This is an automated email from the ASF dual-hosted git repository.
adonisling pushed a commit to branch clucene
in repository https://gitbox.apache.org/repos/asf/doris-thirdparty.git
The following commit(s) were added to refs/heads/clucene by this push:
new 75db892e [bug] Fix problems with Chinese analyzer buffer size (#68)
75db892e is described below
commit 75db892eec7ec066fa0959206a146b49ce4e3464
Author: airborne12 <[email protected]>
AuthorDate: Thu May 18 11:28:57 2023 +0800
[bug] Fix problems with Chinese analyzer buffer size (#68)
---
.../CLucene/analysis/jieba/ChineseTokenizer.cpp | 25 +-
src/test/contribs-lib/analysis/testChinese.cpp | 532 +++++++++++++++++++++
2 files changed, 549 insertions(+), 8 deletions(-)
diff --git a/src/contribs-lib/CLucene/analysis/jieba/ChineseTokenizer.cpp
b/src/contribs-lib/CLucene/analysis/jieba/ChineseTokenizer.cpp
index 60c9eaf3..0d44e376 100644
--- a/src/contribs-lib/CLucene/analysis/jieba/ChineseTokenizer.cpp
+++ b/src/contribs-lib/CLucene/analysis/jieba/ChineseTokenizer.cpp
@@ -17,15 +17,24 @@ void ChineseTokenizer::init(const std::string &dictPath) {
CL_NS(analysis)::Token *ChineseTokenizer::next(lucene::analysis::Token *token)
{
// try to read all words
+ const TCHAR *initBuffer;
if (dataLen == 0 || bufferIndex >= dataLen) {
- auto bufferLen = input->read((const void **) &ioBuffer, 1, 0);
- if (bufferLen == -1) {
- dataLen = 0;
- bufferIndex = 0;
- return NULL;
- }
- char tmp_buffer[4 * bufferLen];
- lucene_wcsntoutf8(tmp_buffer, ioBuffer, bufferLen, 4 * bufferLen);
+ int totalLen = 0;
+ do {
+ auto bufferLen = input->read((const void**)&ioBuffer, 1,
LUCENE_IO_BUFFER_SIZE);
+ if (bufferLen == -1) {
+ dataLen = 0;
+ bufferIndex = 0;
+ break;
+ }
+ if (totalLen < LUCENE_IO_BUFFER_SIZE) {
+ initBuffer = ioBuffer;
+ }
+ totalLen+=bufferLen;
+ } while (true);
+
+ char tmp_buffer[4 * totalLen];
+ lucene_wcsntoutf8(tmp_buffer, initBuffer, totalLen, 4 * totalLen);
JiebaSingleton::getInstance().Cut(tmp_buffer, tokens_text, true);
dataLen = tokens_text.size();
}
diff --git a/src/test/contribs-lib/analysis/testChinese.cpp
b/src/test/contribs-lib/analysis/testChinese.cpp
index d75a000a..3f54d537 100644
--- a/src/test/contribs-lib/analysis/testChinese.cpp
+++ b/src/test/contribs-lib/analysis/testChinese.cpp
@@ -469,6 +469,537 @@ void testJiebaMatch2(CuTest* tc) {
doc.clear();
}
+void testJiebaMatchHuge(CuTest* tc) {
+ RAMDirectory dir;
+
+ auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
+ analyzer->setLanguage(L"chinese");
+ analyzer->initDict(get_dict_path());
+
+ IndexWriter w(&dir, analyzer, true);
+ auto field_name = lucene::util::Misc::_charToWide("chinese");
+
+ Document doc;
+ auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
+ doc.add(*field);
+
+
+ const char* field_value_data = "数据模型\n"
+ "本文档主要从逻辑层面，描述 Doris 的数据模型，以帮助用户更好的使用 Doris 应对不同的业务场景。\n"
+ "\n"
+ "基本概念\n"
+ "在 Doris 中，数据以表（Table）的形式进行逻辑上的描述。 一张表包括行（Row）和列（Column）。Row
即用户的一行数据。Column 用于描述一行数据中不同的字段。\n"
+ "\n"
+ "Column 可以分为两大类：Key 和 Value。从业务角度看，Key 和 Value
