tvx&&tvd

当设置了TermVector的域生成了倒排表以后,将文档的词向量信息写到.tvx(vector_index)跟.tvd(vector_data)文件中。

数据结构

.tvd

图1:

PackedIntsVersion

PackedIntsVersion描述了压缩使用的方式,当前版本中是VERSION_MONOTONIC_WITHOUT_ZIGZAG。

ChunkSize

ChunkSize用来在压缩存储域值信息的方式,后面会详细介绍。

Chunk

图2: 在文档数达到128篇之前,如果这些文档中的所有存储域的域值长度达到4096,或者文档数达到128篇,那么就使得这些文档的信息生成一个Chunk。

DocBase

DocBase是chunk中第一个文档的文档号。

ChunkDocs

chunk中包含的文档个数。

NumFields

NumFields记录了每篇文档中需要记录词向量的域的数量,根据chunk中的个文档数chunkDocs,分为不同的情况:

chunkDocs == 1

图3: 直接记录该篇文档中需要记录词向量的域的数量。

chunkDocs ≥ 1

图4: 记录chunk中的每一篇文档中需要记录词向量的域的数量,使用PackedInts存储。

FieldNums

FieldNums中存储当前chunk中需要记录词向量的域的种类,根据域的编号来获得域的种类,根据域的种类个数分为不用的情况:

(域的种类 - 1) ≤ 7

图5:

token

token是一个组合值,并且大小是一个字节:

PackedIntsValue

把所有的域的编号用PackedInts存储。

(域的种类 - 1) > 7

图6:

token

token是一个组合值,并且大小是一个字节:

FieldNumOffs

图7: FieldNumOffs中存放了chunk中每一篇文档包含的所有域的编号的索引,并且使用PackedInts存储,该索引其实就是fieldNums[]数组的下标值,fieldNums[]数组的数组元素是chunk中的域的编号,数组元素个数是域的种类。通过这种方式使得不直接存储域的编号,因为域的编号可能跨度很大,由于使用固定位数按位存储,每个域的编号占用的bit数量取决编号最大的,那会导致较大的存储空间,而存储下标值就缓解这个问题。 图8: 上图中有4个域的编号,如果直接存储域的编号,其中域的编号最大值为255,即需要8个bit,由于存在4个域的编号,故需要 8 *4 = 32个bit。若值存储索引值,那么需要 1 (0) + 1 (1) + 2 (2) + 2 (3) = 6个bit位。

Flags

Flags用来描述域是否存放位置position、偏移offset、负载payload信息,flag的值可以是下面3个值的组合:

比如说 flag = 3,二进制即0b00000011,即包含位置跟偏移信息。 根据相同域名在不同的文档中是否有相同的Flag分为不同的情况:

相同的域名有相同的flag

图9: 对于某个记录词向量的域名来说,无论它在哪个文档中都记录相同的flag信息,所以只要每种域名记录一次即可,并且用PackedInts存储,固定值0为标志位,在读取阶段用来区分Flags的不同数据结构。

相同的域名有不相同的flag

图10: 对于一个域名来说,它在不同文档中的flag可能不一样(例如当前文档中,某个记录词向量的域名只记录位置信息,而在下一篇文档中,该域名记录了位置信息跟偏移信息),那么只能所有文档中的所有域的flag,并且用PackedInts存储,固定值1为标志位,在读取阶段用来区分Flags的不同数据结构。

 

TermData

TermData记录了域值信息,下文中提及的term是指域值通过分词器获得一个或多个token。 图11:

NumTerms

NumTerms描述了每一篇文档的每一个域包含的term个数,使用PackedInts存储。

TermLengths

TermLengths描述了每一篇文档的每一个域中的每一个term的长度,使用PackedInts存储。

TermFreqs

TermFreqs描述了每一篇文档的每一个域中的每一个term在当前文档中的词频,使用PackedInts存储。

Positions

Positions描述了每一篇文档的每一个域中的每一个term在当前文档中的所有位置position信息,使用PackedInts存储。

StartOffset

StartOffset描述了每一篇文档的每一个域中的每一个term的startOffset,使用PackedInts存储。

Lengths

Lengths描述了每一篇文档的每一个域中的每一个term的偏移长度,使用PackedInts存储。

TermAndPayloads

使用LZ4算法存储每一篇文档的每一个域中的每一个term值跟payload(如果有的话)。

ChunkCount

.tvd文件中chunk的个数。

.tvd整体数据结构

图12:

.tvx

.tvx跟.fdx的生成代码在源码中是一模一样的,所以不赘述了。

点击下载Markdown文档