一尘不染

使用Lucene改善多线程索引

java

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。


阅读 372

收藏
2020-12-03

共1个答案

一尘不染

如果要并行化索引,可以执行以下两项操作:

  • 并行化对addDocument的调用,
  • 增加您的合并调度程序的最大线程数。

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ConcurrentMergeSchedulersetMaxThreadCount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。

2020-12-03