❣博主主页: 33的博客❣
▶️文章专栏分类:项目日记◀️
🚚我的代码仓库: 33的代码仓库🚚
🫵🫵🫵关注我带你了解更多项目内容
目录
1.前言
在上一篇文章中,我们已经介绍了索引解析,那么接下来我们继续完善我们的项目,既然已经有了解析好的索引,那么我们就需要把解析的内容添加到倒排索引和正排索引中。
2.索引结构
创建index类,通过这个类来构建索引结构
基本步骤:
- 用ArrayList创建正排索引
- 用HashMap创建倒排索引
- 1.给定docid在正排索引中,查询详细信息
- 2.给定一个词,在倒排索引中查与这个词的关联文档
- 3.往索引中新增文档
- 4.把内存的索引保存到磁盘
- 5.把磁盘的索引结构保存到内存
2.1创捷索引
正排索引
java
private ArrayList<DocInfo> forwardIndex=new ArrayList<>();
倒排索引
java
private HashMap<String,ArrayList<Weight>> invertedIndex=new HashMap<>();
DocInfo类:
java
public class DocInfo {
private int docID;
private String title;
private String url;
private String content;
public int getDocID() {
return docID;
}
public void setDocID(int docID) {
this.docID = docID;
}
public String getTitle() {
return title;
}
public void setTitle(String title) {
this.title = title;
}
public String getUrl() {
return url;
}
public void setUrl(String url) {
this.url = url;
}
public String getContent() {
return content;
}
public void setContent(String content) {
this.content = content;
}
}
Weight类:
java
public class Weight {
private int docId;
private int weight;
public int getDocId() {
return docId;
}
public void setDocId(int docId) {
this.docId = docId;
}
public int getWeight() {
return weight;
}
public void setWeight(int weight) {
this.weight = weight;
}
}
2.2根据索引查询
java
//1.根据docId查询文档详情,数组小标就是文档id
public DocInfo getDocInfo(int docId){
return forwardIndex.get(docId);
}
//2.给定一个词,查在哪些文档中
public List<Weight> getInverted(String term){
return invertedIndex.get(term);
}
2.3新增文档
java
public void addDoc(String title,String url,String content){
//给正排索引新增和倒排索引都新增信息
//构建正排索引
DocInfo docInfo=buildForward(title,url,content);
//创建倒排索引
buildInverted(docInfo);
}
在正排索引中添加文档:
java
private DocInfo buildForward(String title, String url, String content) {
DocInfo docInfo=new DocInfo();
docInfo.setTitle(title);
docInfo.setUrl(url);
docInfo.setContent(content);
//巧妙设计:docInfoId的下标和数组下标一一对应
docInfo.setDocID(forwardIndex.size());
forwardIndex.add(docInfo);
return docInfo;
}
在倒排索引中新增文档
1.需要统计每一个词在文档中的出现次数,在根据次数算出权重
2.首先进行分词操作,统计每一个不同的词在标题中出现的次数
3.再进行分词操作,统计每一个词在正文出现的次数
4.设置权重为标题次数*10+正文次数
java
private void buildInverted(DocInfo docInfo) {
class WordCnt{
public int titleCount;
public int contentCount;
}
HashMap<String,WordCnt> wordCntHashMap=new HashMap<>();
//1.针对标题进行分词操作
List<Term> terms= ToAnalysis.parse(docInfo.getTitle()).getTerms();
//2.针对分词结果,统计每个词出现的次数
for (Term term:terms){
String word=term.getName();
WordCnt wordCnt=wordCntHashMap.get(word);
if (wordCnt==null){
WordCnt newwordCnt=new WordCnt();
newwordCnt.titleCount=1;
newwordCnt.contentCount=0;
wordCntHashMap.put(word,newwordCnt);
}else {
wordCnt.titleCount+=1;
}
}
//3.针对正文进行分词操作
List<Term> terms2=ToAnalysis.parse(docInfo.getContent()).getTerms();
//4.遍历分词结果,统计每个词出现的次数
