在lucene中非常缓慢的突出表现

Question

当搜索频繁的术语时，Lucene（4.6）荧光笔的性能非常慢。 搜索速度很快（100毫秒），但突出显示可能需要一个多小时（！）。

细节：使用了很棒的文本语料库（1.5GB纯文本）。 性能不依赖于文本是否被分成更小的部分。 （也测试了500MB和5MB的部分。）存储位置和偏移。 如果搜索非常频繁的术语或模式，TopDocs被快速检索（100ms），但每个“searcher.doc（id）”调用都很昂贵（5-50s），而getBestFragments（）非常昂贵（超过1小时） 。 即使它们也是为此目的而存储和索引的。 （硬件：核心i7,8GM内存）

更大的背景 ：它将用于语言分析研究。 使用了一种特殊的词干：它也存储了词性信息。 例如，如果搜索“adj adj adj adj noun” ，它将在文本中出现所有出现的上下文。

我可以调整其性能，还是应该选择其他工具？

二手代码：

            //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（未答复）问题： https ： //stackoverflow.com/questions/19416804/very-slow-solr-performance-when-highlighting

Answer 1

BestFragments依赖于您正在使用的分析器完成的标记化。 如果你必须分析这么大的文本，你最好在索引时存储术语向量WITH_POSITIONS_OFFSETS 。

请阅读这和这本书

通过这样做，您不需要在运行时分析所有文本，因为您可以选择重用现有术语向量的方法，这将减少突出显示时间。