可以分别对应维度列和指标列。Doris的key列是建表语句中指定的列，建表语句中的关键字\\'unique key\\'或\\'aggregate
key\\'或\\'duplicate key\\'后面的列就是 Key 列，除了 Key 列剩下的就是 Value a列。\n"
+ "\n"
+ "Doris 的数据模型主要分为3类:\n"
+ "\n"
+ "Aggregate\n"
+ "Unique\n"
+ "Duplicate\n"
+ "下面我们分别介绍。\n"
+ "\n"
+ "Aggregate 模型\n"
+ "我们以实际的例子来说明什么是聚合模型，以及如何正确的使用聚合模型。\n"
+ "\n"
+ "示例1：导入数据聚合\n"
+ "假设业务有如下数据表模式：\n"
+ "\n"
+ "ColumnName Type AggregationType Comment\n"
+ "user_id LARGEINT 用户id\n"
+ "date DATE 数据灌入日期\n"
+ "city VARCHAR(20) 用户所在城市\n"
+ "age SMALLINT 用户年龄\n"
+ "sex TINYINT 用户性别\n"
+ "last_visit_date DATETIME REPLACE 用户最后一次访问时间\n"
+ "cost BIGINT SUM 用户总消费\n"
+ "max_dwell_time INT MAX 用户最大停留时间\n"
+ "min_dwell_time INT MIN 用户最小停留时间\n"
+ "如果转换成建表语句则如下（省略建表语句中的 Partition 和 Distribution 信息）\n"
+ "\n"
+ "CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
+ "(\n"
+ "user_id LARGEINT NOT NULL COMMENT \"用户id\",\n"
+ "date DATE NOT NULL COMMENT \"数据灌入日期时间\",\n"
+ "city VARCHAR(20) COMMENT \"用户所在城市\",\n"
+ "age SMALLINT COMMENT \"用户年龄\",\n"
+ "sex TINYINT COMMENT \"用户性别\",\n"
+ "last_visit_date DATETIME REPLACE DEFAULT \"1970-01-01 00:00:00\"
COMMENT \"用户最后一次访问时间\",\n"
+ "cost BIGINT SUM DEFAULT \"0\" COMMENT \"用户总消费\",\n"
+ "max_dwell_time INT MAX DEFAULT \"0\" COMMENT \"用户最大停留时间\",\n"
+ "min_dwell_time INT MIN DEFAULT \"99999\" COMMENT \"用户最小停留时间\"\n"
+ ")\n"
+ "AGGREGATE KEY(user_id, date, city, age, sex)\n"
+ "DISTRIBUTED BY HASH(user_id) BUCKETS 1\n"
+ "PROPERTIES (\n"
+ "\"replication_allocation\" = \"tag.location.default: 1\"\n"
+ ");\n"
+ "\n"
+ "可以看到，这是一个典型的用户信息和访问行为的事实表。
在一般星型模型中，用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方便的解释 Doris 的数据模型，将两部分信息统一存放在一张表中。\n"
+ "\n"
+ "表中的列按照是否设置了 AggregationType，分为 Key (维度列) 和 Value（指标列）。没有设置
AggregationType 的，如 user_id、date、age ... 等称为 Key，而设置了 AggregationType 的称为
Value。\n"
+ "\n"
+ "当我们导入数据时，对于 Key 列相同的行会聚合成一行，而 Value 列会按照设置的 AggregationType 进行聚合。
AggregationType 目前有以下四种聚合方式：\n"
+ "\n"
+ "SUM：求和，多行的 Value 进行累加。\n"
+ "REPLACE：替代，下一批数据中的 Value 会替换之前导入过的行中的 Value。\n"
+ "MAX：保留最大值。\n"
+ "MIN：保留最小值。\n"
+ "假设我们有以下导入数据（原始数据）：\n"
+ "\n"
+ "user_id date city age sex last_visit_date cost max_dwell_time
min_dwell_time\n"
+ "10000 2017-10-01 北京 20 0 2017-10-01 06:00:00 20 10 10\n"
+ "10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 15 2 2\n"
+ "10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22\n"
+ "10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5\n"
+ "10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11\n"
+ "10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
+ "10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6\n"
+ "通过sql导入数据：\n"
+ "\n"
+ "insert into example_db.example_tbl values\n"
+ "(10000,\"2017-10-01\",\"北京\",20,0,\"2017-10-01
06:00:00\",20,10,10),\n"
+ "(10000,\"2017-10-01\",\"北京\",20,0,\"2017-10-01
07:00:00\",15,2,2),\n"
+ "(10001,\"2017-10-01\",\"北京\",30,1,\"2017-10-01
17:05:45\",2,22,22),\n"
+ "(10002,\"2017-10-02\",\"上海\",20,1,\"2017-10-02
12:59:12\",200,5,5),\n"
+ "(10003,\"2017-10-02\",\"广州\",32,0,\"2017-10-02
11:20:00\",30,11,11),\n"
