亲宝软件园·资讯

展开

Lucene单值编码压缩算法源码解析

沧叔解码 人气:0

引言

本文收集了我在看Lucene源码中遇到的所有的对单值(int,long,float,double)的压缩算法,可能一种类型针对不同的场景会有多种不同的压缩策略,本文会随着我自己的源码阅读不断持续更新。

不管是什么类型的数值,在计算机中存储都是二进制存储,而我们说对其进行压缩或者编码,其实就是只保留有效信息,什么是有效信息?就是哪些bit位上面是1。所以所有的压缩编码方式都是设计一定的策略,只保留有效信息,并且能够解码或者解压缩。

注意:本文源码基于lucene-core-9.1.0

VInt编码

编码原理

int是4个字节,VInt是对int类型的压缩编码,VInt中的v指的是variant(可变的),也就是VInt编码的int的存储空间的大小是以字节为单位的变长大小。VInt编码结果中的每个字节分为两部分:

我们来看几个例子更好理解:

VInt编码1314

如上图所示,整型1314原始编码需要4字节,但是我们可以发现高位的一连串0其实都是无效信息,其实是不需要存储的。VInt编码首先取原始二进制编码的最低7位,如上图绿色所示,这部分构成VInt的第一个字节的最低7位,因为1314除了最低7位,剩下的非全0,所以第一个VInt编码的字节的首位的标记位为1,表示VInt编码后面还有一个字节参与编码。VInt编码的第二个字节的最低7位就是由原始二进制编码中红色的部分表示(可以通过右移7位,获取最低7位得到),1314剩下的数据都是0,则VInt编码的第2个字节的第一位标记位为0,表示1314的VInt编码结束了。所以1314的VInt编码就是两个字节。

VInt编码10

如上图所示,对于整型10,正常的的4字节编码,前3个字节都是0,可以做个标记,不用占用真实的空间。

换成VInt编码,只需要一个字节。需要注意的是,这个字节的第一位是标记位。如果标记位是0,则表示当前字节就是数值的结束字节。如果标记位是1,则表示后面有字节属于当前数值。如下图所示:

VInt编码-10

如果使用VInt编码算法对-10进行编码,结果如下图所示:

我们会发现,-10的VInt编码居然要5个字节,因此VInt编码只对正数有压缩作用。

源码实现

编码

public final void writeVInt(int i) throws IOException {
  // 如果i的最低7位置0后i非0  
  while ((i & ~0x7F) != 0) {
    // i & 0x7F:取最低7位
    // | 0x80 为flag为置1
    writeByte((byte) ((i & 0x7F) | 0x80));
    // i 右移7位
    i >>>= 7;
  }
  // 剩下不足7位的  
  writeByte((byte) i);
}

解码

public int readVInt() throws IOException {
  byte b = readByte();
  // 如果 b >= 0, 说明flag位是0,当前要读的值只有一个字节。  
  if (b >= 0) return b;
  int i = b & 0x7F;
  b = readByte();
  i |= (b & 0x7F) << 7;
  if (b >= 0) return i;
  b = readByte();
  i |= (b & 0x7F) << 14;
  if (b >= 0) return i;
  b = readByte();
  i |= (b & 0x7F) << 21;
  if (b >= 0) return i;
  b = readByte();
  // 最后一个字节最多只有4位是有效的
  i |= (b & 0x0F) << 28;
  // 如果最后一个字节只有低四位有效,则说明格式正确  
  if ((b & 0xF0) == 0) return i;
  throw new IOException("Invalid vInt detected (too many bits)");
}

VLong编码

对long类型的变长编码原理同VInt,不再赘述。

zigzag编码

编码原理

zigzag是一种编码方式,可以用于int和long,原理一模一样,下面以int为例子。

我们想一下为什么负数会阻碍数据压缩呢?我们知道,数据压缩其实就是保留有效信息,在计算机中,数据就是0和1,1肯定是有效信息,所以压缩就是去掉无效的0。

先观察下正数和负数二进制的规律:

