我在看阿德里安·格兰德的 talk on Lucene's index architecture他提出的一点是 Lucene 使用排序数组来表示其倒排索引的字典部分。使用排序数组而不是哈希表(“经典”倒排索引数据结构)背后的原因是什么?
哈希表提供 O(1) 插入和访问,在我看来这对快速处理查询和合并索引段有很大帮助。另一方面,排序数组只能提供 O(logN) 访问和 (gasp) O(N) 插入,尽管合并 2 个排序数组与合并 2 个哈希表的复杂度相同。
我能想到的哈希表的唯一缺点是更大的内存占用(这确实可能是一个问题)和更少的缓存友好性(尽管查询排序数组之类的操作需要二进制搜索,这与缓存不友好一样)。
那么这是什么一回事? Lucene 开发人员使用数组肯定有很好的理由。这与可扩展性有关吗?磁盘读取速度?完全是别的什么?
最佳答案
好吧,我会在这里推测(可能应该是评论 - 但它会太长)。
HashMap
通常是具有搜索时间的快速查找结构O(1)
- 意味着它是恒定的。但那是一般情况;因为(至少在 Java 中)一个 HashMap
用途 TreeNodes
- 搜索是 O(logn)
在那个桶里面。即使我们认为他们的搜索复杂度是 O(1)
,这并不意味着它同时是明智的。它只是意味着它对于每个单独的数据结构都是恒定的。 15_000_000
条目需要多一点 1GB
内存;排序后的数组可能更紧凑,特别是因为它们可以保存基元而不是对象。 HashMap
(通常)需要重新散列所有键,这可能会对性能造成重大影响,因为它们都必须潜在地移动到不同的位置。 TreeMap
可能, wheres 数组更适合这里。我正在考虑对索引进行分区(可能是他们在内部进行)。 HashMap
开始首先......我相信他们的决定有令人信服的理由。我想知道他们是否有实际测试来证明这个选择。 关于arrays - 为什么 Lucene 使用数组而不是哈希表作为倒排索引?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45228877/