算法描述来源于论文:Boolean expression indexing,代码中也附带 了一份pdfdoc/vldb09-indexing.pdf.
为什么写它:
- 大佬(Wolfhead)的实现并没有开源
- 网络上能看到的描述和实现模糊不清,完全不能够工程化
- 在线广告很多功能模块借助其可以实现非常优雅的代码实现
- 论文仅仅描述了核心算法逻辑,没有给出类似于多值查询等其他工程时实践和扩展的设计建议
本库是基于C++实现移步逻辑的基础上,进行整理改进之后的版本
因为存在对信息存在编码和压缩,所以存在一些限制,使用时注意规避:
- 文档ID最大值限制为:
[-2^43, 2^43]
- 每个文档最多拥有256个Conjunction
- 每个DNF最大支持组合条件(field)个数:256
- 支持自定义Tokenizer,见parser的定义
- 支持容器扩展(eg:外部kv存储); 默认容器是hashmap,因抽用了8bit存储field,所以最大值:2^56
- 支持模式匹配逻辑查询(基于AC自动机,用于上下文内容定向等等)
在引入Aho-corasick模式匹配查找容器后,Indexer的构建可能失败,整个库中因为一些限制,不允许一些错误的出现,否则布尔逻辑可能失败,因此对不可恢复错误引入了panic,需要集成的应用自己recover对应的panic进行业务逻辑的处理,而对于AddDocument 等允许返回错误的借口,需要业务自行判断是否继续构建索引;注意这里可能出现逻辑错误:eg:docID: {"age" in [16...100] && "badField" not in ["ValueCantParser"]}
可能出现部分逻辑表达已经添加进索引("age" in [16...100]
),但另一部分"badField" not in ["ValueCantParser"]
并没有构建成功而返回错误, 如果此时允许错误而继续构建索引数据,那么对于查询{age: 20, badField:"被排除的值"}
会得到满足的文档docID
,而这是一个逻辑错误,因为被排除的值
是这个文档排除的表达式一部分,但是因为AddDocument中的错误而没有构建进索引数据中.
package main
import (
"fmt"
"github.com/echoface/be_indexer/parser"
"github.com/echoface/be_indexer/util"
"github.com/echoface/be_indexer"
)
func buildTestDoc() []*be_indexer.Document {
return []*be_indexer.Document{}
}
func main() {
builder := be_indexer.NewIndexerBuilder()
// or use a compacted version, it faster about 12% than default
// builder := be_indexer.NewCompactIndexerBuilder()
// optional special a holder/container for field
builder.ConfigField("keyword", be_indexer.FieldOption{
Parser: nil,
Container: be_indexer.HolderNameACMatcher,
})
for _, doc := range buildTestDoc() {
err := builder.AddDocument(doc)
util.PanicIfErr(err, "document can't be resolved")
}
indexer := builder.BuildIndex()
result, e := indexer.Retrieve(map[be_indexer.BEField]be_indexer.Values{
"age": be_indexer.NewValues2(5),
})
fmt.Println(e, result)
result, e = indexer.Retrieve(map[be_indexer.BEField]be_indexer.Values{
"ip": be_indexer.NewStrValues2("localhost"),
})
fmt.Println(e, result)
result, e = indexer.Retrieve(map[be_indexer.BEField]be_indexer.Values{
"age": be_indexer.NewIntValues2(1),
"city": be_indexer.NewStrValues2("sh"),
"tag": be_indexer.NewValues2("tag1"),
}, be_indexer.WithStepDetail(), be_indexer.WithDumpEntries())
fmt.Println(e, result)
}
基于roaring bitmap的布尔索引实现,相对于Boolean expression index论文的实现,是利用bitmap在集合运算方面的优势实现的DNF Match逻辑,目前支持普通的倒排以及基于AhoCorasick的字符串模式匹配逻辑实现。从benchmark 结果来看,在fields数量较多的场景下性能相对于Boolean expression index的实现性能相对来说要差一些,但是其可理解性要好一点。 借助roaring bitmap的实现,在文档数规模大、特征数较小的场景下可以节省大量的内存。aho corasick 选型上也选取了使用double array trie的实现,索引上内存有所压缩。
限制:
- 文档ID范围[-2^56, 2^56]
- 单个Conjunction数量小于256个
package main
import (
"fmt"
"github.com/echoface/be_indexer"
"github.com/echoface/be_indexer/parser"
"github.com/echoface/be_indexer/roaringidx"
"github.com/echoface/be_indexer/util"
)
func main() {
builder := roaringidx.NewIndexerBuilder()
builder.ConfigureField("ad_id", roaringidx.FieldSetting{
Container: roaringidx.ContainerNameDefault,
Parser: parser.ParserNameNumber,
})
builder.ConfigureField("package", roaringidx.FieldSetting{
Container: roaringidx.ContainerNameDefault,
Parser: parser.ParserNameStrHash,
})
builder.ConfigureField("keywords", roaringidx.FieldSetting{
Container: roaringidx.ContainerNameAcMatch,
Parser: parser.ParserNameCommon,
})
doc1 := be_indexer.NewDocument(1)
doc1.AddConjunction(be_indexer.NewConjunction().
Include("ad_id", be_indexer.NewIntValues(100, 101, 108)).
Exclude("package", be_indexer.NewStrValues("com.echoface.not")))
doc1.AddConjunction(be_indexer.NewConjunction().
Include("package", be_indexer.NewStrValues("com.echoface.in")))
doc3 := be_indexer.NewDocument(20)
doc3.AddConjunctions(be_indexer.NewConjunction())
doc4 := be_indexer.NewDocument(50)
doc4.AddConjunction(be_indexer.NewConjunction().
Exclude("ad_id", be_indexer.NewIntValues(100, 108)).
Include("package", be_indexer.NewStrValues("com.echoface.be")))
builder.AddDocuments(doc1, doc3, doc4)
indexer, err := builder.BuildIndexer()
util.PanicIfErr(err, "should not err here")
scanner := roaringidx.NewScanner(indexer)
conjIDs, err := scanner.Retrieve(map[be_indexer.BEField]be_indexer.Values{
"ad_id": []interface{}{100, 102},
"package": []interface{}{"com.echoface.be", "com.echoface.not"},
})
fmt.Println(roaringidx.FormatBitMapResult(conjIDs))
scanner.Reset()
}
Copyright (C) 2018, by HuanGong gonghuan.dev@gmail.com.
Under the MIT License.
See the LICENSE file for details.