es filter过滤的bitset机制和caching机制

document存储数据为：

PUT /forum/article/_bulk
{ "index": { "_id": 1 }}
{ "articleID" : "XHDK-A-1293-#fJ3", "userID" : 1, "hidden": false, "postDate": "2017-01-01" }
{ "index": { "_id": 2 }}
{ "articleID" : "KDKE-B-9947-#kL5", "userID" : 1, "hidden": false, "postDate": "2017-01-02" }
{ "index": { "_id": 3 }}
{ "articleID" : "JODL-X-1937-#pV7", "userID" : 2, "hidden": false, "postDate": "2017-01-01" }
{ "index": { "_id": 4 }}
{ "articleID" : "QQPX-R-3956-#aD8", "userID" : 2, "hidden": true, "postDate": "2017-01-02" }

查询语句（获取userid==1 && postDate==2017-01-01的document 并且articleID包含XHDK）:

GET /forum/article/_search{  "query": {     "bool": {       "filter": [         { "term":  { "hidden": "false"}},         { "term": { "postDate": "2017-01-01" }} ,        { "match": { "articleID":   "XHDK"}}      ]    }  }}

此语句查询过程，涉及到caching和bitset部分。

bitset机制

（1） 在倒排索引中查找字符串，获取documnet list。

（2）位每个在倒排索引中搜索到的结果，构建一个bitset。0代表不匹配，1代表匹配，使用bitset这种数据结构可以节省内存空间，提升性能。

"term":  { "hidden": "false"}------>[1,1,1,0]

"term": { "postDate": "2017-01-01" }----> [1,0,1,0]

"match": { "articleID":   "XHDK"}------> [1,0,0,0]

（3）遍历每个过滤条件对应的bitset，优先从最稀疏的开始搜索，查找所有满足所有条件的document

最稀疏的应该是"match": { "articleID":   "XHDK"}------> [1,0,0,0]。这样可以尽可能多的过滤掉documnet。再过滤"term": { "postDate": "2017-01-01" }----> [1,0,1,0]。遍历完后bitset之后，找到所有匹配的document。[1,0,0,0],也就是document==1一个。

caching机制

（1）跟踪query，在最近256个query中超过一定次数的过滤条件，缓存其bitset。对于小segment（<1000，或<3%），不缓存bitset。

使用缓存，可以不用重新扫描倒排索引，不用反复生成bitset，可以大幅度提升性能。

为什么小的segment不进行缓存：segment数据量很小，此时哪怕是扫描也很快；segment会在后台自动合并，小segment很快就会跟其他小segment合并成大segment，此时就缓存也没有什么意义，segment很快就消失了。

（2）filter大部分情况下来说，在query之前执行，先尽量过滤掉尽可能多的数据

query：是会计算doc对搜索条件的relevance score，还会根据这个score去排序
filter：只是简单过滤出想要的数据，不计算relevance score，也不排序

（3）如果document有新增或修改，那么cached bitset会被自动更新

（4）以后只要是有相同的filter条件的，会直接来使用这个过滤条件对应的cached bitset

参考文档：https://www.jianshu.com/p/83e4771f697e

原文地址：https://www.cnblogs.com/parent-absent-son/p/11064819.html