为Lucene选择快速唯一标识符（UUID）

大多数使用Apache Lucene的搜索应用程序都会为每个索引文档分配唯一的ID（即主键）。尽管Lucene本身不需要这样做（它可能不太在乎！），但应用程序通常需要它以后通过其外部ID替换，删除或检索该文档。大多数在Lucene之上构建的服务器，例如Elasticsearch和Solr ，都需要一个唯一的ID，如果不提供，则可以自动生成一个ID。

有时，您的ID值已经预先定义，例如，如果外部数据库或内容管理系统分配了ID ，或者您必须使用URI ，但是如果您可以自由分配自己的ID，那么哪种方法最适合Lucene？

一个明显的选择是Java的UUID类，该类生成版本4的通用唯一标识符，但事实证明，这是性能上最糟糕的选择：它比最快的速度慢4倍。要了解原因，需要对Lucene如何找到术语有所了解。

BlockTree术语词典

术语词典的目的是存储在索引期间看到的所有唯一术语，并将每个术语映射到其元数据（ docFreq ， totalTermFreq等）以及totalTermFreq （文档，偏移量，投递和有效载荷）。当请求一个术语时，术语词典必须在磁盘索引中找到它并返回其元数据。

默认编解码器使用BlockTree术语词典，该词典以排序的二进制顺序存储每个字段的所有术语，并将这些术语分配到共享公共前缀的块中。默认情况下，每个块包含25到48个词。它使用内存中的前缀三叉戟索引结构（ FST ）将每个前缀快速映射到相应的磁盘块，并在查找时首先根据请求的术语的前缀检查索引，然后在-disk块并扫描以查找术语。

在某些情况下，当段中的术语具有可预测的模式时，术语索引可以知道请求的术语不能存在于磁盘上。这种快速匹配测试可以带来可观的性能提升，尤其是当索引很冷（操作系统的IO缓存不缓存页面）时，因为它避免了昂贵的磁盘搜寻。由于Lucene是基于段的，因此单个id查找必须访问每个段直到找到匹配项，因此快速排除一个或多个段可能是一个大胜利。保持细分受众群的数量尽可能少也很重要！

鉴于此，完全随机的id（例如UUID V4 ）应该会表现最差，因为它们击败了术语索引快速匹配测试，并且需要对每个段进行磁盘搜索。具有可预测的每段模式的ID（例如顺序分配的值或时间戳）应发挥最佳作用，因为它们将使术语索引快速匹配测试的收益最大化。

测试性能

我创建了一个简单的性能测试器来验证这一点。完整的源代码在这里。该测试首先将1亿个ID索引到具有7/7/8段结构（7个大段，7个中段，8个小段）的索引中，然后搜索200万个ID的随机子集，记录最佳时间5次。我在Ubuntu 14.04上使用Java 1.7.0_55，以及3.5 GHz Ivy Bridge Core i7 3770K。

由于Lucene的术语从4.0开始是完全二进制的，因此存储任何值的最紧凑的方法是二进制形式，其中每个字节使用所有256个值。然后，一个128位ID值需要16个字节。

我测试了以下标识符来源：

顺序ID（0、1、2，...），采用二进制编码。
零填充的顺序ID（00000000、00000001等），采用二进制编码。
纳米时间，二进制编码。但是请记住，纳米时间是棘手的。
使用此实现从时间戳，nodeID和序列计数器派生的UUID V1 。
UUID V4 ，使用Java的UUID.randomUUID()随机生成。
片状ID ，使用此实现。

对于UUID和Flake ID，除了标准（16或36基）编码之外，我还测试了二进制编码。请注意，我仅使用一个线程测试了查找速度，但是在添加线程时，结果应该线性扩展（在足够并行的硬件上）。

用二进制编码的零填充顺序ID最快，比非零填充顺序ID快很多。 UUID V4（使用Java的UUID.randomUUID() ）慢了约4倍。

但是对于大多数应用程序来说，顺序编号是不实际的。第二快的是UUID V1 ，以二进制编码。令我惊讶的是，这比Flake ID快得多，因为Flake ID使用相同的原始信息源（时间，节点ID，序列），但是以不同的方式对位进行混洗以保留总体顺序。我怀疑问题在于，在获取不同文档之间的数字之前，必须在片状ID中遍历的通用前导数字的数目，因为64位时间戳的高位在先，而UUID V1则在低位位首先是64位时间戳。当一个字段中的所有术语共享一个公共前缀时，术语索引也许可以优化这种情况。

我还分别测试了10、16、36、64、256的基数，通常对于非随机ID，较高的基数更快。我对此感到惊讶，因为我希望与BlockTree块大小（25到48）匹配的基数最好。

此测试有一些重要警告（欢迎补丁）！一个真正的应用程序显然比简单地查找id还要做更多的工作，并且结果可能会有所不同，因为热点必须编译更多活动的代码。在我的测试中，该索引非常热（有大量RAM可以容纳整个索引）；对于冷索引，我希望结果会更加鲜明，因为避免磁盘搜索变得非常重要。在实际应用中，使用时间戳的id在时间上会更加分散；我可以通过伪造更大范围的时间戳来“模拟”自己。也许这会缩小UUID V1和Flake ID之间的差距？我在索引编制过程中只使用了一个线程，但是具有多个索引编制线程的实际应用程序会将ID一次分散到多个段中。

我使用了Lucene的默认TieredMergePolicy ，但是有一种更聪明的合并策略可能会支持那些ID更加“相似”的合并段，从而可能会产生更好的结果。该测试不执行任何删除/更新操作，这将在查找期间需要进行更多工作，因为如果给定的ID已被更新（除其中一个以外的所有其他ID），则该ID可能位于多个段中。

最后，我使用了Lucene的默认编解码器，但是当您愿意将RAM换成更快的查询时，我们有不错的发布格式针对主键查找进行了优化，例如去年的Google夏季代码项目和MemoryPostingsFormat 。这些可能会提供可观的性能提升！