Upload
vadim-tsesko
View
668
Download
0
Embed Size (px)
DESCRIPTION
Citation preview
Поисковая библиотека LuceneКурс «Базы данных»
Андреев Герман Андреевич
Computer Science Center
18 ноября 2013 г.
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 1 / 59
Содержание
1 Задача поиска
2 Lucene
3 Внутреннее устройство
4 Пример использования
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 2 / 59
Задача поиска Примеры
Примеры
Пример: поиск по документу
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 3 / 59
Задача поиска Примеры
ПримерыПример: поиск по документу
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 4 / 59
Задача поиска Примеры
ПримерыПример: полнотекстовый поиск
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 5 / 59
Задача поиска Примеры
ПримерыПример: параметрический поиск
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 6 / 59
Задача поиска Примеры
Примеры
Поиск по документуХорошо изученМножество алгоритмовГотовые библиотекиМожно реализовать самому
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 7 / 59
Задача поиска Примеры
Примеры
Поиск регулярных выражений:Хорошо изученМножество алгоритмовГотовые библиотекиСложно реализовать самому
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 8 / 59
Задача поиска Примеры
Примеры
Полнотекстовый поиск:Очень много теорииОгромное количество алгоритмовНекоторые доступны в виде библиотек
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 9 / 59
Задача поиска Примеры
Примеры
Различия между примерами:Количество документовФункция поискаРанжирование
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 10 / 59
Lucene Библиотека Lucene
Библиотека Lucene
Особенности:Реализована на JavaДостаточно компактна: lucene-core - 2.1 MbБогатая функциональностьВысокая скорость работыВысокая скорость индексации
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 11 / 59
Lucene Библиотека Lucene
Библиотека Lucene
Преимущества:Открытый исходный кодУдобная лицензия: Apache LicenseМного коммиттеровШироко известнаЕсть порт под .NET
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 12 / 59
Lucene Библиотека Lucene
Библиотека Lucene
История развития:Появилась в 1999: жила на SourceForgeВ 2001 переместилась в ApacheВ 2005 стала top-level проектом в рамках ApacheПретерпела 4 мажорных релизаАктивно развивается: последняя версия 4.5.1выпущена 24 октября8 релизов только за этот год
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 13 / 59
Lucene Модель данных
Модель данных
Модель данных:Основные объекты: Document, Field
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 14 / 59
Lucene Модель данных
Модель данных
Field:Пара ключ-значениеКлюч: произвольная ненулевая строкаЗначение: произвольная ненулевая строкаВ 4.0.0 версии появилась возможность хранитьтипизированные значения
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 15 / 59
Lucene Модель данных
Модель данных
Field:У каждого поля есть специальные атрибутыIndexedStoredTockenized
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 16 / 59
Lucene Модель данных
Модель данных
Indexed Field:Будет ли построен индекс по этому полюПо этим полям осуществляется поискПо этим полям можно сортировать
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 17 / 59
Lucene Модель данных
Модель данных
Stored Field:Попадет ли поле в хранильще документовНужно ли это значение при поиске
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 18 / 59
Lucene Модель данных
Модель данных
Tockenized Field:Требуется ли дополнительная обработка значения
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 19 / 59
Lucene Модель данных
Модель данных
Document:Содержит список FieldНет ограничения на повторяемость имениПри построении индекса каждому документуназначается docId
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 20 / 59
Lucene Построение индекса
Построение индекса
Directory:Абстракция над файловой системойЕсть несколько реализацийSimpleFSDirectory: простая реализацияNIOFSDirectory: реализация с использованиемNIOMMapDirectory: реализация на основе memorymapped файловRAMDirectory: все содержимое хранится в памятиВажно! Не используйте RAMDirectory длякрупных индексов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 21 / 59
Lucene Построение индекса
Построение индекса
Индекс состоит из:Инвертированного индексаХранилища документов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 22 / 59
Lucene Построение индекса
Построение индекса
Построение индекса:IndexWriterConfig: настройки индексацииIndexWriter: управляет созданием индексаindexWriter.addDocument(...): добавлениедокумента в индексОдновременно записывать может только одинIndexWriter
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 23 / 59
Lucene Построение индекса
Построение индекса
Хранилище документов:Попадают все Stored поляЧасть исходного документа в результатах поиска
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 24 / 59
Lucene Построение индекса
Построение индекса
Токенизация:Каждый индексируемое поле превращается впоследовательность токенов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 25 / 59
Lucene Построение индекса
Построение индекса
Инвертированный индекс:Попадают все Indexed поляНа нем основан механизм поиска
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 26 / 59
Lucene Построение индекса
Построение индекса
ПримерПостроение документа
1 Document doc = new Document();2 Field name = new StringField("name", country.getName(),
Field.Store.YES);3 doc.add(name);4 Field population = new LongField("population",
country.getPopulation(), Field.Store.YES);5 doc.add(population);
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 27 / 59
Lucene Построение индекса
Построение индекса
ПримерНеиндексируемое поле
1 FieldType TYPE_NOT_INDEXED = new FieldType();2 TYPE_NOT_INDEXED.setIndexed(false);3 TYPE_NOT_INDEXED.setOmitNorms(true);4 TYPE_NOT_INDEXED.setIndexOptions(IndexOptions.DOCS_ONLY);5 TYPE_NOT_INDEXED.setTokenized(false);6 TYPE_NOT_INDEXED.freeze();7 ...8 Field currency = new Field("currency",
country.getCurrency(), TYPE_NOT_INDEXED);9 doc.add(currency);
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 28 / 59
Lucene Построение индекса
Построение индекса
ПримерСоздание индекса
1 Directory dir = FSDirectory.open(new File(indexPath));2 Analyzer analyzer = new
StandardAnalyzer(Version.LUCENE_40);3 IndexWriterConfig iwc = new
IndexWriterConfig(Version.LUCENE_40, analyzer);4 iwc.setOpenMode(OpenMode.CREATE);5 IndexWriter writer = new IndexWriter(dir, iwc)
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 29 / 59
Lucene Построение индекса
Построение индекса
ПримерДобавление документа
1 ...2 IndexWriter writer = new IndexWriter(dir, iwc);3 for (Country country: countries) {4 Document doc = new Document();5 ...6 writer.addDocument(doc);7 }8 writer.close();
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 30 / 59
Lucene Поиск по индексу
Поиск по индексу
Поиск по индексу:За чтение отвечает IndexReaderЗа поиск - IndexSearcherLucene позволяет читать из индексаодновременно с записью
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 31 / 59
Lucene Поиск по индексу
Поиск по индексу
Поиск по индексу:Для поиска indexSearcher.search(query, ...)Все запросы - наследники QueryВ простейшем случаеindexSearcher.search(query, n)
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 32 / 59
Lucene Поиск по индексу
Поиск по индексу
Поиск по индексу:TopDocs: результат поискаtotalHits: всего найденных документовscoreDocs: список docId для найденныхдокументов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 33 / 59
Lucene Поиск по индексу
Поиск по индексу
Запросы:Запросы бывают разных типовTermQuery: наличие токена в документеBooleanQuery: условие на основе других QueryTermRangeQuery: диапазон текстовых токеновNumericRangeQuery: числовой диапозонНесколько других типов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 34 / 59
Lucene Поиск по индексу
Поиск по индексу
Результаты поиска:За результаты отвечает CollectorЧаще всего используется TopScoreDocCollectorМожно реализовать свой Collector
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 35 / 59
Lucene Поиск по индексу
Поиск по индексу
Сортировка результатов:В indexSearch.search можно передать SortСодержит список полей для сортировки
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 36 / 59
Lucene Поиск по индексу
Поиск по индексу
Ранжирование:Альтернатива сортировкеЗадается через класс SimilarityДолжно совпадать при индексировании и поискеНужно для полнотекстового поискаVector Space Model - на основе tf-idfBM25
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 37 / 59
Lucene Поиск по индексу
Поиск по индексу
ПримерЧтение индекса
1 Directory dir = FSDirectory.open(new File(indexPath));2 Analyzer analyzer = new
StandardAnalyzer(Version.LUCENE_40);3 DirectoryReader reader = DirectoryReader.open(dir);4 IndexSearcher searcher = new IndexSearcher(reader);
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 38 / 59
Lucene Поиск по индексу
Поиск по индексу
ПримерПостроение запроса
1 BooleanQuery bq = new BooleanQuery();2 TermQuery tq = new TermQuery(new Term("name", "Russia"));3 NumericRangeQuery<Long> nrq =
NumericRangeQuery.newLongRange(4 "population", 140_000_000L, Long.MAX_VALUE, true, false);5
6 bq.add(tq, BooleanClause.Occur.MUST_NOT);7 bq.add(nrq, BooleanClause.Occur.MUST);
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 39 / 59
