Lucene- Core 版本 8.8.2

Lucene 的 Index 设计基本依赖磁盘存储，而倒排索引是依赖大量冗余数据来完成分词搜索的技术，所以 Lucene 在设计的时候用了很多时间换空间的数据压缩技术，以此保障能在最少的磁盘资源来储存最多的数据。VInt 就是其中一个很有意思的设计。

二 技术原理

Java 中一个普通的 int 占据 4 个 byte。

但是当 int 的值为 -128 ～ 127 的时候，其实只需要一个 byte 就可以放得下了，其它三个 byte 都是无意义的冗余（其它几个 byte 所能代表的区间以此类推），真实能够用满这四个 byte 的情况并不多。VInt 的意思是 variant int，也就是可变的 int。其本质是按需分配，减少这种冗余。

2 byte 指示位

一个正常的 byte 有八个数据有效位，而 VInt 中只有七个，最高位变成了后一个 byte 的指示位。

• 最高位为 1，代表后一个 byte 依然是当前数据
• 最高位为 0，代表后面没有数据了

3 VInt 的副作用

• 对于正数来说，由于只有七个数据位，所以当 int 的值比较大的时候，可能会需要 5 个 byte 才能表述当前的数据（这个问题无法被解决，VInt 也觉得无需解决，因为情况在真实生产中并不多）
• 对于负数来说，最高位为 1，无法被压缩（引入 zigzag 编码）

4 zigzag 编码

使用位移和异或操作将首位的符号位挪到数据的最后一位。

三 Demo

假如需要分别序列化 1 / 200 / -1 这三个 int 数，则 VInt 算法的具体步骤为（有效数据标黄）：

1 二进制化

• 1 的二进制数为 00000000 00000000 00000000 00000001
• 200 的二进制数为 00000000 00000000 00000000 11001000
• -1 的二进制数为 11111111 11111111 11111111 11111110

2 向前位移一位，后面补 0

• 1 处理后的二进制数为 00000000 00000000 00000000 00000010
• 200 处理后的二进制数为 00000000 00000000 00000001 10010000
• -1 处理后的二进制数为 11111111 11111111 11111111 11111100

3 异或操作

异或操作的本质是不同为 0，相同是 1。

• 对于正数，异或一个 11111111 11111111 11111111 11111111

  • 1 的处理表达式为 00000000 00000000 00000000 00000010 ^ 11111111 11111111 11111111 11111111 = 00000000 00000000 00000000 00000010；
  • 200 的处理表达式为 00000000 00000000 00000001 10010000 ^ 11111111 11111111 11111111 11111111 = 00000000 00000000 00000001 10010000

• 对于负数，异或一个 00000000 00000000 00000000 00000000

  • -1 的处理表达式为 11111111 11111111 11111111 11111100 ^ 00000000 00000000 00000000 00000000 = 00000000 00000000 00000000 00000011

4 八位为一个单位处理数字

以八位为一个单位读取数据，当读取到八位之后，将第一位看作是标记位，如果还有其它数据的话，再读取八位。

• 对于数字 1 来说

  • 序列化过程：

    • 先读取七位 0000010，之前都为 0，没有数据，则前面补 0，为 00000010

  • 读取过程：

    • 读取序列化数据 00000010，第一位是 0，代表只有一个 byte，后面没有其它数据，故数据为 00000010
    • 最后一位是 0，代表是正数，与 11111111 异或操作，得到 00000010
    • 将数据往后挪一位，前端补 0，最终为 00000001

• 对于数字 200 来说

  • 序列化过程：

    • 先读取七位 0010000，之前不都为 0，则前面补 1，为 10010000
    • 再读取七位 0000011，之前都为 0，则前面补 0，为 00000011
    • 组合数据为 10010000 00000011

  • 读取过程：

    • 读取序列化数据 10010000，第一位是 1，代表不止一个 byte，后面还有其它数据，故数据为 0010000
    • 再读取 00000011，第一位是 0，代表没有其它数据来，数据为 0000011
    • 组合数据为 00000001 10010000
    • 最后一位是 0，代表是正数，与 11111111 11111111 异或操作，得到 00000001 10010000
    • 将数据往后挪一位，前端补 0，最终为 00000000 11001000

• 对于数字 -1 来说

  • 序列化过程：

    • 先读取七位 0000011，之前都为 0，没有数据，则前面补 0，为 00000011

  • 读取过程：

    • 读取序列化数据 00000011，第一位是 0，代表只有一个 byte，后面没有其它数据，故数据为 00000011
    • 最后一位是 1，代表是负数，与 00000000 异或操作，得到 11111100
    • 将数据往后挪一位，前端补 1，最终为 11111110

1 writeZInt

writeZInt(...) 方法在 org.apache.lucene.store.DataOutput 中：

// 这个方法用于写入一个 zigzag 编码之后的 int 值
public final void writeZInt(int i) throws IOException {
  // BitUtil.zigZagEncode(i) 用于 zigzag 编码
  writeVInt(BitUtil.zigZagEncode(i));
}

// 用于写入一个 VInt
public final void writeVInt(int i) throws IOException {
  while ((i & ~0x7F) != 0) {
    // writeByte(...) 方法用于将 byte 持久化到文件中，暂时无需关注
    writeByte((byte)((i & 0x7F) | 0x80));
    i >>>= 7;
  }
  writeByte((byte)i);
}

2 zigZagEncode

zigZagEncode(...) 方法在 org.apache.lucene.util.BitUtil 中：

// i >> 31 对于正数来说，会返回全 0 的屏障
// i >> 31 对于负数来说，会返回全 1 的屏障
public static int zigZagEncode(int i) {
  return (i >> 31) ^ (i << 1);
}

3 readZInt

readZInt(...) 方法在 org.apache.lucene.store.DataOutput 中：

public int readZInt() throws IOException {
  return BitUtil.zigZagDecode(readVInt());
}

public int readVInt() throws IOException {
  // 此处从磁盘读取一个 byte
  byte b = readByte();
  // b >= 0，代表最高位是 0，后续没有值了，以下雷同
  if (b >= 0) return b;
  int i = b & 0x7F;
  // 继续读取一个 byte
  b = readByte();
  i |= (b & 0x7F) << 7;
  if (b >= 0) return i;
  // 继续读取一个 byte
  b = readByte();
  i |= (b & 0x7F) << 14;
  if (b >= 0) return i;
  // 继续读取一个 byte
  b = readByte();
  i |= (b & 0x7F) << 21;
  if (b >= 0) return i;
  // 继续读取一个 byte，在 VInt 的编码下，最高五个 byte
  b = readByte();
  i |= (b & 0x0F) << 28;
  if ((b & 0xF0) == 0) return i;
  throw new IOException("Invalid vInt detected (too many bits)");
}

4 zigZagDecode

zigZagDecode(...) 方法在 org.apache.lucene.util.BitUtil 中：

public static int zigZagDecode(int i) {
  return ((i >>> 1) ^ -(i & 1));
}