Question

我正在使用lucene.net索引我的pdf文件。索引15000 pdfs 大约需要40分钟，索引时间会随着我文件夹中pdf文件数量的增加而增加。

如何在lucene.net中提高索引速度？
是否有其他索引服务具有快速索引性能？

我正在使用最新版本的lucene.net索引（Lucene.net 3.0.3）。

这是我的索引编码。

public void refreshIndexes() 
        {
            // Create Index Writer
            string strIndexDir = @"E:\LuceneTest\index";
            IndexWriter writer = new IndexWriter(Lucene.Net.Store.FSDirectory.Open(new System.IO.DirectoryInfo(strIndexDir)), new StandardAnalyzer(Lucene.Net.Util.Version.LUCENE_29), true, IndexWriter.MaxFieldLength.UNLIMITED);

            // Find all files in root folder create index on them
            List<string> lstFiles = searchFiles(@"E:\LuceneTest\PDFs");
            foreach (string strFile in lstFiles)
            {
                Document doc = new Document();
                string FileName = System.IO.Path.GetFileNameWithoutExtension(strFile);
                string Text = ExtractTextFromPdf(strFile);
                string Path = strFile;
                string ModifiedDate = Convert.ToString(File.GetLastWriteTime(strFile));
                string DocumentType = string.Empty;
                string Vault = string.Empty;

                string headerText = Text.Substring(0, Text.Length < 150 ? Text.Length : 150);
                foreach (var docs in ltDocumentTypes)
                {
                    if (headerText.ToUpper().Contains(docs.searchText.ToUpper()))
                    {
                        DocumentType = docs.DocumentType;
                        Vault = docs.VaultName; ;
                    }
                }

                if (string.IsNullOrEmpty(DocumentType))
                {
                    DocumentType = "Default";
                    Vault = "Default";
                }

                doc.Add(new Field("filename", FileName, Field.Store.YES, Field.Index.ANALYZED));
                doc.Add(new Field("text", Text, Field.Store.YES, Field.Index.ANALYZED));
                doc.Add(new Field("path", Path, Field.Store.YES, Field.Index.NOT_ANALYZED));
                doc.Add(new Field("modifieddate", ModifiedDate, Field.Store.YES, Field.Index.ANALYZED));
                doc.Add(new Field("documenttype", DocumentType, Field.Store.YES, Field.Index.ANALYZED));
                doc.Add(new Field("vault", Vault, Field.Store.YES, Field.Index.ANALYZED));

                writer.AddDocument(doc);
            }
            writer.Optimize();
            writer.Dispose();
        }

Answer 1

索引部分看起来不错。请注意，IndexWriter是线程安全的，因此使用Parallel.Foreach（将MaxConcurrency设置为核心数。使用此值）可能会对您提供多核计算机上的帮助。

但是你使用文档类型检测部分让你的GC变得疯狂。所有的ToUpper（）都很痛苦。

在lstFiles循环之外。以大写

创建ltDocumentTypes .searchText的副本

var upperDocTypes = ltDocumentTypes.Select(x=>x.searchText.ToUpper()).ToList();

在doc类型循环之外创建另一个字符串

string headerTestUpper = headerText.ToUpper();

当找到匹配时＃34;中断＆＃34;。一旦找到匹配项就会退出循环并阻止所有后续迭代。当然这意味着先匹配，而你的最后匹配（如果这对你有所影响）

string headerText = Text.Substring(0, Text.Length < 150 ? Text.Length : 150);
foreach (var searchText in upperDocTypes)
{
    if (headerTextUpper.Contains(searchText))
    {
        DocumentType = docs.DocumentType;
        Vault = docs.VaultName;
        break;
    }
}

根据ltDocumentTypes的大小，这可能不会给你太多改进。

我敢打赌，如果ExtractTextFromPdf是最昂贵的部分。通过分析器运行或使用一些StopWatches进行检测将是您的成本所在。

如何提高Lucene.net索引速度

1 个答案: