【文档搜索引擎】缓冲区优化和索引模块小结

news/2024/12/26 4:48:48/

开机之后,首次制作索引会非常慢,但后面就会快了
重启机器,第一次制作又会非常慢
这是为什么呢?

在 parserContent 里面,我们进行了一个读文件的操作

  • 计算机读取文件,是一个开销比较大的操作,

缓存
parserContent 的核心操作,就是读取文件,从磁盘进行访问,操作系统就会对“经常读取的文件”进行缓存
首次运行的时候,当前的这些 Java 文档,都没有在内存中缓存,因此读取的时候只能直接从硬盘上读取(相对耗时)
后面再运行的时候,由于前面已经读取过这些文档了,这些文档都在操作系统中其实已经有了一份缓存(在内存中),这次的读取不必直接读取硬盘,而是直接读内存的缓存(速度就会快很多)

缓冲区优化

我们可以通过使用一些线程类,来将缓存加进去,提高读取速率。

我们使用的读文件操作是:

java">int ret = fileReader.read();
  • 这里的 read() 每次都是在读磁盘,速度就会比较慢
  • 相比之下,我们可以在这里将 fileReader 的内容提前就读取到内存之中,然后每次调用 read() 的时候,就可以直接从内存中进行读取了

BufferedReader

BufferedReader 可以搭配 FileReader 来使用。我们只需要在构造 BufferedReader 的时候,把 FileReader 实例给设置进去就可以了

  • BufferedReader 内部就会内置一个缓冲区,就能够自动的把 FileReader 中的一些内容预读到内存中,从而减少直接访问磁盘的次数
java">BufferedReader bufferedReader = new BufferedReader(new FileReader(f))

image.png|498
通过 BufferedReader 类可以看到,它的缓冲区默认值是 8192(8k),我们可以将其设置大一点。我们就将 BufferedReader 的第二个参数,手动设置一下大小

java">BufferedReader bufferedReader = new BufferedReader(new FileReader(f), 1024 * 1024)
  • 手动将缓冲区设置为 1M 大小

索引加载逻辑

image.png|544

我们的索引加载逻辑,就是要从这两个文件进行加载。这里的文件保存好的索引数据,再给它保存到内存中,把它还原成内存中的那两个数据结构

java">// 正排索引
private ArrayList<DocInfo> forwardIndex = new ArrayList<>();  // 倒排索引
private HashMap<String, ArrayList<Weight>> invertedIndex = new HashMap<>();

我们可以验证一下这个索引加载

java">public static void main(String[] args) {  Index index = new Index();  index.load();  System.out.println("索引加载完毕!");  
}
  • 我们将断点打到打印那一行,然后观察调试信息 image.png|552
  • 可以看到两个数据结构都被还原到内存中了

索引模块小结

1. Parser 类

作用

  1. 针对递归的方式,枚举除了所有的 HTML 文件

  2. 针对这里的每个 HTML 进行解析

    • 标题:直接使用的文件标题
    • URL:基于文件路径进行简单的拼接(离线文档和线上文档的路径关系)
    • 正文:核心操作——去标签(将这里的 HTML 标签都去掉)。简单粗暴的方式实现,使用 <> 作为“是否要拷贝数据”的开关
  3. 将这里的解析结果,放到 Index 类中(addDoc 方法)

通过这个 Parser 类,最主要的事情,还是辅助 Index 类,来完成索引制作的过程

Parser 类主要就是:

  1. 做准备工作
  2. 调用 Index
  3. 通过这个类,作为完整应用程序的入口类
    后续需要制作索引,就直接调用 Parsermain 方法即可

单线程 vs 多线程

单线程制作索引比较低效,速度比较慢。改进成多线程之后,速度就明显有了提升。

我们要明确地描述出,这些文档什么时候能处理完。如果没处理完,我们是不能轻易地保存索引的,必须得保证所有的文档都解析完毕了、在索引中加载完毕了,才能够真正地保存在文件当中。

  • 所以我们使用 CountDownLatch 来计数。只有当所有的文档都处理完毕,都已经调用了 countDown 方法,撞线了,然后我们才能执行保存索引的操作

读文件缓冲区

在 Parser 类中,涉及到大量的读文件操作,我们通过实验得出:首次加载索引的时候速度会慢一些,后面再读就会变快了。

  • 因为第一次读的时候,这些文档都在磁盘上,内存中没有缓存,所以我们读的速度就会慢一些
  • 读过一次之后,很多文件就会操作系统自动缓存。之后我们再加载索引的时候,这里的文档就不用都在磁盘中读了,相当一部分可直接在内存中读取,这样速度就会变快

