记录学习过程中的点点滴滴
2013年三月
Unix/Linux设计思想学习笔记之一
三 30th
最近在看《Unix/Linux设计思想》这本书，有些地方读起来很容易，但是真正理解还需要细细品味，以后就把书中提到的一些准则简单记录下，主要是为了加深理解，今天主要记录下Unix哲学的概述。
Unix哲学概述：
(1) 小即是美。相对于同类庞然大物，小巧的事物有着无可比拟的优势，其中一点就是它们能够以独特有效的方式结合其他小事物，这和软件工程中提到的“模块化”的思想基本是一致的。
(2) 让每个程序只做好一件事情。通过集中精力应对单一任务，程序可以减少冗余代码，从而避免过高的资源开销、不必要的复杂性和缺乏灵活性。
(3) 尽快建立原型。大多数人都认同“建立原型”（prototyping）是任何项目的一个重要组成部分。在Unix环境中，它是达成完美设计的主要工具。
(4) 舍高效率而取移植性。当Unix作为第一个可移植性系统而开创先河时，它曾掀起过轩然大波。今天，可移植性早被视作为现代软件设计中一个理所当然的特性。
(5) 使用纯文本文件来存储数据。可以看到在类Unix的系统中，所有的配置文件都是使用文本数据直接存储，一方面用户可以直接修改配置，另一方面也是为移植性考虑的。
(6) 充分利用软件的杠杆效应。很多程序员对可重用代码模块的重要性只有一些肤浅的认识。代码重用能帮助人们充分利用软件的杠杆效应。一些Unix程序员正是遵循这个强大的理念，在相对较短的时间内编写出大量应用程序。
(7) 使用shell脚步来提高杠杆效应和可移植性。shell脚步在软件设计中可谓是一把双刃剑，它可以加强软件的可重用性和可移植性。无论什么时候，只要有可能，编写shell脚本来替代C语言程序都不失为一个良好的选择。
(8) 避免强制的用户界面
(9) 让每个程序都成为过滤器(filter)。所有软件程序共有的最基本特性就是，它们只修改而从不创造数据。因此，基于软件的过滤器本质，人们应该把它们编写成执行过滤器任务的程序，管道就是Unix这一个特性的非常好代表。
google sparse hash set/map
三 19th
google开源了hashtables的包，包括两个部分：
- sparse, 比较节省空间space-efficient;
- dense, 高效的查询效率 time-efficient;
同时接口兼容SCI的hash_map和hash_set, 并且提供了序列化的功能，非常赞~
下面是其官方的性能测试数据：可以看到sparse_hash_map比stl::map和hash_map节省2/3的空间，而dense_hash_map具备较高的查询，删除, insert性能，可以根据具体的应用
来使用不同的数据结构。
下载地址：http://code.google.com/p/sparsehash/
doc : http://google-sparsehash.googlecode.com/svn/trunk/doc/
SPARSE_HASH_MAP: map_grow 665 ns map_predict/grow 303 ns map_replace 177 ns map_fetch 117 ns map_remove 192 ns memory used in map_grow 84.3956 Mbytes DENSE_HASH_MAP: map_grow 84 ns map_predict/grow 22 ns map_replace 18 ns map_fetch 13 ns map_remove 23 ns memory used in map_grow 256.0000 Mbytes STANDARD HASH_MAP: map_grow 162 ns map_predict/grow 107 ns map_replace 44 ns map_fetch 22 ns map_remove 124 ns memory used in map_grow 204.1643 Mbytes STANDARD MAP: map_grow 297 ns map_predict/grow 282 ns map_replace 113 ns map_fetch 113 ns map_remove 238 ns memory used in map_grow 236.8081 Mbytes
google早期的索引结构介绍
三 1st
最近一直在做索引压缩方面的事情，无意中看到了Jeff Dean大牛分享的google早期的索引结构，对于我们这种刚刚起步的搜索公司，还是很有启发意义的，收获还是比较大，所以就简单记录下。
1. 索引压缩常用的压缩算法
淘宝的一篇技术blog分享了一些比较常用的压缩算法：
- varint (变长压缩)： 字节对齐，压缩比不高
- group varint: 变长压缩的变形，比varint的解压速率高很多，这里有它的实现
- Gamma: 对比较小的数字压缩比会比较高，将数值分为两个部分： 一元编码（num_bits）+二进制编码
- Simple9 + simple16: 对于32bit的空间进行组织，可存储多个数值
- PForDelta + NewPForDelta: 比较新的压缩算法，压缩比和解压缩比都比较高效，适合于docid_delta的压缩
关于这些算法的相关介绍可以看下www.wikipedia.org，或者搜下对应的paper.
2. Google的索引结构
可以看到，对于token的doclist是以Block的方式进行组织的，如果doclist比较长，还会使用skip table来快速查找；
Block的组织方式：
a. block header: 使用变长存储与上一个block的delta, 并存储block 实际的存储长度（可能是作为验证）
b. 第二行使用Gamma来压缩编码类型及在block中出现的docs的数目（因为这些数值都比较小）
c. 使用Rice压缩对应docld delta, 其实这里可以使用比较新的压缩算法PFDelta，更高效一些
d. 使用Gamma来压缩对应token在doc中出现的frequence, 即hit的数目
e. 使用length-limit Huffman 来存储Hit Attribute信息，这里主要是利用Attribute的重复的比例会很高，也就是说大部分hit attribute
都会是相同的，所以用到了Huffman压缩，然后对length进行了限制
f: positions用Huffman-Int 来压缩位置信息，由于position分布不确定性很多，对position的压缩一直是业界的难题，压缩比不会很高。
Huffman-Int : 类似于Gamma压缩，但是对于一元编码部分，使用了Huffman code.
优化
这里其实可以将doclist和hit 信息进行分离存储，因为只有在打分的时候才会用到hit的相关信息，访问次数会比较少，而doclist就会访问比较频繁
可以对其进行Cache，这样Cache命中率会更高一些
近期评论