我正在尝试在具有多个线程的Lucene中建立索引。因此,我开始编码并编写以下代码。首先,找到文件,然后为每个文件创建一个线程以对其进行索引。之后,我加入线程并优化索引。它可以工作,但我不确定…我可以大规模信任它吗?有什么办法可以改善吗?
import java.io.File; import java.io.FileFilter; import java.io.FileReader; import java.io.IOException; import java.io.File; import java.io.FileReader; import java.io.BufferedReader; import org.apache.lucene.index.IndexWriter; import org.apache.lucene.document.Field; import org.apache.lucene.document.Document; import org.apache.lucene.store.RAMDirectory; import org.apache.lucene.analysis.standard.StandardAnalyzer; import org.apache.lucene.analysis.StopAnalyzer; import org.apache.lucene.index.IndexReader; import org.apache.lucene.store.Directory; import org.apache.lucene.store.FSDirectory; import org.apache.lucene.util.Version; import org.apache.lucene.index.TermFreqVector; public class mIndexer extends Thread { private File ifile; private static IndexWriter writer; public mIndexer(File f) { ifile = f.getAbsoluteFile(); } public static void main(String args[]) throws Exception { System.out.println("here..."); String indexDir; String dataDir; if (args.length != 2) { dataDir = new String("/home/omid/Ranking/docs/"); indexDir = new String("/home/omid/Ranking/indexes/"); } else { dataDir = args[0]; indexDir = args[1]; } long start = System.currentTimeMillis(); Directory dir = FSDirectory.open(new File(indexDir)); writer = new IndexWriter(dir, new StopAnalyzer(Version.LUCENE_34, new File("/home/omid/Desktop/stopwords.txt")), true, IndexWriter.MaxFieldLength.UNLIMITED); int numIndexed = 0; try { numIndexed = index(dataDir, new TextFilesFilter()); } finally { long end = System.currentTimeMillis(); System.out.println("Indexing " + numIndexed + " files took " + (end - start) + " milliseconds"); writer.optimize(); System.out.println("Optimization took place in " + (System.currentTimeMillis() - end) + " milliseconds"); writer.close(); } System.out.println("Enjoy your day/night"); } public static int index(String dataDir, FileFilter filter) throws Exception { File[] dires = new File(dataDir).listFiles(); for (File d: dires) { if (d.isDirectory()) { File[] files = new File(d.getAbsolutePath()).listFiles(); for (File f: files) { if (!f.isDirectory() && !f.isHidden() && f.exists() && f.canRead() && (filter == null || filter.accept(f))) { Thread t = new mIndexer(f); t.start(); t.join(); } } } } return writer.numDocs(); } private static class TextFilesFilter implements FileFilter { public boolean accept(File path) { return path.getName().toLowerCase().endsWith(".txt"); } } protected Document getDocument() throws Exception { Document doc = new Document(); if (ifile.exists()) { doc.add(new Field("contents", new FileReader(ifile), Field.TermVector.YES)); doc.add(new Field("path", ifile.getAbsolutePath(), Field.Store.YES, Field.Index.NOT_ANALYZED)); String cat = "WIR"; cat = ifile.getAbsolutePath().substring(0, ifile.getAbsolutePath().length()-ifile.getName().length()-1); cat = cat.substring(cat.lastIndexOf('/')+1, cat.length()); //doc.add(new Field("category", cat.subSequence(0, cat.length()), Field.Store.YES)); //System.out.println(cat.subSequence(0, cat.length())); } return doc; } public void run() { try { System.out.println("Indexing " + ifile.getAbsolutePath()); Document doc = getDocument(); writer.addDocument(doc); } catch (Exception e) { System.out.println(e.toString()); } } }
任何麻将被视为。
如果要并行化索引,可以执行以下两项操作:
您可以并行处理对addDocuments的调用,但是随着需要索引的文档数量的增加,每个文档产生一个线程将无法扩展。您应该使用固定大小的ThreadPoolExecutor。由于此任务主要是CPU密集型(取决于分析仪和检索数据的方式),因此将计算机的CPU数量设置为最大线程数可能是一个不错的开始。
关于合并调度程序,您可以增加可与ConcurrentMergeScheduler的setMaxThreadCount方法一起使用的最大线程数。请注意,磁盘在顺序读取/写入方面比随机读取/写入要好得多,因此,为合并调度程序设置的最大最大线程数可能会降低索引编制的速度,而不是加快索引编制的速度。
但是在尝试并行化索引过程之前,您可能应该尝试找到瓶颈所在。如果磁盘速度太慢,则可能是刷新的瓶颈,因此合并步骤将导致并行调用addDocument(本质上包括分析文档并将分析结果缓存在内存中)不会提高索引速度完全没有
一些注意事项:
Lucene的开发版本中正在进行一些工作,以改善索引并行性(尤其是冲洗部分,此博客文章解释了其工作原理)。
Lucene在如何提高索引速度方面有一个不错的Wiki页面,您将找到其他提高索引速度的方法。