c# - lucene.net IndexWriter 和 Azure WebJob

Question

我有一个持续运行的 Azure Webjob，它基于队列触发器触发。该队列包含需要写入我的 lucene 索引的项目列表。目前，我的队列中有很多项目(超过 500k 行项目)，我正在寻找最有效的方法来处理它。当我尝试“扩展”网络作业时，我不断收到 IndexWriter Lock 异常。

当前设置:

JobHostConfiguration config = new JobHostConfiguration();
            config.Queues.BatchSize = 1;

            var host = new JobHost(config);                        
            host.RunAndBlock();

网络作业功能

     public static void AddToSearchIndex([QueueTrigger("indexsearchadd")] List<ListingItem> items, TextWriter log)
                {
                    var azureDirectory = new AzureDirectory(CloudStorageAccount.Parse(ConfigurationManager.ConnectionStrings["StorageConnectionString"].ConnectionString), "megadata");
                    var findexExists = IndexReader.IndexExists(azureDirectory);
                    var count = items.Count;
                    IndexWriter indexWriter = null;
                    int errors = 0;
                    while (indexWriter == null && errors < 10)
                    {
                        try
                        {
                            indexWriter = new IndexWriter(azureDirectory, new StandardAnalyzer(Lucene.Net.Util.Version.LUCENE_30), !IndexReader.IndexExists(azureDirectory), new Lucene.Net.Index.IndexWriter.MaxFieldLength(IndexWriter.DEFAULT_MAX_FIELD_LENGTH));
                        }
                        catch (LockObtainFailedException)
                        {
                            log.WriteLine("Lock is taken, Hit 'Y' to clear the lock, or anything else to try again");
                            errors++;
                        }
                    };
                    if (errors >= 10)
                    {
                        azureDirectory.ClearLock("write.lock");
                        indexWriter = new IndexWriter(azureDirectory, new StandardAnalyzer(Lucene.Net.Util.Version.LUCENE_30), !IndexReader.IndexExists(azureDirectory), new Lucene.Net.Index.IndexWriter.MaxFieldLength(IndexWriter.DEFAULT_MAX_FIELD_LENGTH));
 log.WriteLine("IndexWriter lock obtained, this process has exclusive write access to index");
            indexWriter.SetRAMBufferSizeMB(10.0);
            // Parallel.ForEach(items, (itm) =>
            //{
            foreach (var itm in items)
            {
                AddtoIndex(itm, indexWriter);
            }
            //});
    }

更新索引项的方法基本上如下所示:

private static void AddtoIndex(ListingItem item, IndexWriter indexWriter)
        {            
            var doc = new Document();
            doc.Add(new Field("id", item.URL, Field.Store.NO, Field.Index.NOT_ANALYZED, Field.TermVector.NO));
            var title = new Field("Title", item.Title, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.YES);
 indexWriter.UpdateDocument(new Term("id", item.URL), doc);
}

我尝试过的事情:

1. 将 azure 配置批量大小设置为最大 32
2. 使方法异步并使用 Task.WhenAll
3. 使用并行 for 循环

当我尝试上述操作时，通常会失败:

Lucene.Net.Store.LockObtainFailedException: Lucene.Net.Store.LockObtainFailedException: Lock obtain timed out: <a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="ffbe858a8d9ab3909c94bf888d968b9ad193909c94" rel="noreferrer noopener nofollow">[email protected]</a>.
 at Lucene.Net.Store.Lock.Obtain(Int64 lockWaitTimeout) in d:\Lucene.Net\FullRepo\trunk\src\core\Store\Lock.cs:line 97
 at Lucene.Net.Index.IndexWriter.Init(Directory d, Analyzer

关于如何在架构上设置此 Web 作业，以便它可以处理队列中的更多项目，而不是一项一项地执行，有什么建议吗？他们需要写入相同的索引？ 谢谢

Answer 1

当多个进程尝试同时写入 Lucene 索引时，您会遇到 Lucene 语义问题。扩展 azure 应用程序、使用任务或并行 for 循环只会导致问题，因为当时只有一个进程应该写入 Lucene 索引。

架构上这是你应该做的。

• 确保任何时候只有一个 Webjobs 实例在运行 – 即使是 Web 应用程序是否可扩展(例如通过自动缩放)
• 使用最大网络作业批量大小 (32)
• 在每个批处理后提交 Lucene 索引以最小化 I/O

通过将 settings.job 文件添加到 webjob 项目，确保只能完成一个 webjob 实例。将构建操作设置为内容并复制到输出目录。将以下 JSON 添加到文件中

{ "is_singleton": true }

将 webjob 批处理站点配置为最大

JobHostConfiguration config = new JobHostConfiguration();
config.Queues.BatchSize = 1;
var host = new JobHost(config);                        
host.RunAndBlock();

每批后提交 Lucene 索引

public static void AddToSearchIndex([QueueTrigger("indexsearchadd")] List<ListingItem> items, TextWriter log)
{
    ...
    indexWriter = new IndexWriter(azureDirectory, …);

    foreach (var itm in items)
    {
        AddtoIndex(itm, indexWriter);
    }
    indexWriter.Commit();
}

这只会在提交 Lucene 索引时写入存储帐户，从而加快索引过程。此外，Webjob 批处理还将加快消息处理速度(随时间推移处理的消息数量，而不是单个消息处理时间)。

您可以添加检查以查看 Lucene 索引是否已锁定(write.lock 文件存在)并在批处理开始时解锁索引。这不应该发生，但一切都可能发生，所以我会添加它以确保。

您可以通过使用更大的 Web 应用实例(里程可能会有所不同)并使用 Azure 高级存储等更快的存储来进一步加快索引过程。

您可以阅读有关 internals of Lucene indexes on Azure on my blog 的更多信息.