20230325: 支持在同一个Conjunction中添加同一个field的逻辑表达
eg:
{field in [1, 2, 3], not-in [2, 3, 4]} and .....input field:4 ... => true input field:3 ... => false // 即not有更高逻辑优先级;真更严格 同一个DNF多个字段之间逻辑关系会存在一些边界情况与冲突逻辑的假设前提；本库实现是对逻辑true更严格的实现, 并在roaringidx/be_indexer 两份逻辑实现中保持一致; 更多明细见:./example/repeat_fields_test中的说明与示例
算法描述来源于论文:Boolean expression indexing, 代码中附带了一份vldb09-indexing.pdf. 索引数据构建后的示意图见: boolean indexing arch, 本库的作用是为了使用统一且规范的方式解决下面这种问题:
# 对于一系列规则(布尔规则)描述数据; 对于一个输入.判断哪些规则满足条件的库
# 广告/商品检索便是典型的例子, 某些规则引擎也非常合适
dataset:
item1: {city in [city1, city2] && isVIP is true}
item2: {age > 18 && city not in [city1, city2] && isVIP is true} #(eg: aldult video)
.... 百万级如此的数据; 当然更多数据建议使用工程分片实现更快的检索
当给定一个数据:
<=
city: beijing
age: 24
tag: [xx-fans, xx, xx, xxx] # 多值特征
vip: true|fals
检索输出数据中所有满足布尔条件描述限制的条目:
=> [item1, itemn, .....]为什么写它:
- 大佬(Wolfhead)的实现并没有开源
- 网络上能看到的描述和实现模糊不清，完全不能够工程化
- 在线广告很多功能模块借助其可以实现非常优雅的代码实现
- 论文仅仅描述了核心算法逻辑,没有给出类似于多值查询等其他工程时实践和扩展的设计建议
本库是基于C++实现移步逻辑的基础上， 进行整理改进之后的版本, 因为存在对信息存在编码和压缩，所以存在一些限制，使用时注意规避;
- 文档ID最大值限制为:
[-2^43, 2^43] - 支持自定义Tokenizer，见parser的定义
- 支持容器扩展(eg:外部kv存储); 默认容器实现使用内置map(hashmap)存储
- 内置支持模式匹配容器:(基于AC自动机,常用于上下文内容检索等)
- 内置数值容器:支持>,<,in/not,between运算符,用于支持无限集合范围布尔表达
- 简而言之支持: score > 20 x between l and r 这样的布尔表达,
- 常用于不方便业务转化具体枚举值的数值范围
在引入Aho-corasick模式匹配查找容器后，Index构建可能失败，因此对不可恢复错误引入了panic，
需要集成的应用自己recover对应的panic进行业务逻辑的处理，而对于AddDocument等返回error的API，
需要业务自行判断是否继续构建索引；目前当一个文档包含一个或者多个Conjunction时, 如果某个
Conjunction因提供的值不能被Parser/Holder 正确的解析成所需要的数据时,会跳过错误导致对应的
文档不被索引到; 可以通过WithBadConjBehavior(Panic) 指定具体的行为ERR(default), Skip, Panic
暴露此类问题或者检测对应的日志;
详细使用例子查看：be_indexer usage example
package main
func buildTestDoc() []*be_indexer.Document {
return []*be_indexer.Document{}
}
func main() {
builder := be_indexer.NewIndexerBuilder(
be_indexer.WithBadConjBehavior(be_indexer.SkipBadConj),
)
// or use a compacted version, it faster about 12% than default
// builder := be_indexer.NewCompactIndexerBuilder()
// optional special a holder/container for field
// can also register customized container: see: entries_holder_factory.go
builder.ConfigField("keyword", be_indexer.FieldOption{
Container: be_indexer.HolderNameACMatcher,
})
for _, doc := range buildTestDoc() {
_ = builder.AddDocument(doc) // see: document.go for how to construct doc
}
indexer := builder.BuildIndex()
// indexing satisfied docs
assigns := map[be_indexer.BEField]be_indexer.Values{
"age": be_indexer.NewIntValues(1),
"city": be_indexer.NewStrValues("sh", "bj"),
"tag": be_indexer.NewStrValues("tag1", "tagn"),
}
result, e := indexer.Retrieve(assigns,
be_indexer.WithStepDetail(),
be_indexer.WithDumpEntries())
fmt.Println(e, result)
}design detail see: roaring boolean indexing design:
基于roaring bitmap的布尔索引实现，区别于Boolean expression indexing论文的实现， 利用bitmap在集合运算方面的优势实现的DNF索引逻辑，目前支持普通的倒排以及基于 AhoCorasick的字符串模式匹配逻辑实现。从benchmark 结果来看，在fields数量较多的 场景下性能相对于Boolean expression index的实现性能相对来说要差一些，但roaringidx其可理解性 要好一点。 同时借助roaring bitmap的实现，在文档数规模大、特征数较小的场景下可以节省大量的内存。 模式匹配的索引数据存储也使用了基于double array tree的aho-corasick方案。
NOTE：
- 文档ID范围[-2^56, 2^56]
- 单个Conjunction数量小于256个
- 使用前需要为业务中出现的每个字段提前完成配置
详细使用例子查看：roaringidx usage example
builder := roaringidx.NewIndexerBuilder()
_ = builder.ConfigureField("package", roaringidx.FieldSetting{
Container: roaringidx.ContainerNameDefault,
Parser: parser.NewStrHashParser(),
})
doc1 := be_indexer.NewDocument(1)
doc1.AddConjunction(be_indexer.NewConjunction().
Include("age", be_indexer.NewIntValues(10, 20, 100)).
Exclude("package", be_indexer.NewStrValues("com.echoface.not")))
builder.AddDocuments(doc1)
indexer, err := builder.BuildIndexer()
util.PanicIfErr(err, "should not err here")
scanner := roaringidx.NewScanner(indexer)
docs, err := scanner.Retrieve(map[be_indexer.BEField]be_indexer.Values{
"age": []int64{12, 20},
"package": []interface{}{"com.echoface.be", "com.echoface.not"},
})
util.PanicIfErr(err, "retrieve fail, err:%v", err)
fmt.Println("docs:", docs)
fmt.Println("raw result:", roaringidx.FormatBitMapResult(scanner.GetRawResult().ToArray()))
scanner.Reset()
}Copyright (C) 2018, by gonghuan.dev.
Under the MIT License.
See the LICENSE file for details.