TermRangeQuery源码解析
简单介绍下 在较早版本的 Lucene 中对一定范围内的查询RanageQuery 。该Query 继承于 MulitTermQuery,在重写(rewrite )Query 树的时候将会遵从一个原则:
根据起始区间值获取term, 然后遍历,根据满足条件的term 的数目来决定重写Query 的类型
如下代码所示:
FilteredTermEnum enumerator = query.getEnum(reader);//PrefixTermEnum try { while(true) {////一个循环,取出与MultiTermQuery相关的所有的Term。 Term t = enumerator.term(); if (t != null) { pendingTerms.add(t);//将满足条件的term搜集 // Loading the TermInfo from the terms dict here // should not be costly, because 1) the// query/filter will load the TermInfo when it runs, and 2) the terms dict has a cache: docVisitCount += reader.docFreq(t);//获取词频 } // 方式一 :如果Term数目超限,或者文档数目超限,则可能非常影响倒排表合并的性能,采用Filter方式 if (pendingTerms.size() >= termCountLimit || docVisitCount >= docCountCutoff) { // Too many terms -- make a filter. Query result = new ConstantScoreQuery(new MultiTermQueryWrapperFilter(query)); result.setBoost(query.getBoost()); return result; //方式二:如果Term 数目不太多,而且文档数目也不太多,不会影响倒排表合并的性能 } else if (!enumerator.next()) { // Enumeration is done, and we hit a small // enough number of terms & docs -- just make a // BooleanQuery, now Iterator it = pendingTerms.iterator(); BooleanQuery bq = new BooleanQuery(true);//构建BooleanQuery while(it.hasNext()) {//将区间Query分解成独立的TermQuery后构造成BooleanQuery,最终通过每个TermQuery的结果合并的方式来达到区间查询的目的 TermQuery tq = new TermQuery((Term) it.next()); bq.add(tq, BooleanClause.Occur.SHOULD); } // Strip scores Query result = new ConstantScoreQuery(new QueryWrapperFilter(bq)); result.setBoost(query.getBoost()); query.incTotalNumberOfTerms(pendingTerms.size()); return result; } } } finally { enumerator.close(); }
(图一)具体见M ultiTermQuery.ConstantScoreAutoRewrite.rewrite() 方法
两种方式区别:
方式一:如果区间范围较大,获取terms 较多则采取Filter 过滤的方式遍历以start 开始的term ,获取[start,end] 的范围内的 TermEnum 从而取出docIDSet 。
方式二:如果区间范围不大,获取terms 不多,将区间Query 分解成多个termQuery 独立查询,然后根据BooleanQuery 来合并docId
缺点:
方式一:只支持字符串形式的范围查询,区间满足的term 数据越多,查询性能越差。
方式二:会构造太多termQuery 很可能造成 TooManyClause 异常,而且获取结果再合并将极大影响性能。
因为方式二其实现和普通BooleanQuery -> termQuery 查询方式一致,而本文主要阐述Range 查询,所以将不会方式二实现原理。
OK,那我们看看TermRangeQuery如何实现查询的,我们知道重写Query树后 ,接下来就是生成weight 树,从图一中可以看到方式一中重写的RangeQuey 被包装成 ConstantScoreQuery(newMultiTermQueryWrapperFilter(query)); 那么从下面的代码实现结构可以看到生成的 weight:
ConstantScoreQuery . createWeight()
|
|- new ConstantScoreQuery.ConstantWeight(searcher);
生成 Weight 树后, weight 树将负责 Scorer 树的生成,如下代码实现结构所示 :
ConstantWeight. Scorer()
|
|- new ConstantScorer ( similarity , reader, this );
|
|- DocIdSet docIdSet = MultiTermQueryWrapperFilter .getDocIdSet(reader) ;
|- DocIdSetIterator iter = docIdSet.iterator();
|- docIdSetIterator = iter;
Query 树 ->weight 树 ->Scorer 树生成后,将开始打分并收集 docId 的过程。如下所示:
Scorer scorer = weight.scorer();
|
|- scorer.score(collector);//scorer= ConstantScorer
整个 score 过程是遍历直到取出的值 == NO_MORE_DOCS 。见如下代码所示:
public void score(Collector collector) throws IOException { collector.setScorer(this); int doc; while ((doc = nextDoc()) != NO_MORE_DOCS) { collector.collect(doc); } }
而 nextDoc 由 ConstantScorer 实现:
public int nextDoc() throws IOException { return docIdSetIterator.nextDoc(); }
结合ConstantScorer的构造函数可以看到整个docId的范围过滤都在:
// filter= MultiTermQueryWrapperFilter得到所有的文档号,形成统一的倒排表,参与倒排表合并。 DocIdSet docIdSet = filter.getDocIdSet(reader);
完成,接下来在看看该方法的具体实现:
MultiTermQueryWrapperFilter .getDocIdSet(reader) ;
| // 得到 TermRangeQuery 的 Term 枚举器
|- final TermEnum enumerator = query .getEnum(reader);
|
|- new TermRangeTermEnum(reader, field , lowerTerm , upperTerm , includeLower , includeUpper , collator );
TermRangeTermEnum的构造函数 其包含的成员变量如下:
_ String lowerTerm; 左边界字符串
_ String upperTerm; 右边界字符串
_ boolean includeLower; 是否包括左边界
_ boolean includeUpper; 是否包含右边界
_ String field; 域
_ Collator collator; 其允许用户实现其函数 int compare(String source, String target) 来决定怎么样算是大于,怎么样算是小于。
TermRangeTermEnum 来保证满足区间条件的 term 能被 MultiTermQueryWrapperFilter. TermGenerator.generate() 方法收集到OpenBitSet中,如下所示:
