集成Lucene和HBase

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" : "<u>int</u>"
  }]
 } ]
}

代码 1 词汇文档 AVRO 定义

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

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。