0

我正在尝试对几个文本文档进行索引。

它们的内容只是字段制表符分隔的字符串：

WORD<\t>w1<\t>w2<\t>...<\t>wn

POS<\t>pos1<\t>pos2_a:pos2_b:pos2_c<\t>...<\t>posn_a:posn_b
...

对于 POS 字段，':'-分隔的标记对应于相同的歧义词。

有 5 个文档，总大小为 10 MB。在编制索引时，java 使用了大约 2 GB 的 RAM，最终引发 OOM 错误。

String join_token = tok.nextToken();
// atomic tokens correspond to separate parses
String[] atomic_tokens = StringUtils.split(join_token, ':');
// marking each token with the parse number
for (int token_index = 0; token_index < atomic_tokens.length; ++token_index) {
  atomic_tokens[token_index] += String.format("|%d", token_index);
}
String join_token_with_payloads = StringUtils.join(atomic_tokens, " ");
TokenStream stream = new WhitespaceTokenizer(Version.LUCENE_41, // OOM exception appears here
                                             new StringReader(join_token_with_payloads));
// all these parses belong to the same position in the document
stream = new PositionFilter(stream, 0);
stream = new DelimitedPayloadTokenFilter(stream, '|', new IntegerEncoder());
stream.addAttribute(OffsetAttribute.class);
stream.addAttribute(CharTermAttribute.class);
feature = new Field(name,
                    join_token,
                    attributeFieldType);
feature.setTokenStream(stream);
inDocument.add(feature);

从内存的角度来看，这段代码有什么问题，以及如何用 RAM 中尽可能少的数据进行索引？

4

1 回答 1

1

如果我正确理解了问题（我没有尝试过），这是我的建议

  1. 在代码中使用 Camel 大小写是一种很好的做法，这是 Java 的约定
  2. 您不需要手动生成位置，只需使用 Field.TermVector.WITH_POSITIONS_OFFSETS 创建一个字段，指标将最终出现在索引中。
  3. 创建如此庞大的 String 数组会导致非常大的内存开销 -> 使用 StringBuilder。
  4. 使用 LetterTokenizer 对流进行标记或通过扩展 CharTokenizer 编写自己的标记器
  5. 顺便说一句，Lucene 在行动中的好书
于 2013-03-18T13:15:31.713 回答