虽然我们举的例子10和-10只是个例,但是了解负数补码的计算方式,就知道,负数是正数按位取反再加1。所以正数的高位是连续的0,负数的高位是连续的1。

因此,可以分两步来处理,首先要想办法把这个符号位1处理下,简单的做法就是把1挪到最后一位。剩下的数据位,我们可以把数据位取反,数据位和符号位异或就可以取反。

zigzag对正数的编码,其实就是正数左移一位。

源码

编码

public static int zigZagEncode(int i) {
  // (i >> 31):处理符号位,把所有的位都设置为符号位,等待和0(数据位左移1位空出来的0)做异或,就能保留符号位在最后一位
  // (i << 1):处理数据位,数据为左移1位,把最后一位用来存符号位,其他数据为都和符号位做异或编码
  return (i >> 31) ^ (i << 1);
}

解码

public static int zigZagDecode(int i) {
  // (i >>> 1):还原数据位,最后和符号位做异或解码
  // -(i & 1):还原符号位,i的最后一位是符号位,该表达式把每一位都设置为符号位 
  return ((i >>> 1) ^ -(i & 1));
}

ZFloat

编码原理

ZFloat对float的编码分为3种情况来处理:

从上面的说明可能会有一些疑问:

上面说的可能还没有直接看源码来的清楚。

源码编码

static void writeZFloat(DataOutput out, float f) throws IOException {
  int intVal = (int) f;
  final int floatBits = Float.floatToIntBits(f);
  // 为什么负数只对-1处理呢?原因是-1+1可以变成0
  // 为什么正数直到125呢,是因为第3个分支,会先写个标记byte:0xFF,所以不能包括126,126+1=127=0xFF会冲突
  if (f == intVal &amp;&amp; intVal &gt;= -1 &amp;&amp; intVal &lt;= 0x7D &amp;&amp; floatBits != NEGATIVE_ZERO_FLOAT) {
    // 最高位是1表示这种情况
    out.writeByte((byte) (0x80 | (1 + intVal)));
  } else if ((floatBits &gt;&gt;&gt; 31) == 0) { // 其他大于0的情况
    // 为什么不直接writeInt呢?我也不清楚,单独的lucene-core模块没有找到原因。
    out.writeByte((byte) (floatBits &gt;&gt; 24));
    out.writeShort((short) (floatBits &gt;&gt;&gt; 8));
    out.writeByte((byte) floatBits);
  } else { // 其他小于0的情况
    out.writeByte((byte) 0xFF);
    out.writeInt(floatBits);
  }
}

解码

static float readZFloat(DataInput in) throws IOException {
  // 先读取第一个字节,用来判断属于哪种情况  
  int b = in.readByte() & 0xFF;
  if (b == 0xFF) { // 情况3,后面还有4字节IEEE 754编码的float
    return Float.intBitsToFloat(in.readInt());
  } else if ((b & 0x80) != 0) { // 情况1
    // b & 0x7f:最高位设为0
    // -1 是因为编码的时候进行加1了  
    return (b & 0x7f) - 1;
  } else { // 情况2
    int bits = b << 24 | ((in.readShort() & 0xFFFF) << 8) | (in.readByte() & 0xFF);
    return Float.intBitsToFloat(bits);
  }
}

ZDouble

编码原理

double的编码和float的非常像,但是多了一种情况,如果double的值强转成float后精度没有丢失,则直接用float存储。其他情况和float的一模一样,我们就直接看源码吧。

源码编码

static void writeZDouble(DataOutput out, double d) throws IOException {
  int intVal = (int) d;
  final long doubleBits = Double.doubleToLongBits(d);
  // 因为多了一种情况,所以需要多一个标记,因此范围成了 [-1..124] 
  if (d == intVal && intVal >= -1 && intVal <= 0x7C && doubleBits != NEGATIVE_ZERO_DOUBLE) {
    out.writeByte((byte) (0x80 | (intVal + 1)));
    return;
  } else if (d == (float) d) { // 和zfloat相比,多出来的一种情况,使用标记:0xFE
    out.writeByte((byte) 0xFE);
    out.writeInt(Float.floatToIntBits((float) d));
  } else if ((doubleBits >>> 63) == 0) { // 同zfloat情况2
    out.writeByte((byte) (doubleBits >> 56));
    out.writeInt((int) (doubleBits >>> 24));
    out.writeShort((short) (doubleBits >>> 8));
    out.writeByte((byte) (doubleBits));
  } else { // 同zfloat情况3
    out.writeByte((byte) 0xFF);
    out.writeLong(doubleBits);
  }
}

