Lucene和HBase的集成

　在所有先进的应用程序中，不管是购物站点还是社交网络乃至风景名胜站点，搜索都扮演着关键的角色。Lucene搜索程序库事实上已经成为实现搜索引擎的标准。苹果、IBM、Attlassian(Jira)、Wolfram以及很多大家喜欢的公司【1】都使用了这种技术。因此，大家对任何能够提升Lucene的可伸缩性和性能的实现都很感兴趣。

　　Lucene简介

　　Lucene中可搜索的实体都表现为文档(document)，它由字段(field)和值(value)组成。每个字段值都由一个或多个可搜索的元素——即词汇(term)——组成。Lucene搜索基于反向索引，其中包含了关于可搜索文档的信息。在使用正常索引时，你可以搜索文档，以了解它包含哪些字段，但使用反向索引与之不同，你会搜索字段的词汇，以了解所有包括该词汇的文档。

　　图1显示的是高层次的Lucene架构【2】。它的主要组件包括IndexSearcher、IndexReader、IndexWriter 和Directory。IndexSearcher实现了搜索逻辑。IndexWriter为每个插入的文档写入反向索引。IndexReader会在IndexSearcher的支持下读取索引的内容。IndexReader和IndexWriter都依赖于Directory，它会提供操作索引数据集的API，而该API会直接模拟文件系统API。

 

 

　　图1： 高层次的Lucene架构

　　标准的Lucene分发包中有多个目录实现，包括基于文件系统和基于内存的[1]。

　　标准基于文件系统的后端的缺点在于，随着索引增加性能会下降。人们使用了各种不同的技术来解决这个问题，包括负载均衡和索引分片(index sharding)——在多个Lucene实例之间切分索引。尽管分片功能很强大，但它让总体的实现架构变得更复杂，并且需要大量对期望文档的预测知识，才能对Lucene索引进行合适地分片。

　　另一种不同的方法是，让索引后端自身对数据进行正确地分片，并基于这样的后端构建出实现。这种后端可以是NoSQL数据库。在本文中我们会描述基于HBase的实现【4】。

　　实现方法

　　正如在【3】中所说明的，在高层次上，Lucene会操作两个单独的数据集：

• 索引数据集中保存了所有字段/词汇对(还有其他信息，像术语频率、位置等)，以及在恰当的字段包含这些词汇的文档。
• 文档数据集中存储所有文档，包括存储的字段等。

　　正如我们已经在上面提到的，想要把Lucene移植到新的后端中，直接实现directory接口并不总会是最简单(最方便)的方法。所以，很多对Lucene的移植，包括从Lucene的contrib.module支持的优先内存索引、Lucandra【5】和HBasene【6】分别采用了不同的方法【2】，不仅重写了directory，还重写了高级的Lucene类——IndexReader和IndexWriter，从而绕开了Directory的API(如图2)。

 

 

　　图2： 将Lucene和没有文件系统的后端整合

　　尽管这种方法通常需要更多工作【2】，但是它能够带来更强大的实现，让我们可以完全利用后端的本地功能。

　　文中所展现的实现[2]也遵循了这种方法。

　　总体架构

　　总体上的实现(如图3)是在基于内存的后端之上构建的，并将其用作内存缓存、同步缓存和HBase后端的机制。

 

 

　　图3： 基于HBase的Lucene实现的总体架构

　　该实现试图平衡两种相互冲突的需求，性能： 在内存中，缓存能够最小化HBase用于搜索和文件返回的数据读取量，从而极大提升性能;可伸缩性： 按照需要运行为多个Lucene示例以支持日益增长的搜索客户端的能力。后者需要最小化缓存的生命周期，从而和HBase实例(上面提到实例的副本)中的内容同步。通过为活动参数实现可配置的缓存时间，限制每个Lucene实例中展现的缓存，我们可以达成一种折中方案。

