❣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
- 2.索引结构
- 2.1创捷索引
- 2.2根据索引查询
- 2.3新增文档
- 2.4内存索引保存到磁盘
- 2.5把磁盘索引加载到内存
- 3.性能优化
- 3.1多线程
- 3.2线程安全
- 3.3CountDownLatch类
- 4.总结
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
private ArrayList<DocInfo> forwardIndex=new ArrayList<>();
倒排索引
private HashMap<String,ArrayList<Weight>> invertedIndex=new HashMap<>();
DocInfo类：
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：
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
//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
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：
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
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。
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
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
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
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。
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。
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)
![[linux]sed命令基础入门详解](https://i-blog.csdnimg.cn/direct/eb773c12c6fa44a6b6c814f5924676a6.png)
