solr - 了解 Lucene 领先的通配符性能

Question

Lucene 默认不允许在搜索词中使用前导通配符，but this can be enabled和:

QueryParser#setAllowLeadingWildcard(true)

我知道使用前导通配符会阻止 Lucene 使用索引。带有前导通配符的搜索必须扫描整个索引。

如何演示前导通配符查询的性能？什么时候可以用setAllowLeadingWildcard(true) ?

我已经建立了一个包含 1000 万个文档的测试索引，格式如下:

{ name: random_3_word_phrase }

磁盘索引为360M。

我的测试查询表现良好，但我一直无法实际演示性能问题。例如，查询 name:*ing在不到 1 秒的时间内生成超过 110 万份文件。查询name:*ing*同时生成超过 150 万份文件。

这是怎么回事？为什么这么慢？ 10,000,000 份文件还不够吗？文档是否需要包含多个字段？

Answer 1

取决于你有多少内存，以及内存中有多少 token 索引。

可以在任何旧计算机上快速搜索 360MB 的总索引。 360GB 的索引需要更长的时间...;)

例如，我启动了一个旧的 2GB 索引，并搜索“*e”。

在 8GB 的​​盒子上，它在 5 秒内返回了 50 万次点击。我在一个只有 1GB 内存的盒子上尝试了相同的索引，大约花了 20 秒。

为了进一步说明，这里有一些通用的 C# 代码，它基本上对 1000 万个随机 3 词短语进行“** E*”类型的搜索。

static string substring = "E";

private static Random random = new Random((int)DateTime.Now.Ticks);//thanks to McAden

private static string RandomString(int size)
{
    StringBuilder builder = new StringBuilder();
    char ch;
    for (int i = 0; i < size; i++)
    {
        ch = Convert.ToChar(Convert.ToInt32(Math.Floor(26 * random.NextDouble() + 65)));
        builder.Append(ch);
    }

    return builder.ToString();
}

static void FindSubStringInPhrases()
{
    List<string> index = new List<string>();

    for (int i = 0; i < 10000000; i++)
    {
        index.Add(RandomString(5) + " " + RandomString(5) + " " + RandomString(5));
    }

    var matches = index.FindAll(SubstringPredicate);

}

static bool SubstringPredicate(string item)
{
    if (item.Contains(substring))
        return true;
    else
        return false;
}

在所有 1000 万个阶段都加载到列表中后，“var matching = index.FindAll(SubstringPredicate);”仍然只需要大约一秒钟的时间。返回超过 400 万次点击。

关键是，内存很快。一旦事情不再适合内存并且您必须开始交换到磁盘，您就会看到性能下降。