去重编码(dedupAndEncode)

去重编码是Lucene中对int类型数据的一种压缩存储方式，在FacetsConfig类中用到此方法来处理int类型数据。其优点在于，存储一个原本需要固定4个字节空间大小的int类型的数据，最好的情况下只要1个字节，最差的情况下需要5个字节。

处理过程

去重编码的过程主要分三步：

1. 排序

2. 去重

3. 差值存储

关系图

根据int数值的大小，在去重编码后存储该数值所需要的字节大小关系图如下

去重编码中最重要的一点是差值存储，从上图可以看出，我们在存储一组有序的数值时，除第一个数值外，其他的数值如果只存储跟它前面数值的差值，那么可以使得达到最大的压缩比。这种方式在存储大数值时的有点更明显。

例如我们有一组数据：{17832，17842，17844}，如果我们直接对3个数值进行存储(不存储差值)，那么最终需要9个字节才能存储这三个数值，而如果我们进行差值存储，那么我们需要存储的数据就变为： {17832，10，2}，其中10是17842跟17832的差值，2是17844跟17842的差值，那么最终只需要5个字节存储即可

去重编码源码

相比较源码，删除了代码中的IntsRef类，便于理解

encode

public class ConvertIntToByteRef{
public static BytesRefdedupAndEncode(int[] ordinals) {
   // 对 ordinal[]数组排序，目的是为了去重跟计算差值
   Arrays.sort(ordinals, 0, ordinals.length);
   // 先给每一个int类型分配5个字节大小的空间, 每个字节中只有7位是有效字节(描述数值),最高位是个定界符, 所以一个int类型最多要5个字节
   byte[] bytes = new byte[5 * ordinals.length];
   // 记录上次处理的值，用于去重判断
   int lastOrd = -1;
   int upto =0;
   // 遍历处理每一个int数值
   for(int i = 0; i < ordinals.length ; i++) {
     int ord = ordinals[i];
     // ord could be == lastOrd, so we must dedup:
     // 去重操作，当前处理的数值跟上一个如果一样的话，skip
     if(ord > lastOrd) {
       // 存储差值的变量
       int delta;
       if(lastOrd == -1) {
         // 处理第一个值, 只能储存原始的数值
         delta = ord;
      } else{
         // 处理非第一个值，就可以储存这个值与前一个值的差值
         delta = ord - lastOrd;
      }
       // if语句为真说明delta是 0~(2^7 - 1)内的值, 需要1个字节存储
       if((delta & ~0x7F) == 0 ) {
         // 注意的是第8位是0(位数从0计数), 一个byte的最高位如果是0，表示是数值的最后一个byte
         bytes[upto] = (byte) delta;
         upto++;
         // if语句为真说明delta是 2^7 ~ (2^14 - 1)内的值, 需要2个字节存储
      } else if((delta & ~0x3FFF) == 0) {
         // 这个字节的最高位是1, 表示下一个byte字节和当前字节属于同一个int类型的一部分
         bytes[upto] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
         // 这个字节的最高位是0, 表示表示是数值的最后一个byte
         bytes[upto + 1] = (byte) (delta & 0x7F);
         upto+=2;
         // if语句为真说明delta是 2^14 ~ (2^21 - 1)内的值, 需要3个字节存储
      } elseif((delta & ~0x1FFFFF) ==0) {
         // 这个字节的最高位是1, 表示下一个byte字节和当前字节属于同一个int类型的一部分
         bytes[upto] =(byte) (0x80 | ((delta & 0x1FC000) >> 14));
         // 这个字节的最高位是1, 表示下一个byte字节和当前字节属于同一个int类型的一部分
         bytes[upto + 1] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
         // 这个字节的最高位是0, 表示表示是数值的最后一个byte
         bytes[upto + 2] = (byte) (delta & 0x7F);
         upto += 3;
         // if语句为真说明delta是 2^21 ~ (2^28 - 1)内的值, 需要4个字节存储
      } elseif((delta & ~0xFFFFFFF) == 0) {
         bytes[upto] = (byte) (0x80 | ((delta & 0xFE00000) >> 21));
         bytes[upto + 1] = (byte) (0x80 | ((delta & 0x1FC000) >> 14));
         bytes[upto + 2] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
         bytes[upto + 3] = (byte) (delta & 0x7F);
         upto += 4;
         // delta是 2^28 ~ *内的值, 需要5个字节存储
      } else{
         bytes[upto] = (byte) (0x80|((delta & 0xF0000000) >> 28));
         bytes[upto + 1] = (byte) (0x80 | ((delta & 0xFE00000) >> 21));
         bytes[upto + 2] = (byte) (0x80 | ((delta & 0x1FC000) >>14));
         bytes[upto + 3] = (byte) (0x80 | ((delta & 0x3F80) >> 7));
         bytes[upto + 4] = (byte) (delta & 0x7F);
         upto += 5;
      }
       // 这里将ord保存下来是为了去重
       lastOrd = ord;
    }
  }
   return new BytesRef(bytes, 0, upto);
}
​
 public static void main(String[] args) {
   int[] array = {3, 2, 2, 8, 12};
   BytesRefref = ConvertIntToByteRef.dedupAndEncode(array);
   System.out.println(ref.toString());
}
}

最终结果用BytesRef对象表示，上面的输出结果：[2 1 5 4]

decode

public class ConvertByteRefToInt{
 public static void decode(BytesRefbytesRef){
   byte[] bytes = bytesRef.bytes;
   int end = bytesRef.offset + bytesRef.length;
   int ord = 0;
   int offset = bytesRef.offset;
   int prev=0;
   while(offset < end) {
     byte b = bytes[offset++];
     // if语句为真：byte字节的最高位是0，decode结束
     if(b >= 0 ) {
       // ord的值为差值，所以(真实值 = 差值(ord) + 前面一个值(prev))
       prev = ord = ((ord << 7) | b) + prev;
       // 输出结果
       System.out.println(ord);
       ord = 0;
       // decode没有结束，需要继续拼接
    } else{
       // 每次处理一个byte
       ord = (ord << 7)  | (b & 0x7F);
    }
  }
}
 public static void main(String[] args) {
   int[] array = {3, 2, 2, 8, 12};
   // 去重编码
   BytesRefref = ConvertIntToByteRef.dedupAndEncode(array);
   // 解码
   ConvertByteRefToInt.decode(ref);
}
}

去重编码(dedupAndEncode)是Lucene中的压缩存储的方式之一，还有VInt，VLong等数据类型都是属于压缩存储