1Lucene字典

使用lucene进行查询不可避免都会使用到其提供的字典功能，即根据给定的term找到该term所对应的倒排文档id列表等信息。实际上lucene索引文件后缀名为tim和tip的文件实现的就是lucene的字典功能。

怎么实现一个字典呢？我们马上想到排序数组，即term字典是一个已经按字母顺序排序好的数组，数组每一项存放着term和对应的倒排文档id列表。每次载入索引的时候只要将term数组载入内存，通过二分查找即可。这种方法查询时间复杂度为Log(N)，N指的是term数目，占用的空间大小是O(N*str(term))。排序数组的缺点是消耗内存，即需要完整存储每一个term，当term数目多达上千万时，占用的内存将不可接受。

2 常用字典数据结构

很多数据结构均能完成字典功能，总结如下。

数据结构

优缺点

排序列表Array/List

使用二分法查找，不平衡

HashMap/TreeMap

性能高，内存消耗大，几乎是原始数据的三倍

Skip List

跳跃表，可快速查找词语，在lucene、redis、Hbase等均有实现。相对于TreeMap等结构，特别适合高并发场景(Skip List介绍)

Trie

适合英文词典，如果系统中存在大量字符串且这些字符串基本没有公共前缀，则相应的trie树将非常消耗内存(数据结构之trie树)

Double Array Trie

适合做中文词典，内存占用小，很多分词工具均采用此种算法(深入双数组Trie)

Ternary Search Tree

三叉树，每一个node有3个节点，兼具省空间和查询快的优点(Ternary Search Tree)

Finite State Transducers (FST)

一种有限状态转移机，Lucene 4有开源实现，并大量使用

3 FST原理简析

lucene从4开始大量使用的数据结构是FST(Finite State Transducer)。FST有两个优点：1)空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间；2)查询速度快。O(len(str))的查询时间复杂度。

下面简单描述下FST的构造过程(工具演示：http://examples.mikemccandless.com/fst.py?terms=&cmd=Build+it%21)。我们对“cat”、 “deep”、 “do”、 “dog” 、“dogs”这5个单词进行插入构建FST(注：必须已排序)。

1)插入“cat”

插入cat，每个字母形成一条边，其中t边指向终点。

2)插入“deep”

与前一个单词“cat”进行最大前缀匹配，发现没有匹配则直接插入，P边指向终点。

3)插入“do”

与前一个单词“deep”进行最大前缀匹配，发现是d，则在d边后增加新边o，o边指向终点。

4)插入“dog”

与前一个单词“do”进行最大前缀匹配，发现是do，则在o边后增加新边g，g边指向终点。

5)插入“dogs”

与前一个单词“dog”进行最大前缀匹配，发现是dog，则在g后增加新边s，s边指向终点。

最终我们得到了如上一个有向无环图。利用该结构可以很方便的进行查询，如给定一个term “dog”，我们可以通过上述结构很方便的查询存不存在，甚至我们在构建过程中可以将单词与某一数字、单词进行关联，从而实现key-value的映射。

4 FST使用与性能评测

我们可以将FST当做Key-Value数据结构来进行使用，特别在对内存开销要求少的应用场景。Lucene已经为我们提供了开源的FST工具，下面的代码是使用说明。

FST压缩率一般在3倍~20倍之间，相对于TreeMap/HashMap的膨胀3倍，内存节省就有9倍到60倍！(摘自：把自动机用作 Key-Value 存储)，那FST在性能方面真的能满足要求吗？

下面是我在苹果笔记本(i7处理器)进行的简单测试，性能虽不如TreeMap和HashMap，但也算良好，能够满足大部分应用的需求。

- THE END -

作者简介

Mr.W

白天搬砖，晚上砌梦想。

相信每个人有故事，程序员更是有许多事故，书写最接地气的程序员故事,为大家找出更好的资料。