public DocIdSet getDocIdSet(IndexReader reader) throws IOException { final TermEnum enumerator = query.getEnum(reader);////得到MultiTermQuery的Term枚举器 try { // if current term in enum is null, the enum is empty -> shortcut if (enumerator.term() == null) return DocIdSet.EMPTY_DOCIDSET; // else fill into a OpenBitSet final OpenBitSet bitSet = new OpenBitSet(reader.maxDoc());//创建包含多个Term的文档号集合 new TermGenerator() { public void handleDoc(int doc) { bitSet.set(doc); } }.generate(reader, enumerator); return bitSet; } finally { enumerator.close(); } }
而generate()具体实现为:
public void generate(IndexReader reader, TermEnum enumerator) throws IOException { final int[] docs = new int[32]; final int[] freqs = new int[32]; TermDocs termDocs = reader.termDocs(); try { int termCount = 0; do {////一个循环,取出对应的所有的Term,取出他们的文档号,加入集合 Term term = enumerator.term(); if (term == null) break; termCount++; termDocs.seek(term);//term定位到搜索条件的指定的Term开始往后遍历 while (true) { final int count = termDocs.read(docs, freqs); if (count != 0) { for(int i=0;i<count;i++) { handleDoc(docs[i]); } } else { break; } } } while (enumerator.next()); query.incTotalNumberOfTerms(termCount); } finally { termDocs.close(); } }
从上述代码可以看出TermRangeTermEnum最关键的2个方法就是term()和next()方法,
(1) TermRangeTermEnum.term()方法是获取遍历过程中当前的term。
(2) TermRangeTermEnum.next()方法是遍历Term的枚举列表
在 TermRangeTermEnum 并没有重写 next() 方法,所以从父类 FilteredTermEnum 中的 next 可以看到:
public boolean next() throws IOException { if (actualEnum == null) return false; // the actual enumerator is not initialized! currentTerm = null; while (currentTerm == null) { if (endEnum()) return false; if (actualEnum.next()) { Term term = actualEnum.term(); if (termCompare(term)) {// 满足前缀就OK currentTerm = term; return true; } } else return false; } currentTerm = null; return false; }
从上述代码可以得知遍历结束取决:
(1) endEnum()==true;// 结束枚举遍历
(2) actualEnum.next()==false;// 整个term 的枚举遍历完毕
(3) termCompare(term)==false;// 当前的term 字符串不在[start,end] 区间范围内
而从termRanageTermEnum 中endEnum 其实也是由termCompare(term) 方法来影响,所以人为能影响的区间查询都由termCompare 方法来决定,代码如下所示:
protected boolean termCompare(Term term) { if (collator == null) {//如果用户没有设定collator,则使用字符串比较。 // Use Unicode code point ordering boolean checkLower = false; if (!includeLower) // make adjustments to set to exclusive checkLower = true; if (term != null && term.field() == field) { // interned comparison if (!checkLower || null==lowerTermText || term.text().compareTo(lowerTermText) > 0) { checkLower = false; if (upperTermText != null) { int compare = upperTermText.compareTo(term.text()); ////最大的termText小于当前的termText值则标示不在区间内所以返回false, //同时置endEnum=true;立即结束整个遍历查询过程 if ((compare < 0) || (!includeUpper && compare==0)) { endEnum = true; return false; } } return true; } } else { // break endEnum = true; return false; } return false; } else {//用户设定自己订阅的collator,从而人为控制term值的大小比较 if (term != null && term.field() == field) { // interned comparison if ((lowerTermText == null || (includeLower ? collator.compare(term.text(), lowerTermText) >= 0 : collator.compare(term.text(), lowerTermText) > 0)) && (upperTermText == null || (includeUpper ? collator.compare(term.text(), upperTermText) <= 0 : collator.compare(term.text(), upperTermText) < 0))) { return true; } return false; } endEnum = true; return false; } }
如上代码所述, 区间查询的时间是和区间范围内term 的个数有关系的,也就是说如果区间范围越大,意味着查询的next() term 的次数也会更多。
另外该范围查询只支持字符串范围查询,并不支持数值型的范围查询。所以 从 Lucene 2.9 开始,Lucene 提供对数字范围的支持,但是然而欲使用此查询,必须使用 NumericField 来添加域。 这也是NumericField和numericRangeQuery结合起来的数值型范围查询。
扫一扫订阅我的微信号:IT技术博客大学习
- 作者:hongzhen 来源: 淘宝网综合业务平台团队博客
- 标签: TermRangeQuery
- 发布时间:2012-12-21 13:41:32
- [66] Go Reflect 性能
- [65] 如何拿下简短的域名
- [62] Oracle MTS模式下 进程地址与会话信
- [60] android 开发入门
- [59] 【社会化设计】自我(self)部分――欢迎区
- [59] IOS安全–浅谈关于IOS加固的几种方法
- [58] 图书馆的世界纪录
- [50] 视觉调整-设计师 vs. 逻辑
- [48] 读书笔记-壹百度:百度十年千倍的29条法则
- [46] 界面设计速成