+ "(10004,\"2017-10-01\",\"深圳\",35,0,\"2017-10-01
10:00:15\",100,3,3),\n"
+ "(10004,\"2017-10-03\",\"深圳\",35,0,\"2017-10-03
10:20:22\",11,6,6);\n"
+ "\n"
+ "我们假设这是一张记录用户访问某商品页面行为的表。我们以第一行数据为例，解释如下：\n"
+ "\n"
+ "数据 说明\n"
+ "10000 用户id，每个用户唯一识别id\n"
+ "2017-10-01 数据入库时间，精确到日期\n"
+ "北京 用户所在城市\n"
+ "20 用户年龄\n"
+ "0 性别男（1 代表女性）\n"
+ "2017-10-01 06:00:00 用户本次访问该页面的时间，精确到秒\n"
+ "20 用户本次访问产生的消费\n"
+ "10 用户本次访问，驻留该页面的时间\n"
+ "10 用户本次访问，驻留该页面的时间（冗余）\n"
+ "那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：\n"
+ "\n"
+ "user_id date city age sex last_visit_date cost max_dwell_time
min_dwell_time\n"
+ "10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2\n"
+ "10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22\n"
+ "10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5\n"
+ "10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11\n"
+ "10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
+ "10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6\n"
+ "可以看到，用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。这里先解释下用户 10000
聚合后的数据：\n"
+ "\n"
+ "前5列没有变化，从第6列 last_visit_date 开始：\n"
+ "\n"
+ "2017-10-01 07:00:00：因为 last_visit_date 列的聚合方式为 REPLACE，所以
2017-10-01 07:00:00 替换了 2017-10-01 06:00:00 保存了下来。\n"
+ "\n"
+ "注：在同一个导入批次中的数据，对于 REPLACE 这种聚合方式，替换顺序不做保证。如在这个例子中，最终保存下来的，也有可能是
2017-10-01 06:00:00。而对于不同导入批次中的数据，可以保证，后一批次的数据会替换前一批次。\n"
+ "\n"
+ "35：因为 cost 列的聚合类型为 SUM，所以由 20 + 15 累加获得 35。\n"
+ "\n"
+ "10：因为 max_dwell_time 列的聚合类型为 MAX，所以 10 和 2 取最大值，获得 10。\n"
+ "\n"
+ "2：因为 min_dwell_time 列的聚合类型为 MIN，所以 10 和 2 取最小值，获得 2。\n"
+ "\n"
+ "经过聚合，Doris 中最终只会存储聚合后的数据。换句话说，即明细数据会丢失，用户不能够再查询到聚合前的明细数据了。\n"
+ "\n"
+ "示例2：保留明细数据\n"
+ "接示例1，我们将表结构修改如下：\n"
+ "\n"
+ "ColumnName Type AggregationType Comment\n"
+ "user_id LARGEINT 用户id\n"
+ "date DATE 数据灌入日期\n"
+ "timestamp DATETIME 数据灌入时间，精确到秒\n"
+ "city VARCHAR(20) 用户所在城市\n"
+ "age SMALLINT 用户年龄\n"
+ "sex TINYINT 用户性别\n"
+ "last_visit_date DATETIME REPLACE 用户最后一次访问时间\n"
+ "cost BIGINT SUM 用户总消费\n"
+ "max_dwell_time INT MAX 用户最大停留时间\n"
+ "min_dwell_time INT MIN 用户最小停留时间\n"
+ "即增加了一列 timestamp，记录精确到秒的数据灌入时间。 同时，将AGGREGATE KEY设置为AGGREGATE
KEY(user_id, date, timestamp, city, age, sex)\n"
+ "\n"
+ "导入数据如下：\n"
+ "\n"
+ "user_id date timestamp city age sex last_visit_date cost
max_dwell_time min_dwell_time\n"
+ "10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00
20 10 10\n"
+ "10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00
15 2 2\n"
+ "10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45
2 22 22\n"
+ "10002 2017-10-02 2017-10-02 13:10:00 上海 20 1 2017-10-02 12:59:12
200 5 5\n"
+ "10003 2017-10-02 2017-10-02 13:15:00 广州 32 0 2017-10-02 11:20:00
30 11 11\n"
+ "10004 2017-10-01 2017-10-01 12:12:48 深圳 35 0 2017-10-01 10:00:15
100 3 3\n"
+ "10004 2017-10-03 2017-10-03 12:38:20 深圳 35 0 2017-10-03 10:20:22
11 6 6\n"
+ "通过sql导入数据：\n"
+ "\n"
+ "insert into example_db.example_tbl values\n"
+ "(10000,\"2017-10-01\",\"2017-10-01
08:00:05\",\"北京\",20,0,\"2017-10-01 06:00:00\",20,10,10),\n"
+ "(10000,\"2017-10-01\",\"2017-10-01
