lucene 中的高光性能非常慢

Posted 2023-03-06

【中文标题】lucene 中的高光性能非常慢

【英文标题】：very slow highlight performance in lucene

【发布时间】：2014-03-08 04:05:43

【问题描述】：

Lucene (4.6) 荧光笔在搜索常用词时性能非常慢。 搜索速度很快（100 毫秒），但突出显示可能需要一个多小时（！）。

详细信息： 使用了很棒的文本语料库（1.5GB 纯文本）。性能不取决于文本是否被分成更多的小块。 （也用 500MB 和 5MB 块进行了测试。） 存储位置和偏移量。 如果搜索一个非常频繁的术语或模式，TopDocs 检索速度很快（100 毫秒），但每个“searcher.doc(id)”调用都很昂贵（5-50 秒），getBestFragments() 非常昂贵（超过 1 小时） .甚至它们也为此目的被存储和索引。 （硬件：core i7、8GM mem）

更大的背景： 它将服务于语言分析研究。使用了一种特殊的词干提取：它也存储词性信息。例如，如果 "adj adj adj adj noun" 被搜索，它会给出它在文本中出现的所有内容。

我可以调整它的性能，还是应该选择其他工具？

使用代码：

            //indexing
            FieldType offsetsType = new FieldType(TextField.TYPE_STORED);
            offsetsType.setIndexOptions(IndexOptions.DOCS_AND_FREQS_AND_POSITIONS_AND_OFFSETS);

            offsetsType.setStored(true);
            offsetsType.setIndexed(true);
            offsetsType.setStoreTermVectors(true);
            offsetsType.setStoreTermVectorOffsets(true);
            offsetsType.setStoreTermVectorPositions(true);
            offsetsType.setStoreTermVectorPayloads(true);


            doc.add(new Field("content", fileContent, offsetsType));


            //quering
            TopDocs results = searcher.search(query, limitStart+limit);

            int endPos = Math.min(results.scoreDocs.length, limitStart+limit);
            int startPos = Math.min(results.scoreDocs.length, limitStart);

            for (int i = startPos; i < endPos; i++) 
                int id = results.scoreDocs[i].doc;

                // bottleneck #1 (5-50s):
                Document doc = searcher.doc(id);

                FastVectorHighlighter h = new FastVectorHighlighter();

                // bottleneck #2 (more than 1 hour):   
                String[] hs = h.getBestFragments(h.getFieldQuery(query), m, id, "content", contextSize, 10000);

相关（未回答）问题：https://***.com/questions/19416804/very-slow-solr-performance-when-highlighting

【参考方案1】：

BestFragments 依赖于您正在使用的分析器完成的标记化。如果要分析这么大的文本，最好在索引时存储词向量WITH_POSITIONS_OFFSETS。

请阅读this 和this book

通过这样做，您无需在运行时分析所有文本，因为您可以选择一种方法来重用现有的术语向量，这将减少突出显示的时间。

【讨论】：

非常有趣。我要调查一下。

有问题的代码已经包含位置和偏移量。应该是别的吗？ @AR1

这个答案如何被投票？该问题清楚地表明位置和偏移量已存储。所有这些答案提供的是阅读文档？这有一个 -1 值。我花了 20 分钟试图记住我的密码才能登录并对此发表评论。