解码

static double readZDouble(DataInput in) throws IOException {
  int b = in.readByte() & 0xFF;
  if (b == 0xFF) {
    return Double.longBitsToDouble(in.readLong());
  } else if (b == 0xFE) {
    return Float.intBitsToFloat(in.readInt());
  } else if ((b & 0x80) != 0) {
    return (b & 0x7f) - 1;
  } else {
    long bits =
        ((long) b) << 56
            | ((in.readInt() & 0xFFFFFFFFL) << 24)
            | ((in.readShort() & 0xFFFFL) << 8)
            | (in.readByte() & 0xFFL);
    return Double.longBitsToDouble(bits);
  }
}

TLong

编码原理

TLong是对使用long类型存储的毫秒级timestamp的编码算法。TLong的编码有个header记录使用的是哪种编码方式,四种header的格式如下所示:

header是一个byte,我们的编码方式只有4种,只需要两位就能标记,剩下的6位我们也不能浪费。用其中5位存储经过上述预处理后的值的低5位,如果除了低5位外非零,使用VLong存储剩下的值。而header剩下的1位就是用来表示除了header之外是否还有剩下的值,我们看个例子,下面的例子中是可以整除hour级别的,因此使用的hour的编码方式:

如上面的例子所示,2022-11-08 10:00:00的毫秒级时间戳是1667872800000,它可以整除1000*60*60,所以使用的header是hour并且整除后的值是463298,463298的二进制和zigzag编码(整数的zigzag编码就是左移一位)如上图所示,把zigzag编码的低5位拷贝到header的低5位,zigzag剩下的值不为0,则header中的标记位设置为1。zigzag剩下的值使用VLong编码,因此TLong编码的结果如上图所示。

源码编码

static void writeTLong(DataOutput out, long l) throws IOException {
  int header;
  if (l % SECOND != 0) { // 无压缩
    header = 0;
  } else if (l % DAY == 0) { // 按天粒度
    header = DAY_ENCODING;
    l /= DAY;
  } else if (l % HOUR == 0) { // 小时粒度
    header = HOUR_ENCODING;
    l /= HOUR;
  } else { // 秒粒度
    header = SECOND_ENCODING;
    l /= SECOND;
  }
  // 先按zigzag编码
  final long zigZagL = BitUtil.zigZagEncode(l);
  // zigzag编码的最后5位放在head的最后5位  
  header |= (zigZagL & 0x1F);
  final long upperBits = zigZagL >>> 5;
  if (upperBits != 0) { // 如果zigzag编码的值去除最后5位后非零,则header的第3位设置为1,表示后面还有数据
    header |= 0x20;
  }
  // 写入header  
  out.writeByte((byte) header);
  if (upperBits != 0) { // zigzag编码的值去除最后5位剩下的value使用VLong的方式编码
    out.writeVLong(upperBits);
  }
}

解码

static long readTLong(DataInput in) throws IOException {
  // 读取header  
  int header = in.readByte() & 0xFF;
  // 取header最后5位
  long bits = header & 0x1F;
  if ((header & 0x20) != 0) { // 判断是否除了header之外后面还有数据
    // in.readVLong():读取VLong编码的剩下数据
    // << 5: 左移5位,为header中的低5位留出空间
    // bits |=:bits是保存的是完整的数据 
    bits |= in.readVLong() << 5;
  }
  // 使用zigzag解码
  long l = BitUtil.zigZagDecode(bits);
  switch (header & DAY_ENCODING) { // 按照不同的编码,乘以相应的倍数还原时间戳
    case SECOND_ENCODING:
      l *= SECOND;
      break;
    case HOUR_ENCODING:
      l *= HOUR;
      break;
    case DAY_ENCODING:
      l *= DAY;
      break;
    case 0:
      break;
    default:
      throw new AssertionError();
  }
  return l;
}

加载全部内容

相关教程
猜你喜欢
用户评论