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))
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
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
- 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
-
针对递归的方式,枚举除了所有的
HTML
文件 -
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
<
和>
作为“是否要拷贝数据”的开关
-
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:
- 做准备工作
- 调用
Index
类 - 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Parser
的main
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
- 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id
、title
、url
、content
- 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
-
查正排
直接按照下标来取ArrayList<DocInfo>
中的元素即可 -
查倒排
直接按照 key 来取HashMap<String, ArrayList<Weight>>
的value
即可 -
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)
-
保存索引
基于JSON
格式,把索引数据保存到指定文件中 -
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