关于Lucene索引合并解决方法

http://damies.iteye.com/blog/159835

http://blog.csdn.net/lyflower/article/details/1524568

2008 - 01 - 28

关于Lucene索引合并解决方法 

博客分类： 
• JAVA技术

lucene Apache 中间件 Web F#

由于Clustor的问题造成无法对索引进行同步，脑子中马上浮现用rmi(双机)，UDP广播（多机）作通信中间件对clustor进行索引同步但这样经过测试后效率相对较低，故另辟蹊径，最终用索引合并的方式进行快速的索引整合，达到时间短索引同步快的目的。代码如下：

package com.pccw;

import java.io.File;

import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.store.FSDirectory;

public class AdvancedTextFileIndexer {
    /**
     * @author Shane Zhao about merge Index in PCCW BJDEV
     * 将小索引文件合并到大的索引文件中去
     *
     * @param from
     *            将要合并到to文件的文件
     * @param to
     *            将from文件合并到该文件
     * @param sa
     */
    private static void mergeIndex(File from, File to,StandardAnalyzer sa) {
        IndexWriter indexWriter = null;
        try {
            System.out.println("正在合并索引文件!\t ");
            indexWriter = new IndexWriter(to, sa, false);
            indexWriter.setMergeFactor(100000);
            indexWriter.setMaxFieldLength(Integer.MAX_VALUE);
            indexWriter.setMaxBufferedDocs(Integer.MAX_VALUE);
            indexWriter.setMaxMergeDocs(Integer.MAX_VALUE);
            FSDirectory[] fs = { FSDirectory.getDirectory(from, false) };
            indexWriter.addIndexes(fs);
            indexWriter.optimize();
            indexWriter.close();
            System.out.println("已完成合并!\t ");
        } catch (Exception e) {
            System.out.println("合并索引出错！");
            e.printStackTrace();
        } finally {
            try {
                if (indexWriter != null)
                    indexWriter.close();
            } catch (Exception e) {

            }

        }

    }

    public static void main(String[] areg){
        File from = new File("F:/web/faq/lucene/indexDir");
        File to = new File("F:/indexDir");
        mergeIndex(from,to,new StandardAnalyzer());
    }

}

测试效率为两个150M的索引文件合并时间在10-15s 效率还是很令人满意的。

 

 

 

 

  

lucene索引合并与增量索引

分类： LUCENE专题 2007-07-21 16:15  1802人阅读  评论(1)  收藏  举报

利用 Lucene，在创建索引的工程中你可以充分利用机器的硬件资源来提高索引的效率。当你需要索引大量的文件时，你会注意到索引过程的 瓶颈是在 往磁盘上写索引文件的过程中。为了解决这个问题, Lucene 在内存中持有一块缓冲区。但我们如何控制 Lucene 的缓冲区呢？幸运的是，Lucene 的类 IndexWriter 提供了三个参数用来调整缓冲区的大小以及往磁盘上写索引文件的频率。

1．合并因子（mergeFactor）

这 个参数决定了在 Lucene 的一个索引块中可以存放多少文档以及把磁盘上的索引块合并成一个大的索引块的频率。比如，如果合并因子的值是 10，那么当内存中的文档数达到 10 的时候所有的文档都必须写到磁盘上的一个新的索引块中。并且，如果磁盘上的索引块的隔数达到 10 的话，这 10 个索引块会被合并成一个新的索引块。这个参数的默认值是 10，如果需要索引的文档数非常多的话这个值将是非常不合适的。对批处理的索引来讲，为这个参数赋一个比较大的值会得到比较好的索引效果。

2．最小合并文档数

这个参数也会影响索引的性能。它决定了内存中的文档数至少达到多少才能将它们写回磁盘。这个参数的默认值是10，如果你有足够的内存，那么将这个值尽量设的比较大一些将会显著的提高索引性能。

3．最大合并文档数

这个参数决定了一个索引块中的最大的文档数。它的默认值是 Integer.MAX_VALUE，将这个参数设置为比较大的值可以提高索引效率和检索速度，由于该参数的默认值是整型的最大值，所以我们一般不需要改动这个参数。

 

/**
* This class demonstrates how to improve the indexing performance 
* by adjusting the parameters provided by IndexWriter.
*/
public class AdvancedTextFileIndexer   {
   public static void main(String[] args) throws Exception{
     //fileDir is the directory that contains the text files to be indexed
     File    fileDir   = new File("C://files_to_index");

     //indexDir is the directory that hosts Lucene's index files
     File    indexDir = new File("C://luceneIndex");
     Analyzer luceneAnalyzer = new StandardAnalyzer();
     File[] textFiles   = fileDir.listFiles();
     long startTime = new Date().getTime();

     int mergeFactor = 10;
     int minMergeDocs = 10;
     int maxMergeDocs = Integer.MAX_VALUE;
     IndexWriter indexWriter = new IndexWriter(indexDir,luceneAnalyzer,true);         
     indexWriter.mergeFactor = mergeFactor;
     indexWriter.minMergeDocs = minMergeDocs;
     indexWriter.maxMergeDocs = maxMergeDocs;

     //Add documents to the index
     for(int i = 0; i   > textFiles[i].getName().endsWith(".txt")){
         Reader textReader = new FileReader(textFiles[i]);
         Document document = new Document();
         document.add(Field.Text("content",textReader));
         document.add(Field.Keyword("path",textFiles[i].getPath()));
         indexWriter.addDocument(document);
       }
     }

     indexWriter.optimize();
     indexWriter.close();
     long endTime = new Date().getTime();

     System.out.println("MergeFactor: " + indexWriter.mergeFactor);
     System.out.println("MinMergeDocs: " + indexWriter.minMergeDocs);
     System.out.println("MaxMergeDocs: " + indexWriter.maxMergeDocs);
     System.out.println("Document number: " + textFiles.length);
     System.out.println("Time consumed: " + (endTime - startTime) + " milliseconds");
   }
}

判断索引目录的segments文件是否存在，
    如果存在，用增量索引
        否则， 重新创建索引


 如果是重新创建索引
    只需要遍历需要索引的内容，然后新增文档
         
 如果是增量索引
    判断主Key[文件名(包含全路径)]在索引中是否存在
        如果存在
            判断[文件的修改时间]，是否和索引中保存的[修改时间]一致
            如果不一致
                删除旧的索引中的该索引项目
                新增对该文档的索引
       否则
            新增该文档的索引 缺点，不能发现已经删除的文件，当然是认为的去某个目录删除该文件。
      如果是程序的话当然是可以的，只需要把索引中的项目删除。