特性，就是索引支持DocValues，这对于广大的solr和elasticsearch用户，无疑来说是一个福音，这玩意的出现通过牺牲一定的磁盘空间带来的好处主要有两个： （1）节省内存 （2）对排序，分组和一些聚合操作时能够大大提升性能

下面来详细介绍下DocValue的原理和使用场景

（一）什么是DocValues？ DocValues其实是Lucene在构建索引时，会额外建立一个有序的基于document => field value的映射列表； （二）为什么要用DocValues ？ 基于lucene的solr和es都是使用经典的倒排索引模式来达到快速检索的目的，简单的说就是建立 搜索词=》 文档id列表 这样的关系映射， 然后在搜索时，通过类似hash算法，来快速定位到一个搜索关键词，然后读取其的文档id集合，这就是倒排索引的核心思想，这样搜索数据 是非常高效快速的，当然它也是有缺陷的，假如我们需要对数据做一些聚合操作，比如排序，分组时，lucene内部会遍历提取所有出现在文档集合 的排序字段然后再次构建一个最终的排好序的文档集合list，这个步骤的过程全部维持在内存中操作，而且如果排序数据量巨大的话，非常容易就造成solr内存溢出和性能缓慢。 基于这个原因，在lucene4.x之后出现了docvalue这个新特性，在构建索引时会对开启docvalues的字段，额外构建一个已经排好序的文档到字段级别的一个列式存储映射，它减轻了在排序和分组时，对内存的依赖，而且大大提升了这个过程的性能，当然它也会耗费的一定的磁盘空间。 （三）什么时候应该用DocValues？ 通过上面的剖析，散仙相信大家已经对DocValues有一个初步的了解了，至于它的应用场景，那么也非常明显了，总结起来主要以下几个方面： 1，需要聚合的字段，包括sort，agg，group，facet等 2，需要提供函数查询的字段 3，需要高亮的字段，这个确实能加速，但是散仙并不建议把高亮放在服务端程序做，建议放在前端实现，不容易出错而且总体性能比服务端高 4，需要参与自定义评分的字段，这个稍复杂，大多数人的场景中，不一定能用到，后面会单独写一篇文章介绍。 对于不需要参与上面任何一项的字段，可以选择关闭docvalues，这样可以节省一定的磁盘空间. （四）DocValues的种类 在lucene的枚举类DocValuesType 中，我们可以看见它声明了六个常量： 1, NONE 不开启docvalue时的状态 2, NUMERIC 单个数值类型的docvalue主要包括（int，long，float，double） 3, BINARY 二进制类型值对应不同的codes最大值可能超过32766字节， 4, SORTED 有序增量字节存储，仅仅存储不同部分的值和偏移量指针，值必须小于等于32766字节 5, SORTED_NUMERIC 存储数值类型的有序数组列表 6, SORTED_SET 可以存储多值域的docvalue值，但返回时，仅仅只能返回多值域的第一个docvalue 通常有四种docvalue存储场景： A： 字符串或UUID字段+单值 会选择SORTED作为docvalue存储 B： 字符串或UUID字段+多值 会选择SORTED_SET作为docvalue存储 C：数值或日期或枚举字段+单值 会选择NUMERIC 作为docvalue存储 D：数值或日期或枚举字段+多值 会选择SORTED_SET作为docvalue存储 注意，分词字段存储docvalue是没有意义的 （五）如何在Lucene，Solr，ElasticSearch中使用DocValues？ 说完了概念方面的东西，下面来点实际的例子，来看下如何给索引加上docsvalue，只要加上docvalues后，排序，分组，聚合的时候 会自动使用docvalue提速，所以我们关注的重点是如何激活docvalue。 1，在原生Lucene中使用DocValues，这个稍麻烦，需要自定义组装，因为lucene是核心算法包，所以封装程度并不是很高，正是 由于这样，理解了lucene之后，再理解solr和elasticsearch是非常easy的。 下面是在lucene中存储docvalue例子，一个是string类型，一个是数值类型，分词类型在这里没有意义，不再提及：

如何读取：

2，在Solr中docvalue默认是全部关闭，比较严谨，大家可酌情开启

3，在ElasticSearch中，默认docvalue全部激活，比较简单暴力，大家可酌情关闭一些不需要使用docvalue的字段，以节省磁盘空间

最后再提一点，在和solr和es中，如果想要在自己写的插件中读取docvalue的值，读取方法和lucene的差不多，需要注意doule和float的的值转换。