java在lucene中非常缓慢的突出表现

Question

Lucene（4.6）highlighter在搜索频繁项时的性能非常慢。 搜索速度很快（100毫秒），但高亮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）。性能并不取决于文本是否被分割成更多的小块。（同时使用500MB和5MB芯片进行测试。） 存储位置和偏移。 如果搜索一个非常频繁的术语或模式，TopDocs的检索速度很快（100毫秒），但每次“searcher.doc（id）”调用都很昂贵（5-50秒），而getBestFragments（）非常昂贵（超过1小时）。甚至它们也为此目的而被存储和索引。 （硬件：core i7，8GM mem）

更大背景： 这将有助于语言分析研究。使用了一种特殊的词干：它还存储词性信息。例如，如果搜索了“adj adj noun”，它会给出文本中出现的所有上下文

我可以调整它的性能，还是应该选择其他工具

使用的代码：

            //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（未回答）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，最好在索引时存储术语向量WITH_POSITIONS_OFFSETS

请阅读this 和this book

通过这样做，您不需要在运行时分析所有文本，因为您可以选择一种方法来重用现有的术语向量，这将减少高亮显示时间