09:00:05\",\"北京\",20,0,\"2017-10-01 07:00:00\",15,2,2),\n"
+ "(10001,\"2017-10-01\",\"2017-10-01
18:12:10\",\"北京\",30,1,\"2017-10-01 17:05:45\",2,22,22),\n"
+ "(10002,\"2017-10-02\",\"2017-10-02
13:10:00\",\"上海\",20,1,\"2017-10-02 12:59:12\",200,5,5),\n"
+ "(10003,\"2017-10-02\",\"2017-10-02
13:15:00\",\"广州\",32,0,\"2017-10-02 11:20:00\",30,11,11),\n"
+ "(10004,\"2017-10-01\",\"2017-10-01
12:12:48\",\"深圳\",35,0,\"2017-10-01 10:00:15\",100,3,3),\n"
+ "(10004,\"2017-10-03\",\"2017-10-03
12:38:20\",\"深圳\",35,0,\"2017-10-03 10:20:22\",11,6,6);\n"
+ "\n"
+ "那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：\n"
+ "\n"
+ "user_id date timestamp city age sex last_visit_date cost
max_dwell_time min_dwell_time\n"
+ "10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00
20 10 10\n"
+ "10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00
15 2 2\n"
+ "10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45
2 22 22\n"
+ "10002 2017-10-02 2017-10-02 13:10:00 上海 20 1 2017-10-02 12:59:12
200 5 5\n"
+ "10003 2017-10-02 2017-10-02 13:15:00 广州 32 0 2017-10-02 11:20:00
30 11 11\n"
+ "10004 2017-10-01 2017-10-01 12:12:48 深圳 35 0 2017-10-01 10:00:15
100 3 3\n"
+ "10004 2017-10-03 2017-10-03 12:38:20 深圳 35 0 2017-10-03 10:20:22
11 6 6\n"
+ "我们可以看到，存储的数据，和导入数据完全一样，没有发生任何聚合。这是因为，这批数据中，因为加入了 timestamp 列，所有行的
Key 都不完全相同。也就是说，只要保证导入的数据中，每一行的 Key 都不完全相同，那么即使在聚合模型下，Doris 也可以保存完整的明细数据。\n"
+ "\n"
+ "示例3：导入数据与已有数据聚合\n"
+ "接示例1。假设现在表中已有数据如下：\n"
+ "\n"
+ "user_id date city age sex last_visit_date cost max_dwell_time
min_dwell_time\n"
+ "10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2\n"
+ "10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22\n"
+ "10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5\n"
+ "10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11\n"
+ "10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
+ "10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6\n"
+ "我们再导入一批新的数据：\n"
+ "\n"
+ "user_id date city age sex last_visit_date cost max_dwell_time
min_dwell_time\n"
+ "10004 2017-10-03 深圳 35 0 2017-10-03 11:22:00 44 19 19\n"
+ "10005 2017-10-03 长沙 29 1 2017-10-03 18:11:02 3 1 1\n"
+ "通过sql导入数据：\n"
+ "\n"
+ "insert into example_db.example_tbl values\n"
+ "(10004,\"2017-10-03\",\"深圳\",35,0,\"2017-10-03
11:22:00\",44,19,19),\n"
+ "(10005,\"2017-10-03\",\"长沙\",29,1,\"2017-10-03
18:11:02\",3,1,1);\n"
+ "\n"
+ "那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：\n"
+ "\n"
+ "user_id date city age sex last_visit_date cost max_dwell_time
min_dwell_time\n"
+ "10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2\n"
+ "10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22\n"
+ "10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5\n"
+ "10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11\n"
+ "10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
+ "10004 2017-10-03 深圳 35 0 2017-10-03 11:22:00 55 19 6\n"
+ "10005 2017-10-03 长沙 29 1 2017-10-03 18:11:02 3 1 1\n"
+ "可以看到，用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据。\n"
