【文档搜索引擎】缓冲区优化和索引模块小结

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 复制代码
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 复制代码
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 复制代码
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 复制代码
// 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 复制代码
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

  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 复制代码
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 复制代码
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

相关推荐
LKAI.20 分钟前
搭建Elastic search群集
linux·运维·elasticsearch·搜索引擎
Amarantine、沐风倩✨26 分钟前
设计一个监控摄像头物联网IOT(webRTC、音视频、文件存储)
java·物联网·音视频·webrtc·html5·视频编解码·七牛云存储
路在脚下@1 小时前
spring boot的配置文件属性注入到类的静态属性
java·spring boot·sql
啦啦右一1 小时前
Spring Boot | (一)Spring开发环境构建
spring boot·后端·spring
森屿Serien1 小时前
Spring Boot常用注解
java·spring boot·后端
苹果醋33 小时前
React源码02 - 基础知识 React API 一览
java·运维·spring boot·mysql·nginx
Hello.Reader3 小时前
深入解析 Apache APISIX
java·apache
菠萝蚊鸭3 小时前
Dhatim FastExcel 读写 Excel 文件
java·excel·fastexcel
旭东怪4 小时前
EasyPoi 使用$fe:模板语法生成Word动态行
java·前端·word
007php0074 小时前
Go语言zero项目部署后启动失败问题分析与解决
java·服务器·网络·python·golang·php·ai编程