Lucene Поиск по индексу
Поиск по индексу
ПримерПоиск документов
1 TopDocs topDocs = indexSearcher.search(bq, 10);2 for (ScoreDoc scoreDoc: topDocs.scoreDocs) {3 Document foundDoc = indexSearcher.doc(scoreDoc.doc);4 }
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 40 / 59
Lucene Поиск по индексу
Поиск по индексу
Поиск документов:foundDoc отличается от doc
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 41 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
Индекс разбит на сегментыПосле создания сегмент не меняетсяСодержит диапазон документовПериодически выполняется merge
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 42 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
DocId внутри сегмента уникальныПри удалении могут появится пропускиMerge удаляет пропускиMerge может изменить docId
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 43 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
Файлы индекса:
write.lock: лок на записьsegments.gen, segments_N: commit pointФайлы сегмента начинаются на _N.fnm: методанные полей.fdx, .fdt: Stored поля документа
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 44 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
Файлы индекса:
.tim, .tip: словарь Term
.doc: список документов, содержащих Term
.tvx, .tvd, .tvf: Term Vector
.nvd, .nvm, .dvd, .dvm: нормы и данные дляранжирования.del: удаленные документы
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 45 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
Файлы индекса:
Возможно включить "склеивание"файлоф.cfs, .cfe: составные файлы индекса
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 46 / 59
Внутреннее устройство Индекс на диске
Индекс на диске
Новый сегмент создается в момент операции flushМожно вызвать программно, обычно вызываетсяавтоматическиНастройки:
IndexWriterConfig.setMaxBufferedDocs:IndexWriterConfig.setRAMBufferSizeMB
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 47 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
IndexReader: содержит списко сегментовПоиск по каждому сегменту независимВыполняется последовательно по спискусегментов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 48 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
Инвертированный индекс состоит из:Списка Term для каждого поляУпорядоченного списка docId для каждого Term
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 49 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
TermQuery порождают объект, умеющий:Проверяет есть ли нужный Term для поляНаходит соответствующему списку docId
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 50 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
Query порождают объект, отвечающий за:Хранение текущего найденного docIdПоиск следующего подходящего docId
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 51 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
BooleanQueryКомпозиция из QueryОпращивает дочернии Query по очередиДокумент найден, если все дочерние Queryпередвинулись на один и тотже docId
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 52 / 59
Внутреннее устройство Устройиство поиска
Устройиство поиска
Большинство объектов - потоко-безопасно:IndexReaderIndexSearcherQuery: после создания можно искать изнескольких потоков
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 53 / 59
Пример использования Пример использования
Пример использования
Размер документа: 14 полейОдно из полей мультизначное: до 10 значенийВсе поля Indexed, некоторые StoredПорядка 100000 объектов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 54 / 59
Пример использования Пример использования
Пример использования
Размер индекса: несколько десятков мегабайтВремя построения: быстро
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 55 / 59
Пример использования Пример использования
Пример использования
Жесткие требования по скорость работыНагрузка порядка 25 RPSНесколько тысяч найденных объектов
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 56 / 59
Пример использования Пример использования
Пример использования
Первая попытка
Оказалась неудовлетворительнойПолучение документа - дорогая операция
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 57 / 59
Пример использования Пример использования
Пример использования
Вторая попытка
Избавится от Stored полейВсе документы хранить в памятиLucene - только для поиска
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 58 / 59
Пример использования Пример использования
Пример использования
Вторая попытка
Успех!Максимальная нагрузка - сотни RPS98% запросов - 5 ms99.5% запросов - 25 ms
Андреев Г. А. (CompSciCenter) Поисковая библиотека Lucene 18 ноября 2013 г. 59 / 59