+ "\n"
+ "数据的聚合，在 Doris 中有如下三个阶段发生：\n"
+ "\n"
+ "每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合。\n"
+ "底层 BE 进行数据 Compaction 的阶段。该阶段，BE 会对已导入的不同批次的数据进行进一步的聚合。\n"
+ "数据查询阶段。在数据查询时，对于查询涉及到的数据，会进行对应的聚合。\n"
+
"数据在不同时间，可能聚合的程度不一致。比如一批数据刚导入时，可能还未与之前已存在的数据进行聚合。但是对于用户而言，用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。用户需始终认为数据以最终的完成的聚合程度存在，而不应假设某些聚合还未发生。（可参阅聚合模型的局限性一节获得更多详情。）\n"
+ "\n"
+ "Unique 模型\n"
+ "在某些多维分析场景下，用户更关注的是如何保证 Key 的唯一性，即如何获得 Primary Key 唯一性约束。因此，我们引入了
/；·90Unique
数据模型。在1.2版本之前，该模型本质上是聚合模型的一个特例，也是一种简化的表结构表示方式。由于聚合模型的实现方式是读时合并（merge on
read)，因此在一些聚合查询上性能不佳（参考后续章节聚合模型的局限性的描述），在1.2版本我们引入了Unique模型新的实现方式，写时合并（merge on
write），通过在写入时做一些额外的工作，实现了最优的查询性能。写时合并将在未来替换读时合并成为Unique模型的默认实现方式，两者将会短暂的共存一段时间。下面将对两种实现方式分别举例进行说明。\n"
+ "\n"
+ "读时合并（与聚合模型相同的实现方式）\n"
+ "ColumnName Type IsKey Comment\n"
+ "user_id BIGINT Yes 用户id\n"
+ "username VARCHAR(50) Yes 用户昵称\n"
+ "city VARCHAR(20) No 用户所在城市\n"
+ "age SMALLINT No 用户年龄\n"
+ "sex TINYINT No 用户性别\n"
+ "phone LARGEINT No 用户电话\n"
+ "address VARCHAR(500) No 用户住址\n"
+ "register_time DATETIME No 用户注册时间\n"
+ "这是一个典型的用户基础信息表。这类数据没有聚合需求，只需保证主键唯一性。（这里的主键为 user_id +
username）。那么我们的建表语句如下：\n"
+ "\n"
+ "CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
+ "(\n"
+ "user_id LARGEINT NOT NULL COMMENT \"用户id\",\n"
+ "username VARCHAR(50) NOT NULL COMMENT \"用户昵称\",\n"
+ "city VARCHAR(20) COMMENT \"用户所在城市\",\n"
+ "age SMALLINT COMMENT \"用户年龄\",\n"
+ "sex TINYINT COMMENT \"用户性别\",\n"
+ "phone LARGEINT COMMENT \"用户电话\",\n"
+ "address VARCHAR(500) COMMENT \"用户地址\",\n"
+ "register_time DATETIME COMMENT \"用户注册时间\"\n"
+ ")\n"
+ "UNIQUE KEY(user_id, username)\n"
+ "DISTRIBUTED BY HASH(user_id) BUCKETS 1\n"
+ "PROPERTIES (\n"
+ "\"replication_allocation\" = \"tag.location.default: 1\"\n"
+ ");\n"
+ "\n"
+ "而这个表结构，完全同等于以下使用聚合模型描述的表结构：\n"
+ "\n"
+ "ColumnName Type AggregationType Comment\n"
+ "user_id BIGINT 用户id\n"
+ "username VARCHAR(50) 用户昵称\n"
+ "city VARCHAR(20) REPLACE 用户所在城市\n"
+ "age SMALLINT REPLACE 用户年龄\n"
+ "sex TINYINT REPLACE 用户性别\n"
+ "phone LARGEINT REPLACE 用户电话\n"
+ "address VARCHAR(500) REPLACE 用户住址\n"
+ "register_time DATETIME REPLACE 用户注册时间\n"
+ "及建表语句：\n"
+ "\n"
+ "CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
+ "(\n"
+ "user_id LARGEINT NOT NULL COMMENT \"用户id\",\n"
+ "username VARCHAR(50) NOT NULL COMMENT \"用户昵称\",\n"
+ "city VARCHAR(20) REPLACE COMMENT \"用户所在城市\",\n"
+ "age SMALLINT REPLACE COMMENT \"用户年龄\",\n"
+ "sex TINYINT REPLACE COMMENT \"用户性别\",\n"
+ "phone LARGEINT REPLACE COMMENT \"用户电话\",\n"
+ "address VARCHAR(500) REPLACE COMMENT \"用户地址\",\n"
+ "register_time DATETIME REPLACE COMMENT \"用户注册时间\"\n"
+ ")\n"
+ "AGGREGATE KEY(user_id, username)\n"
+ "DISTRIBUTED BY HASH(user_id) BUCKETS 1\n"
+ "PROPERTIES (\n"
+ "\"replication_allocation\" = \"tag.location.default: 1\"\n"
+ ");\n"
+ "\n"
+ "即Unique 模型的读时合并实现完全可以用聚合模型中的 REPLACE
方式替代。其内部的实现方式和数据存储方式也完全一样。这里不再继续举例说明。\n"
+ "\n"
+ "SinceVersion 1.2\n"
+ "写时合并\n"
+
"Unqiue模型的写时合并实现，与聚合模型就是完全不同的两种模型了，查询性能更接近于duplicate模型，在有主键约束需求的场景上相比聚合模型有较大的查询性能优势，尤其是在聚合查询以及需要用索引过滤大量数据的查询中。\n"
