Java Lucene性能:将字段数据从一个索引传输到另一个索引
简而言之,我需要交换从一个索引到结果索引的多个字段和值的映射 以下是场景 指数1结构 [字段=>值][存储]Java Lucene性能:将字段数据从一个索引传输到另一个索引,java,search,lucene,Java,Search,Lucene,简而言之,我需要交换从一个索引到结果索引的多个字段和值的映射 以下是场景 指数1结构 [字段=>值][存储] Doc 1 keys => keyword1; Ids => id1, id1, id2, id3, id7, id11, etc.. Doc 2 keys => keyword2; Ids => id3, id11, etc.. Doc 1 ids => id1 keys => keyword1,
Doc 1
keys => keyword1;
Ids => id1, id1, id2, id3, id7, id11, etc..
Doc 2
keys => keyword2;
Ids => id3, id11, etc..
Doc 1
ids => id1
keys => keyword1, keyword1
Doc 3
ids => id3
keys => keyword1, keyword2, etc..
指数2结构
[字段=>值][存储]
Doc 1
keys => keyword1;
Ids => id1, id1, id2, id3, id7, id11, etc..
Doc 2
keys => keyword2;
Ids => id3, id11, etc..
Doc 1
ids => id1
keys => keyword1, keyword1
Doc 3
ids => id3
keys => keyword1, keyword2, etc..
请注意,结果索引中的keysid映射是反向的
就时间复杂性而言,您认为最有效的方法是什么
我能想到的唯一办法是
1) index1Reader.terms();
2) Process only terms belonging to "Ids" field
3) For each term, get TermDocs
4) For each doc, load it, get "keys" field info
5) Create a new Lucene Doc, add 'Id', multi Keys, write it to index2.
6) Go to step 2.
由于字段是存储的,我确信有多种方法可以实现这一点
请指导我任何表演技巧考虑到Index1的大小约为6GB,即使是最微小的改进都会对我的场景产生巨大影响
唯一关键词总数:1800万;
唯一ID总数:90万
有趣的更新
优化1
- 在添加新文档时,与其创建多个重复的“字段”对象,不如使用“”分隔符创建单个StringBuffer,然后将整个添加为单个字段,这样似乎可以提高25%李>
public void go() throws IOException, ParseException {
String id = null;
int counter = 0;
while ((id = getNextId()) != null) { // this method is not taking time..
System.out.println("Node id: " + id);
updateIndex2DataForId(id);
if(++counter > 10){
break;
}
}
index2Writer.close();
}
private void updateIndex2DataForId(String id) throws ParseException, IOException {
// Get all terms containing the node id
TermDocs termDocs = index1Reader.termDocs(new Term("id", id));
// Iterate
Document doc = new Document();
doc.add(new Field("id", id, Store.YES, Index.NOT_ANALYZED));
int docId = -1;
while (termDocs.next()) {
docId = termDocs.doc();
doc.add(getKeyDataAsField(docId, Store.YES, Index.NOT_ANALYZED));
}
index2Writer.addDocument(doc);
}
private Field getKeyDataAsField(int docId, Store storeOption, Index indexOption) throws CorruptIndexException,
IOException {
Document doc = index1Reader.document(docId, fieldSelector); // fieldSel has "key"
Field f = new Field("key", doc.get("key"), storeOption, indexOption);
return f;
}
FieldCache的使用非常有效。。。但是,我们需要分配越来越多的RAM来容纳堆上的所有字段 我已经用以下代码段更新了上面的updateIndex2DataForId()
private void updateIndex2DataForId(String id) throws ParseException, IOException {
// Get all terms containing the node id
TermDocs termDocs = index1Reader.termDocs(new Term("id", id));
// Iterate
Document doc = new Document();
doc.add(new Field("id", id, Store.YES, Index.NOT_ANALYZED));
int docId = -1;
StringBuffer buffer = new StringBuffer();
while (termDocs.next()) {
docId = termDocs.doc();
buffer .append(keys[docId] + " "); // keys[] is pre-populated using FieldCache
}
doc.add(new Field("id", buffer.trim().toString(), Store.YES, Index.ANALYZED));
index2Writer.addDocument(doc);
}
String[] keys = FieldCache.DEFAULT.getStrings(index1Reader, "keywords");
它使一切都更快了,我不能告诉你确切的指标,但我必须说,非常重要
现在,该计划将在一段合理的时间内完成。无论如何,我们高度赞赏进一步的指导 这只是一次吗?我的猜测是,花在思考这个问题上的时间将超过优化所节省的时间。。。6gb是一个很大的索引,但是lucene可以很快地处理这些东西。。。你有没有做过暴力测试,看看需要多长时间?谢谢你的回复。虽然这是一次性的,但我可能要在截止日期前做几次。因此,考虑性能改进。是的,我试过上述方法,时间消耗有点令人失望。每个文档需要几秒钟(2-5+)的时间。预期的文档总数高达100万。您分析了这么长时间的原因是什么?还不确定,加载文档可能是一个潜在的罪魁祸首。。我应该只加载“关键字”,在这种情况下,我可以避免加载非常长的“ID”字段。@phani wow!每个文档都有几秒钟的时间真是太离谱了。。。不应该这么慢。你能发布一些你正在使用的代码让我们看看吗。甚至没有想过使用fieldcache。。。是的,我可以想象,只有3gb,你还需要多一点才能让这个尖叫声继续下去。