for (Term term:terms2){
String word=term.getName();
WordCnt wordCnt=wordCntHashMap.get(word);
if (wordCnt==null){
WordCnt newWordCnt=new WordCnt();
newWordCnt.titleCount=0;
newWordCnt.contentCount=1;
wordCntHashMap.put(word,newWordCnt);
}else {
wordCnt.contentCount+=1;
}
}
//5.设置权重为:标题*10+正文
//一个对象必须实现了Iterable接口才能使用for each进行遍历,而Map并没有实现该接口,但Set实现了,所以就把Map转换为Set
for(Map.Entry<String,WordCnt> entry:wordCntHashMap.entrySet()) {
List<Weight> invertedList=invertedIndex.get(entry.getKey());
if (invertedList==null){
ArrayList<Weight> newInvertedList=new ArrayList<>();
Weight weight=new Weight();
weight.setWeight(entry.getValue().titleCount*10+entry.getValue().contentCount);
weight.setDocId(docInfo.getDocID());
newInvertedList.add(weight);
invertedIndex.put(entry.getKey(),newInvertedList);
}else {
Weight weight=new Weight();
weight.setDocId(docInfo.getDocID());
weight.setWeight(entry.getValue().titleCount*10+entry.getValue().contentCount);
invertedList.add(weight);
}
}
}
2.4内存索引保存到磁盘
索引当前是存储在内存中的,构造索引的过程是非常耗时的,因此我们就不应该再服务器启动时才去构造索引,通常就把这些耗时的操作,单独执行完成之后,然后再让线上的服务器加载构造好的索引。
我们就把内存中构造的索引结构,给变成一个字符串,然后写入文件即可,这个操作就叫序列化。适应Jackson中的ObjectMapper来完成此操作。
java
private static String INDEX_PATH="D:/doc_searcher_index/";
public void save(){
long beg=System.currentTimeMillis();
System.out.println("保存索引开始!");
File indexPathFile=new File(INDEX_PATH);
if(!indexPathFile.exists()){
indexPathFile.mkdir();
}
File forwardIndexFile=new File(INDEX_PATH+"forward.txt");
File invertedIndexFile=new File(INDEX_PATH+"inverted.txt");
try {
//利用ObjectMapperJava对象转换为JSON格式
//从内存中读取forwardIndex保存到forwardIndexFile
objectMapper.writeValue(forwardIndexFile,forwardIndex);
//从内存中读取nvertedIndex保存到invertedIndexFile
forwardIndexFileobjectMapper.writeValue(invertedIndexFile,invertedIndex);
}catch (IOException e) {
e.printStackTrace();
}
long end=System.currentTimeMillis();
System.out.println("保存索引完成!消耗时间:"+(end-beg)+"ms");
}
2.5把磁盘索引加载到内存
java
public void load(){
long beg=System.currentTimeMillis();
System.out.println("加载索引开始!");
File forwardIndexFile=new File(INDEX_PATH+"forward.txt");
File invertedIndexFile=new File(INDEX_PATH+"inverted.txt");
try {
forwardIndex=objectMapper.readValue(forwardIndexFile, new TypeReference<ArrayList<DocInfo>>() {});
invertedIndex=objectMapper.readValue(invertedIndexFile, new TypeReference<HashMap<String, ArrayList<Weight>>>() {});
}catch (IOException e){
e.printStackTrace();
}
long end=System.currentTimeMillis();
System.out.println("加载引擎结束消耗时间:"+(end-beg)+"ms");
}
parser相当于制作索引的入口,对应到一个可执行的程序
index相当于实现了索引的数据结构,提供一些Api
接下来我们就在parser里面调用对应的api
在parser类中解析完Html文件时,应添加到索引中
java
private void parseHTML(File f) {
//1.解析HTML标题
String title=parseTitle(f);
//2.解析HTML的URL
String url=parseUrl(f);
//3.解析HTML的正文
long beg=System.nanoTime();
//String content=parseContent(f);