2. Index 类

核心属性

  1. 正排索引
java">private ArrayList<DocInfo> forwardIndex = new ArrayList<>();
  • 每个 DocInfo 都表示一个文档,在这个文档里面就包含了 idtitleurlcontent
  1. 倒排索引
java">private HashMap<String, ArrayList<Weight>> invertedIndex = new HashMap<>();
  • 每个键值对,就表示这个词在哪些文档中出现过
  • Weight 不仅仅是包含了文档 id,还包含了权重信息。权重当前是通过词出现的频次来计算的(标题中出现的次数 * 10 + 正文中出现的次数

核心方法

  1. 查正排
    直接按照下标来取 ArrayList<DocInfo> 中的元素即可

  2. 查倒排
    直接按照 key 来取 HashMap<String, ArrayList<Weight>>value 即可

  3. 添加文档
    通过 Parser 类,在构建索引的时候,调用该方法

  • 构建正排,构造一个 DocInfo 对象,给其添加到正排索引末尾
  • 构建倒排,先进行分词,统计词频,遍历分词结果,去更新倒排索引中对应的倒排拉链(注意其中的线程安全问题)
  1. 保存索引
    基于 JSON 格式,把索引数据保存到指定文件中

  2. 加载索引
    基于 JSON 格式,对数据进行解析。把文件中的内容读出来,解析到内存中


http://www.ppmy.cn/news/1558178.html

相关文章

独一无二,万字详谈——Linux之文件管理

Linux文件部分的学习&#xff0c;有这一篇的博客足矣! 目录 一、文件的命名规则 1、可以使用哪些字符&#xff1f; 2、文件名的长度 3、Linux文件名的大小写 4、Linux文件扩展名 二、文件管理命令 1、目录的创建/删除 &#xff08;1&#xff09;、目录的创建 ① mkdir…

CCF算法学习-1

1. B - Piano 问题描述 有一个无限长的钢琴键盘。是否存在一个连续的片段&#xff0c;其中包含 W 个白键和 B 个黑键&#xff1f; 设 S 为通过无限重复字符串 wbwbwwbwbwbw 形成的字符串。 是否存在 S 的一个子字符串&#xff0c;其中包含 W 个 w&#xff08;白键&#xff09…

新手SEO指南如何入门与实操技巧分析

内容概要 在数字化时代&#xff0c;搜索引擎优化&#xff08;SEO&#xff09;已成为网站流量获取的重要手段。针对新手&#xff0c;理解SEO的基础是入门的第一步。本文将从多个方面为新手提供系统性的知识&#xff0c;帮助他们掌握SEO的核心概念和实用技巧。 首先&#xff0c…

MongoDB教程002:文档(表)的增删改查

文章目录 1.4 文档基本CRUD1.4.1 文档的插入1.4.1.1 单个文档的插入1.4.1.2 批量插入 1.4.2 文档的基本查询1.4.3 文档的更新1.4.4 删除文档 1.4 文档基本CRUD 文档&#xff08;document&#xff09;的数据结构和JSON基本一样。 所有存储在集合中的数据都是BSON格式。 1.4.1…

【深入理解网络协议】

深入理解网络协议 一、基础模型 OSI模型 OSI模型是国际标准化组织&#xff08;ISO&#xff09;提出的一个参考模型&#xff0c;它将网络通信过程划分为7个层次&#xff0c;每一层都有特定的功能和责任。 [!TIP] 说明 层次&#xff1a; 物理层&#xff1a;负责传输原始比特流…

外连接转AntiJoin的应用场景与限制条件 | OceanBase SQL 查询改写系列

在《SQL 改写系列&#xff1a;外连接转内连接的常见场景与错误》一文中&#xff0c;我们了解到谓词条件可以过滤掉连接结果中的 null 情形的&#xff0c;将外连接转化为内连接的做法是可行的&#xff0c;正如图1中路径(a)所示。此时&#xff0c;敏锐的你或许会进一步思考&#…

“Content type ‘text/plain;charset=UTF-8‘ not supported“,

用postman进行新增数据时&#xff0c;如下提示&#xff1a; "Content type text/plain;charsetUTF-8 not supported" Content type text/plain 不支持 点击Headers我们看到Content-Type 支持的类型是json 所以问题出现在这个地方&#xff0c;要将Text切换成JSON…

RunCam WiFiLink连接手机图传测试

RunCam WiFiLink中文手册从这里下载 一、摄像头端 1.连接天线&#xff08;易忘&#xff09; 2.打开摄像头前面的盖子&#xff08;易忘&#xff09; 3.接上直流电源&#xff0c;红线为正&#xff0c;黑线为负 4.直流电源设置电压为14v&#xff0c;电流为3.15A&#xff0c; 通…