+ "\n"
+ "在 1.2.0 版本中，作为一个新的feature，写时合并默认关闭，用户可以通过添加下面的property来开启\n"
+ "\n"
+ "\"enable_unique_key_merge_on_write\" = \"true\"\n"
+ "\n"
+ "仍然以上面的表为例，建表语句为\n"
+ "\n"
+ "CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
+ "(\n"
+ "user_id LARGEINT NOT NULL COMMENT \"用户id\",\n"
+ "username VARCHAR(50) NOT NULL COMMENT \"用户昵称\",\n"
+ "city VARCHAR(20) COMMENT \"用户所在城市\",\n"
+ "age SMALLINT COMMENT \"用户年龄\",\n"
+ "sex TINYINT COMMENT \"用户性别\",\n"
+ "phone LARGEINT COMMENT \"用户电话\",\n"
+ "address VARCHAR(500) COMMENT \"用户地址\",\n"
+ "register_time DATETIME COMMENT \"用户注册时间\"\n"
+ ")\n"
+ "UNIQUE KEY(user_id, username)\n"
+ "DISTRIBUTED BY HASH(user_id) BUCKETS 1\n"
+ "PROPERTIES (\n"
+ "\"replication_allocation\" = \"tag.location.default: 1\",\n"
+ "\"enable_unique_key_merge_on_write\" = \"true\"\n"
+ ");\n"
+ "\n"
+ "使用这种建表语句建出来的表结构，与聚合模型就完全不同了：\n"
+ "\n"
+ "ColumnName Type AggregationType Comment\n"
+ "user_id BIGINT 用户id\n"
+ "username VARCHAR(50) 用户昵称\n"
+ "city VARCHAR(20) NONE 用户所在城市\n"
+ "age SMALLINT NONE 用户年龄\n"
+ "sex TINYINT NONE 用户性别\n"
+ "phone LARGEINT NONE 用户电话\n"
+ "address VARCHAR(500) NONE 用户住址\n"
+ "register_time DATETIME NONE 用户注册时间\n"
+
"在开启了写时合并选项的Unique表上，数据在导入阶段就会去将被覆盖和被更新的数据进行标记删除，同时将新的数据写入新的文件。在查询的时候，所有被标记删除的数据都会在文件级别被过滤掉，读取出来的数据就都是最新的数据，消除掉了读时合并中的数据聚合过程，并且能够在很多情况下支持多种谓词的下推。因此在许多场景都能带来比较大的性能提升，尤其是在有聚合查询的情况下。\n"
+ "\n"
+ "【注意】\n"
+ "\n"
+ "新的Merge-on-write实现默认关闭，且只能在建表时通过指定property的方式打开。\n"
+
"旧的Merge-on-read的实现无法无缝升级到新版本的实现（数据组织方式完全不同），如果需要改为使用写时合并的实现版本，需要手动执行insert
into unique-mow-table select * from source table.\n"
+ "在Unique模型上独有的delete sign 和 sequence
col，在写时合并的新版实现中仍可以正常使用，用法没有变化。\n"
+ "Duplicate 模型\n"
+ "在某些多维分析场景下，数据既没有主键，也没有聚合需求。因此，我们引入 Duplicate 数据模型来满足这类需求。举例说明。\n"
+ "\n"
+ "ColumnName Type SortKey Comment\n"
+ "timestamp DATETIME Yes 日志时间\n"
+ "type INT Yes 日志类型\n"
+ "error_code INT Yes 错误码\n"
+ "error_msg VARCHAR(1024) No 错误详细信息\n"
+ "op_id BIGINT No 负责人id\n"
+ "op_time DATETIME No 处理时间\n"
+ "建表语句如下：\n"
+ "\n"
+ "CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
+ "(\n"
+ "timestamp DATETIME NOT NULL COMMENT \"日志时间\",\n"
+ "type INT NOT NULL COMMENT \"日志类型\",\n"
+ "error_code INT COMMENT \"错误码\",\n"
+ "error_msg VARCHAR(1024) COMMENT \"错误详细信息\",\n"
+ "op_id BIGINT COMMENT \"负责人id\",\n"
+ "op_time DATETIME COMMENT \"处理时间\"\n"
+ ")\n"
+ "DUPLICATE KEY(timestamp, type, error_code)\n"
+ "DISTRIBUTED BY HASH(type) BUCKETS 1\n"
+ "PROPERTIES (\n"
+ "\"replication_allocation\" = \"tag.location.default: 1\"\n"
+ ");\n"
+ "\n"
+ "这种数据模型区别于 Aggregate 和 Unique
模型。数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。 而在建表语句中指定的 DUPLICATE
KEY，只是用来指明底层数据按照那些列进行排序。（更贴切的名称应该为 “Sorted Column”，这里取名 “DUPLICATE KEY”
只是用以明确表示所用的数据模型。关于 “Sorted Column”的更多解释，可以参阅前缀索引）。在 DUPLICATE KEY
的选择上，我们建议适当的选择前 2-4 列就可以。\n"
+ "\n"
+ "这种数据模型适用于既没有聚合需求，又没有主键唯一性约束的原始数据的存储。更多使用场景，可参阅聚合模型的局限性小节。\n"
+ "\n"
+ "聚合模型的局限性\n"
+ "这里我们针对 Aggregate 模型，来介绍下聚合模型的局限性。\n"
+ "\n"
+
"在聚合模型中，模型对外展现的，是最终聚合后的数据。也就是说，任何还未聚合的数据（比如说两个不同导入批次的数据），必须通过某种方式，以保证对外展示的一致性。我们举例说明。\n"