String content=parseContentByRegex(f);
long mid=System.nanoTime();
//把解析出来的信息加载到索引
index.addDoc(title,url,content);
}
在添加完索引之后,应该把索引保存到磁盘
java
public void run() {
long beg=System.currentTimeMillis();
System.out.println("索引制作开始");
//1.枚举出INPUT_PATH下的所有html文件
ArrayList<File> fileList=new ArrayList<>();
enumFile(INPUT_PATH,fileList);
//2.解析文档内容
for (File f:fileList){
System.out.println("开始解析"+f.getAbsolutePath()+"....");
parseHTML(f);
}
//3.把内存构造的索引保存到磁盘
index.save();
long end=System.currentTimeMillis();
System.out.println("索引制作结束!消耗时间:"+(end-beg)+"ms");
}
3.性能优化
此时我们已经完成了文档解析和索引制作模块,那么我们进行验证
文档内容正确生成:
但我们观察索引制作的时间:一个消耗了19973ms就是19s,花费的时间是比较长的,那么有什么办法提高效率呢?方法当然是有的,首先我们得清楚具体是哪一个步骤拖慢了执行效率,我们来分析代码:
可以看到解析文档的时候从磁盘读文件,循环遍历文件操作,那么显然效率是非常慢的,既然一个线程串行执行效率非常慢,那么我们就采用多线程并发执行来提高效率。
3.1多线程
我们可以使用创建一个线程池来实现并发操作。通过submit往线程池中提价任务,操作极快(只是把Runnable对象放入阻塞队列中)。
把代码改进成多线程的版本,线程池中的线程数目具体设置成多少才合适呢?最好通过实验来确定。
java
public void run() {
long beg=System.currentTimeMillis();
System.out.println("索引制作开始");
//1.枚举出INPUT_PATH下的所有html文件
ArrayList<File> fileList=new ArrayList<>();
enumFile(INPUT_PATH,fileList);
ExecutorService executorService= Executors.newFixedThreadPool(6);
//2.解析文档内容
for (File f:files){
executorService.submit(new Runnable() {
@Override
public void run() {
System.out.println("解析:"+f.getAbsolutePath());
parseHTML(f);
}
});
}
//3.把内存构造的索引保存到磁盘
index.save();
long end=System.currentTimeMillis();
System.out.println("索引制作结束!消耗时间:"+(end-beg)+"ms");
}
3.2线程安全
我们既然引入了多线程就要考虑线程安全问题 ,要注意修改操作 和读写操作 。当多个线程同时尝试修改同一个共享数据时,需要确保数据的一致性,避免出现竞态条件。读写操作:如果一个线程在读取共享数据的同时另一个线程在修改该数据,可能导致读取到不一致或无效的数据。
那么我们就需要对程序进行加锁操作:
3.3CountDownLatch类
添加锁虽然解决了线程安全问题,依然有新的问题,那就是在所有文件提交完成后就会立即执行save()操作,但是可能文件解析还没有完成。为了解决这样的问题,我们就引入 CountDownLatch 类。
CountDownLatch类类似于跑步比赛的裁判,只有所有的选手都撞线了,就认为这场比赛结束了。再构造 CountDownLatch的时候指定一下比赛选手的个数,每个选手撞线都要通知一下countDown(),通过await来等待所有的选手都撞线完毕才执行save()操作。
java
public void runByThread(){
long beg=System.currentTimeMillis();
System.out.println("索引开始制作");
//1.枚举出INPUT_PATH下的所有html文件
ArrayList<File> files=new ArrayList<>();
enumFile(INPUT_PATH,files);
//2.解析文档内容
CountDownLatch latch=new CountDownLatch(files.size());
ExecutorService executorService= Executors.newFixedThreadPool(6);
for (File f:files){
executorService.submit(new Runnable() {
@Override
public void run() {
System.out.println("解析:"+f.getAbsolutePath());
parseHTML(f);
latch.countDown();
}
});
}
try {
//await会阻塞,把所有选手都调用countDown以后才会继续执行
latch.await();
} catch (InterruptedException e) {
throw new RuntimeException(e);
}
//手动的把线程池里面的线程杀掉
executorService.shutdown();
//3.把内存构造的索引保存到磁盘
index.save();
long end=System.currentTimeMillis();
System.out.println("索引制作结束!消耗时间:"+(end-beg)+"ms");
System.out.println("t1:"+t1+"t2"+t2);
}
4.总结
这篇文章主要完成了索引制作模块,以及进行了性能优化,在下一篇文章中将进行搜索模块的制作。
下期预告:项目日记(三)