Apache Lucene 10.2.0 发布：搜索性能的显著提升

Apache Lucene 是一个高性能、全功能的文本搜索引擎库，它提供了强大的索引和搜索能力，被广泛应用于各种搜索应用中。作为Java生态系统中最成熟的全文检索解决方案之一，Lucene持续推动着搜索技术的发展。最新发布的10.2.0版本带来了一系列重要的性能优化和新功能，特别是在查询处理效率方面有了显著提升。

核心性能优化

Lucene 10.2.0版本最引人注目的改进是其对多种查询类型的搜索性能提升。开发团队通过多项底层优化实现了这一目标：

1. BKD树文档ID存储格式改进：优化了BKD树中文档ID的存储格式，使解码速度更快。BKD树是Lucene用于高效处理多维数据（如地理空间数据）的数据结构，这一改进对点范围查询特别有益。

2. 向量化处理增强：在PointRangeQuery和非计分BooleanQuery的处理中增加了更多向量化操作。向量化利用现代CPU的SIMD指令，可以并行处理多个数据，显著提高查询速度。

3. 密集块位集编码：将密集的倒排列表块编码为位集(bit set)而非传统的FOR-delta编码。这不仅提高了处理效率，还节省了存储空间。当文档ID连续且密集时，位集操作可以非常高效地完成。

4. 密集合取子句的位运算合并：对于密集的合取(AND)查询子句，现在使用位运算进行合并，特别是对那些编码为位集的倒排列表块效果更为明显。

5. ACORN-1算法实现：为预过滤向量搜索实现了ACORN-1算法，这是一种高效的近似最近邻搜索算法，特别适合在预过滤后的文档集合中进行向量搜索。

性能提升实测

根据Lucene的夜间基准测试，与10.1.0版本相比，10.2.0版本在不同查询类型上表现出显著的性能提升：

• 词项查询的析取(OR)查询：速度提升77%至4倍
• 词项查询的合取(AND)查询：速度提升38%至5倍
• 过滤后的词项析取查询：速度提升2.5倍至4倍
• 过滤后的点范围查询：速度提升3.5倍
• 预过滤向量搜索：在计算top-100结果时速度提升3.5倍

这些改进对于那些不需要计算分数且匹配大量文档的搜索特别有益，具体提升程度取决于Collector的实现成本。

运行时行为变更

TieredMergePolicy的默认底层段大小从2MB增加到16MB。这一变更预计会导致：

• 索引速度略有下降
• 每个索引的段数量减少约10个

对于频繁刷新的应用，这种改变虽然轻微降低了索引速度，但减少了段数量，有助于降低那些具有高每段开销的查询（如多词项查询、点查询和向量搜索）的处理成本。

新增功能

1. TopDocs#rrf方法：新增了基于互惠排名融合(Reciprocal Rank Fusion, RRF)合并多个TopDocs实例的功能。RRF是一种有效的搜索结果融合技术，可以结合不同检索模型的优势。

2. SeededKnnVectorQuery：这是对KnnVectorQuery的优化，允许使用种子查询(seed Query)为向量搜索选择更好的入口点，提高搜索效率和质量。

其他改进

1. 正则表达式查询增强：RegexpQuery现在支持Unicode大小写不敏感的字符和范围匹配，提高了国际化场景下的搜索能力。

2. Java 24向量API支持：为利用最新Java版本的向量处理能力做好准备。

3. 自动机和正则表达式效率提升：优化了底层实现，提高了处理效率。

4. HNSW图合并加速：改进了HNSW(分层可导航小世界)图的合并算法，在Lucene的基准测试中实现了25%的索引速度提升。HNSW是当前最先进的近似最近邻搜索算法之一。

5. 合取查询优化：当配置了索引排序时，合取查询现在可以跳过应用那些有长串匹配文档的子句，这在实践中很常见。

6. BKD树合并的内存优化：减少了BKD树合并过程中的堆内存使用，提高了大规模索引处理的稳定性。

总结

Apache Lucene 10.2.0版本通过一系列精心设计的优化，显著提升了搜索性能，特别是在处理复杂查询和大规模数据时表现更为出色。从底层数据结构的改进到算法的优化，再到新功能的引入，这一版本为开发者提供了更高效、更强大的搜索能力。无论是传统的文本搜索还是现代的向量搜索，都能从这个版本中获益。对于正在使用或考虑使用Lucene的项目，升级到10.2.0版本将带来明显的性能提升和功能增强。