文章: 集成Lucene和HBase

标签: 文章 lucene hbase | 发表时间:2012-03-29 13:00 | 作者:
出处:http://pipes.yahoo.com/pipes/pipe.info?_id=10560380f804c7341f042a2b8a03e117

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

(点击图像可以放大)

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。

关于作者

Boris Lublinsky是NAVTEQ的首席架构师,他的工作是为大型数据管理和处理、SOA以及实现各种NAVTEQ项目定义架构的愿景。他还是InfoQ的SOA编辑,并且参与了OASIS的SOA RA工作组。Boris是一位作者,并经常发表演讲,他最新的著作是《Applied SOA》。

Michael Segel拥有二十多年和客户协作的经验,和他们一起确定并解决业务问题。Michael曾经在多个领域以多种角色工作过。他是一位独立顾问,期望解决任何有挑战性的问题。Michael拥有俄亥俄州立大学的软件工程学位。

参考文献

  1. Lucene-java Wiki
  2. Animesh Kumar. Apache Lucene and Cassandra
  3. 3. Animesh Kumar. Lucandra - an inside story!
  4. HBase
  5. Lucandra
  6. HBasene
  7. Bigtable
  8. Cassandra
  9. Michael McCandless, Erik Hatcher, Otis Gospodnetic. Lucene in Action, Second Edition.
  10. Boris Lublinsky. Using Apache Avro.

[1]附加的Lucene程序包含了为Berkley DB构建的DB目录。

[2]这个实现受到了Lusandra源代码【3】的启发。

[3]没有在内存中存在太长时间。

查看英文原文: Integrating Lucene with HBase


给InfoQ中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com。也欢迎大家通过新浪微博( @InfoQ)或者腾讯微博( @InfoQ)关注我们,并与我们的编辑和其他读者朋友交流。

相关 [文章 lucene hbase] 推荐:

文章: 集成Lucene和HBase

- - InfoQ cn
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.

HBase client内部机制文章列表

- 半兽人 - yiihsia[互联网后端技术]_yiihsia[互联网后端技术]
本贴用来收集介绍HBase client端内部机制的文章,包括源码分析. HBase源码分析 – RPC机制 : 基础. HBase源码分析 – RPC机制:客户端. HBaseClient源码分析. 细说HBase怎么完成一个Get操作 (client side). 细说HBase怎么完成一个Get操作 (server side).

lucene排序

- - 开源软件 - ITeye博客
排序是对于全文检索来言是一个必不可少的功能,在实际运用中,排序功能能在某些时候给我们带来很大的方便,比如在淘宝,京东等一些电商网站我们可能通过排序来快速找到价格最便宜的商品,或者通过排序来找到评论数最高或卖的最好的商品,再比如在Iteye里的博客栏里,每天都会以降序的方式,来显示出最新发出的几篇博客,有了排序,我们就能在某些时候很方便快速的得到某些有效信息,所以说排序功能,无处不在 ^_^.

[原]Lucene系列-facet

- - 文武天下
facet:面、切面、方面. 个人理解就是维度,在满足query的前提下,观察结果在各维度上的分布(一个维度下各子类的数目). 如jd上搜“手机”,得到4009个商品. 其中品牌、网络、价格就是商品的维度(facet),点击某个品牌或者网络,获取更细分的结果. 点击品牌小米,获得小米手机的结果,显示27个.

[原]Lucene系列-FieldCache

- - 文武天下
域缓存,加载所有文档中某个特定域的值到内存,便于随机存取该域值. 当用户需要访问各文档中某个域的值时,IndexSearcher.doc(docId)获得Document的所有域值,但访问速度比较慢,而且只能获得Stored域的值. FieldCache能获得域值数组,根据docId random access域值.

Lucene 使用教程

- - 行业应用 - ITeye博客
1 lucene简介 . 1.1 什么是lucene . Lucene是一个全文搜索框架,而不是应用产品. 因此它并不像 http://www.baidu.com/ 或者google Desktop那么拿来就能用,它只是提供了一种工具让你能实现这些产品. 1.2 lucene能做什么 . 要回答这个问题,先要了解lucene的本质.

Lucene 4.x 之 IndexReader

- - zzm
在Lucene 3.x时代,《Lucene In Action》是一本相当不错的参考书,书中详细介绍了Lucene各种高级使用技术,对于开发者来说非常实用. 但是近期Lucene升级到了4.x版本,在性能等各方面有了很大的提高,值得在新项目中使用. 然而Lucene 4.x中的API相比3.x来说有了很大的改变,《Lucene In Action》中的很多内容都已经过时了,并且由于4.x推出的时间不长,还没有比较好的文档来对用法进行说明,这个系列文章就是想记录下自己使用Lucene 4.x的经验体会,供大家参考使用.

Solr\Lucene优劣势分析

- - 淘宝网综合业务平台团队博客
最早lucene2.4以及以前,追溯到2008年前后,lucene刚刚引起大家的关注,到后来Nutch. 、solr的出现,lucene变得更加热. Nutch、Solr的发展,极大推动了lucene的升级. 对于一些接触过搜索,使用过lucene、solr的人来说,一般都会感觉lucene、solr很牛逼.