　　内存缓存中的底层数据模型

　　正如之前所提到的，内部Lucene数据模型基于两种主要的数据集——索引和文档，它们会被实现为两种模型——IndexMemoryModel和DocumentMemoryModel。在我们的实现中，读写操作(IndexReader/IndexWriter)都是通过内存缓存完成的，但是它们的实现有很大区别。对于读取操作，缓存首先会检查所需要的数据是否在内存中，并且没有过期[3]，如果那样的话就会直接使用。否则缓存就会从HBase读取或者刷新数据，然后把它返回给IndexReader。相反，对于写操作，数据会直接写入到HBase，而不会在内存中存储。尽管这在实际的数据可用性方面会有延迟，但是它会让实现过程非常简单——我们不需要考虑把新建或者更新的数据发送给哪个缓存。这里的延迟可以通过设置合适的缓存过期时间来控制，从而符合业务需求。

　　IndexMemoryModel

　　索引内存模型的类图如图4所示。

 

 

　　图4： IndexMemoryModel类图

　　在这个实现中：

• LuceneIndexMemoryModel类包含了当前存在于内存中所有字段的FieldTermDocuments类。它还提供了所有对于实现IndexReader和IndexWriter必要的内部API。
• FieldTermDocuments类会为每个字段值管理TermDocuments。通常，对于可扫描的数据库，字段的列表和字段值的列表可以组合在可导航的字段/词汇值列表中。对于基于内存的缓存实现，我们已经把它们切分为两个独立的部分，从而让搜索的时间更可预测。
• TermDocuments类为每个文档ID包含了一系列TermDocument类。
• TermDocument类包含了针对给定文档在索引中存储的信息——文档使用频度和位置的数组。

　　DocumentMemoryModel

　　文档内存模型的类图如图5所示。

 

 

　　图5： DocumentMemoryModel类图

　　在这个实现中：

• LuceneDocumentMemoryModel类包含DocumentStructure类与每个被索引文档的映射关系。
• DocumentStructure类中包含了单个文档的信息。针对每个文档，它都包含了为每个索引后字段保存的字段和信息。
• FieldData类包含为存储字段(stored field)所保存的信息，包括字段名称、值和二进制或者字符串型的标识。
• DocumentTermFrequency类包含了关于每个被索引字段的信息，包括对相应索引结构(索引、词汇)的向后引用、文档中词汇使用频率、词汇在文档中的位置以及从文档开始的偏移量。

　　LuceneDocumentNormMemoryModel

　　正如在【9】中说明的，规范(norm)是用于表现文档或字段的加权因子，从而提供更好的搜索结果排序，这需要耗费大量内存。类的实现基于对映射的映射(map of maps)，内部映射会存储规范和文档的映射关系，而外部映射会存储规范和字段的映射关系。

　　尽管规范信息的键值是字段名称，从而可以添加到LuceneIndexMemoryModel类中，但是我们还是决定把对规范的管理实现为单独的类——LuceneDocumentNormMemoryModel。这么做的原因在于，在Lucene使用规范是可选的操作。

　　IndexWriter

　　有了之前所描述的底层内存模型，实现索引写入程序就很简单了。因为Lucene不会定义IndexWriter接口，所以想要实现IndexWriter，我们需要实现所有标准Lucene实现中的方法。这个类的主要内容在于addDocument方法。这个方法会遍历所有文档的字段。对于每个字段，方法都会检查它是否可以令牌化(tokenized)，并使用特定的分析器来做到这一点。这个方法还会更新所有三种内存结构——索引、文档和(可选的)规范，它们会为新增的文档存储信息。

　　IndexReader

　　IndexReader会实现Lucene核心所提供的IndexReader接口。因为Hbase中所获得的列表和单独的读操作相比要快很多，所以我们使用一些方法来扩展这个类，从而可以读取多个文档。类本身没有把更多的处理转交给几个类，它会对其进行管理：

• 尽管文档ID通常是字符串，但Lucene内部还是对整型数操作。DocIDManager这个类会负责管理从字符串到数字的转换。IndexReader会以ThreadLocalStorage的形式使用这个类，从而可以在线程结束之后自动清理。
• MemoryTermEnum类扩展了Lucene提供的TermEnum类，负责扫描字段/词汇的值。
• MemoryTermFrequencyVector类会实现Lucene提供的TermDocs和TermPositions接口，负责为给定的字段/词汇对(field/tem pair)处理与文档相关的信息。
• MemoryTermFrequencyVector类实现了Lucene提供的TermFreqVector和TermPositionVector接口，负责针对给定的文档ID返回文档字段频率和位置信息。

　　HBase表

　　以上提出的解决方案基于两个主要的HBase表——Index表(图6)和document表(图7)。

 