+ "\n"
+ "假设表结构如下：\n"
+ "\n"
+ "ColumnName Type AggregationType Comment\n"
+ "user_id LARGEINT 用户id\n"
+ "date DATE 数据灌入日期\n"
+ "cost BIGINT SUM 用户总消费\n"
+ "假设存储引擎中有如下两个已经导入完成的批次的数据：\n"
+ "\n"
+ "batch 1\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 50\n"
+ "10002 2017-11-21 39\n"
+ "batch 2\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 1\n"
+ "10001 2017-11-21 5\n"
+ "10003 2017-11-22 22\n"
+ "可以看到，用户 10001 分属在两个导入批次中的数据还没有聚合。但是为了保证用户只能查询到如下最终聚合后的数据：\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 51\n"
+ "10001 2017-11-21 5\n"
+ "10002 2017-11-21 39\n"
+ "10003 2017-11-22 22\n"
+ "我们在查询引擎中加入了聚合算子，来保证数据对外的一致性。\n"
+ "\n"
+ "另外，在聚合列（Value）上，执行与聚合类型不一致的聚合类查询时，要注意语意。比如我们在如上示例中执行如下查询：\n"
+ "\n"
+ "SELECT MIN(cost) FROM table;\n"
+ "\n"
+ "得到的结果是 5，而不是 1。\n"
+ "\n"
+ "同时，这种一致性保证，在某些查询中，会极大的降低查询效率。\n"
+ "\n"
+ "我们以最基本的 count(*) 查询为例：\n"
+ "\n"
+ "SELECT COUNT(*) FROM table;\n"
+ "\n"
+ "在其他数据库中，这类查询都会很快的返回结果。因为在实现上，我们可以通过如“导入时对行进行计数，保存 count
的统计信息”，或者在查询时“仅扫描某一列数据，获得 count 值”的方式，只需很小的开销，即可获得查询结果。但是在 Doris
的聚合模型中，这种查询的开销非常大。\n"
+ "\n"
+ "我们以刚才的数据为例：\n"
+ "\n"
+ "batch 1\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 50\n"
+ "10002 2017-11-21 39\n"
+ "batch 2\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 1\n"
+ "10001 2017-11-21 5\n"
+ "10003 2017-11-22 22\n"
+ "因为最终的聚合结果为：\n"
+ "\n"
+ "user_id date cost\n"
+ "10001 2017-11-20 51\n"
+ "10001 2017-11-21 5\n"
+ "10002 2017-11-21 39\n"
+ "10003 2017-11-22 22\n"
+ "所以，select count(*) from table; 的正确结果应该为 4。但如果我们只扫描 user_id
这一列，如果加上查询时聚合，最终得到的结果是 3（10001, 10002, 10003）。而如果不加查询时聚合，则得到的结果是
5（两批次一共5行数据）。可见这两个结果都是不对的。\n"
+ "\n"
+ "为了得到正确的结果，我们必须同时读取 user_id 和 date 这两列的数据，再加上查询时聚合，才能返回 4
这个正确的结果。也就是说，在 count() 查询中，Doris 必须扫描所有的 AGGREGATE KEY 列（这里就是 user_id 和
date），并且聚合后，才能得到语意正确的结果。当聚合列非常多时，count() 查询需要扫描大量的数据。\n"
+ "\n"
+ "因此，当业务上有频繁的 count() 查询时，我们建议用户通过增加一个值恒为 1 的，聚合类型为 SUM 的列来模拟
count()。如刚才的例子中的表结构，我们修改如下：\n"
+ "\n"
+ "ColumnName Type AggregateType Comment\n"
+ "user_id BIGINT 用户id\n"
+ "date DATE 数据灌入日期\n"
+ "cost BIGINT SUM 用户总消费\n"
+ "count BIGINT SUM 用于计算count\n"
+ "增加一个 count 列，并且导入数据中，该列值恒为 1。则 select count() from table; 的结果等价于
select sum(count) from table;。而后者的查询效率将远高于前者。不过这种方式也有使用限制，就是用户需要自行保证，不会重复导入
AGGREGATE KEY 列都相同的行。否则，select sum(count) from table; 只能表述原始导入的行数，而不是 select
count() from table; 的语义。\n"
+ "\n"
+ "另一种方式，就是 将如上的 count 列的聚合类型改为 REPLACE，且依然值恒为 1。那么 select
sum(count) from table; 和 select count(*) from table;
的结果将是一致的。并且这种方式，没有导入重复行的限制。\n"
+ "\n"
+ "Unique模型的写时合并实现\n"
+ "Unique模型的写时合并实现没有聚合模型的局限性，还是以刚才的数据为例，写时合并为每次导入的rowset增加了对应的delete
bitmap，来标记哪些数据被覆盖。第一批数据导入后状态如下\n"
+ "\n"
+ "batch 1\n"
+ "\n"
+ "user_id date cost delete bit\n"
+ "10001 2017-11-20 50 false\n"
+ "10002 2017-11-21 39 false\n"
+ "当第二批数据导入完成后，第一批数据中重复的行就会被标记为已删除，此时两批数据状态如下\n"
+ "\n"
+ "batch 1\n"
+ "\n"
+ "user_id date cost delete bit\n"
+ "10001 2017-11-20 50 true\n"
+ "10002 2017-11-21 39 false\n"
+ "batch 2\n"
+ "\n"
+ "user_id date cost delete bit\n"
+ "10001 2017-11-20 1 false\n"
