使用卢森改进多线程索引

2022-09-03 13:23:57

我正在尝试使用多个线程在Lucene中构建索引。因此,我开始编码并编写了以下代码。首先,我找到文件,然后为每个文件创建一个线程来为其编制索引。之后,我加入线程并优化索引。它有效,但我不确定...我可以大规模地信任它吗?有什么方法可以改进它吗?

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());
    }

    }
}

任何肝素都被视为。


答案 1

如果要并行化索引,可以执行以下两项操作:

  • 并行化调用以添加文档,
  • 增加合并计划程序的最大线程计数。

您正走在并行化 addDocuments 调用的正确路径上,但每个文档生成一个线程不会扩展,因为需要编制索引的文档数将会增加。您应该使用固定大小的 ThreadPoolExecutor。由于此任务主要是 CPU 密集型任务(具体取决于分析器和检索数据的方式),因此将计算机的 CPU 数设置为最大线程数可能是一个良好的开端。

关于合并调度程序,您可以增加可以与 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,为合并计划程序设置过高的最大线程数更有可能减慢索引速度,而不是加快索引速度。

但在尝试并行化索引过程之前,您可能应该尝试找出瓶颈所在。如果磁盘太慢,瓶颈可能是刷新和合并步骤,因此并行调用 addDocument(实质上包括分析文档和在内存中缓冲分析结果)根本不会提高索引速度。

一些旁注:

  • Lucene的开发版本中有一些正在进行的工作,以提高索引并行性(特别是刷新部分,此博客文章解释了它的工作原理)。

  • Lucene有一个很好的wiki页面,关于如何提高索引速度,你可以找到其他方法来提高索引速度。


答案 2

我认为更现代的方法是使用ThreadPoolExecutor并提交一个正在执行索引的Runnable。您可以使用 .awaitTermination 或 CountdownLatch 等待所有线程终止。

我不太喜欢让你的主类扩展 Thread,只需创建一个可运行的内部类,在构造函数中获取其属性。这使您的代码更具可读性,因为线程正在执行的工作与应用程序设置代码明确分开。

关于样式的一些注意事项,我不是很喜欢让你的主类抛出异常,这通常只是意味着你对你使用的代码可以抛出的不同检查的异常情况没有一个清晰的想法。通常,除非您有非常具体的原因,否则这不是正确的做法。