 

　　图6： HBase的Index表

 

 

　　图7： HBase的document表

　　如果需要支持规范的话，可选择实现第三个表(图8)。

 

 

　　图8： HBase的norm表

　　HBase的Index表(图6)会完成实现的主要工作。这个表对每个Lucene实例所知道的字段/词汇组合都设置了入口，其中包含一个列族(column family)——documents族。这个列族为包含这个字段或词汇的所有文档都包含了一列(名称是文档的ID)。每个列的内容都是TermDocument类的值。

　　HBase的document表(图7)存储了文档本身、对索引或规范的向后引用，它会为文档处理引用这些文档以及一些Lucene使用的附加信息。它对所有Lucene实例知道的文档都设置了入口(row)。每个文档都通过文档ID(键值)唯一标识，并包含两个列族——字段族和索引族。字段列族针对所有存储在Lucene中的文档字段包含一列(名称为字段的名称)。列的值是值的类型(字符串或者字符数组)和值本身的组合。索引列族为每个引用这个文档的索引包含了一列(名称是字段或者术语)。列的值包括给定字段/词汇在文档的使用频率、位置和偏移量。

　　HBase的norm表(图8)为每个字段存储了文档的规范。它对所有Lucene实例知道的每个字段(键值)都设置了入口(行)。每行都只包含一个列族——规范族。这个族对每个需要存储给定字段规范的文档都有一列(名称是文档ID)。

　　数据格式

　　最终的设计方案确定了在HBase中存储数据的数据格式。对于这个实现，我们基于性能、结果数据的最小规模以及和Hadoop的紧密整合程度选择了Avro【10】。

　　实现主要使用的数据结构是TermDocument(代码1)、文档的FieldData(代码2)和DocumentTermFrequency(代码3)。

 

{ 
  "type" : "record", 
  "name" : "TermDocument", 
  "namespace" : "com.navteq.lucene.hbase.document", 
  "fields" : [ { 
    "name" : "docFrequency", 
    "type" : "int" 
  }, { 
    "name" : "docPositions", 
    "type" : ["null", { 
      "type" : "array", 
      "items" : "int" 
   }] 
  } ] 
}

 

 

　　代码1 词汇文档AVRO定义

 

{ 
  "type" : "record", 
  "name" : "FieldsData", 
  "namespace" : "com.navteq.lucene.hbase.document", 
  "fields" : [ { 
    "name" : "fieldsArray", 
    "type" : { 
      "type" : "array", 
      "items" : { 
        "type" : "record", 
        "name" : "singleField", 
        "fields" : [ { 
          "name" : "binary", 
          "type" : "boolean" 
        }, { 
          "name" : "data", 
          "type" : [ "string", "bytes" ] 
        } ] 
      } 
    } 
  } ] 
}

 

 

　　代码2 字段数据AVRO定义

 

{ 
  "type" : "record", 
  "name" : "TermDocumentFrequency", 
  "namespace" : "com.navteq.lucene.hbase.document", 
  "fields" : [ { 
    "name" : "docFrequency", 
    "type" : "int" 
  }, { 
    "name" : "docPositions", 
    "type" : ["null",{ 
      "type" : "array", 
      "items" : "int" 
    }] 
  }, { 
    "name" : "docOffsets", 
    "type" : ["null",{ 
      "type" : "array", 
      "items" : { 
        "type" : "record", 
        "name" : "TermsOffset", 
        "fields" : [ { 
          "name" : "startOffset", 
          "type" : "int" 
        }, { 
          "name" : "endOffset", 
          "type" : "int" 
        } ] 
      } 
    }] 
  } ] 
}

 

 

　　代码3 TermDocumentFrequency的AVRO定义

　　结论

　　本文中描述的简单实现完全支持所有Lucene功能，针对Lucene核心和普通模块的单元测试都验证了这一点。我们可以将它作为基础，构建可扩展性很强的搜索实现，支持HBase固有的可扩展性以及完全对称的设计，让我们可以添加任意数量服务于HBase数据的进程。它还可以避免需要关闭打开状态的Lucene索引读取程序，就可以包含新的索引数据，那会经过一定延迟之后为用户所用，而延迟是通过活动参数的缓存时间所控制的。在下一篇文章中我们会展示如何扩展这个实现，以包含地理搜索支持。