+ "10001 2017-11-21 5 false\n"
+ "10003 2017-11-22 22 false\n"
+ "在查询时，所有在delete
bitmap中被标记删除的数据都不会读出来，因此也无需进行做任何数据聚合，上述数据中有效的行数为4行，查询出的结果也应该是4行，也就可以采取开销最小的方式来获取结果，即前面提到的“仅扫描某一列数据，获得
count 值”的方式。\n"
+ "\n"
+ "在测试环境中，count(*) 查询在Unique模型的写时合并实现上的性能，相比聚合模型有10倍以上的提升。\n"
+ "\n"
+ "Duplicate 模型\n"
+ "Duplicate 模型没有聚合模型的这个局限性。因为该模型不涉及聚合语意，在做 count(*)
查询时，任意选择一列查询，即可得到语意正确的结果。\n"
+ "\n"
+ "key 列\n"
+ "Duplicate、Aggregate、Unique 模型，都会在建表指定 key 列，然而实际上是有所区别的：对于
Duplicate 模型，表的key列，可以认为只是 “排序列”，并非起到唯一标识的作用。而 Aggregate、Unique 模型这种聚合类型的表，key
列是兼顾 “排序列” 和 “唯一标识列”，是真正意义上的“ key 列”。\n"
+ "\n"
+ "数据模型的选择建议\n"
+ "因为数据模型在建表时就已经确定，且无法修改。所以，选择一个合适的数据模型非常重要。\n"
+ "\n"
+ "Aggregate
模型可以通过预聚合，极大地降低聚合查询时所需扫描的数据量和查询的计算量，非常适合有固定模式的报表类查询场景。但是该模型对 count(*)
查询很不友好。同时因为固定了 Value 列上的聚合方式，在进行其他类型的聚合查询时，需要考虑语意正确性。\n"
+ "Unique 模型针对需要唯一主键约束的场景，可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势。\n"
+ "对于聚合查询有较高性能需求的用户，推荐使用自1.2版本加入的写时合并实现。\n"
+ "Unique 模型仅支持整行更新，如果用户既需要唯一主键约束，又需要更新部分列（例如将多张源表导入到一张 doris
表的情形），则可以考虑使用 Aggregate 模型，同时将非主键列的聚合类型设置为 REPLACE_IF_NOT_NULL。具体的用法可以参考语法手册\n"
+ "Duplicate 适合任意维度的 Ad-hoc
查询。虽然同样无法利用预聚合的特性，但是不受聚合模型的约束，可以发挥列存模型的优势（只读取相关列，而不需要读取所有 Key 列）。";
+ auto stringReader =
+ _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data),
lucene::util::SimpleInputStreamReader::UTF8);
+ field->setValue(stringReader);
+ w.addDocument(&doc);
+
+ w.close();
+
+ IndexSearcher searcher(&dir);
+
+ lucene::util::Reader* reader = nullptr;
+ std::vector<std::wstring> analyse_result;
+ const char* value = "相关";
+ analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer(L"chinese",
false);
+ reader = _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(value),
lucene::util::SimpleInputStreamReader::UTF8);
+
+ lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader);
+
+ lucene::analysis::Token token;
+
+ while (token_stream->next(&token)) {
+ if(token.termLength<TCHAR>() != 0) {
+ analyse_result.emplace_back(token.termBuffer<TCHAR>(),
token.termLength<TCHAR>());
+ }
+ }
+
+ if (token_stream != nullptr) {
+ token_stream->close();
+ }
+
+ lucene::search::Query* query = _CLNEW lucene::search::BooleanQuery();
+ for (const auto& t : analyse_result) {
+ //std::wstring token_ws = std::wstring(token.begin(), token.end());
+ auto* term =
+ _CLNEW lucene::index::Term(field_name, t.c_str());
+ dynamic_cast<lucene::search::BooleanQuery*>(query)
+ ->add(_CLNEW lucene::search::TermQuery(term), true,
+ lucene::search::BooleanClause::SHOULD);
+ _CLDECDELETE(term);
+ }
+
+ Hits *hits1 = searcher.search(query);
+ CLUCENE_ASSERT(1 == hits1->length());
+
+ doc.clear();
+}
+
void testChineseMatch(CuTest* tc) {
RAMDirectory dir;
@@ -595,6 +1126,7 @@ CuSuite *testchinese(void) {
SUITE_ADD_TEST(suite, testChineseMatch);
SUITE_ADD_TEST(suite, testJiebaMatch);
SUITE_ADD_TEST(suite, testJiebaMatch2);
+ SUITE_ADD_TEST(suite, testJiebaMatchHuge);
return suite;
}
---------------------------------------------------------------------
To unsubscribe, e-mail: [email protected]
For additional commands, e-mail: [email protected]
