Lucene 2.3:大幅提升索引性能,新增机器学习项目

  • Ryan Slobojan
  • 郭晓刚

2008 年 1 月 24 日

话题:Java开源DevOps语言 & 开发架构

Apache Lucene项目是一个完全用 Java 编写的高性能、全功能的文本搜索引擎库,今天它发布了2.3 版。InfoQ 采访了项目管理委员会(PMC)成员以及提交者,Grant Ingersoll,以深入了解这次发布的版本以及 Lucene 未来的计划。

Ingersoll 认为这次的版本中最大的变化是新的索引算法,它使用了新的 in-memory 模型来达到大幅的速度提升。据 Ingersoll 说,单单是把 Lucene 2.2 JAR 换成 Lucene 2.3 JAR 就能在某些测试中把索引性能提速 500%。其他改变还包括:

  • 改进的索引管理——以前在索引过程中,当合并内部索引文件时偶尔会出现长时间的停顿,现在已经消灭了这种现象。另外现在也更容易实现其他途径去管理索引过程。
  • 对象池——DocumentFieldToken的实例现在可在索引分析中重用,因此不但提升了分析的速度,还减少了索引过程中的内存分配次数。
  • 重新打开 IndexReader ——重新打开一个 IndexReader 去捕捉索引中最新的变化,这个操作的速度现在也更快了,新的 reopen() 方法只会加载那些变更过的索引片断,而不是重新加载完整的索引。
  • 更简易的 IndexWriter 微调——setMaxBufferedDocs已被更直观的setRAMBufferSizeMB所取代。

另外,2.3 的目标是只需通过文件替换就能换下 2.2,完全不需要重新编译。这里是完整的更新说明

Ingersoll 还谈论了 Lucene 未来的计划,他说下一版将会是 2.9。2.9 版是相对改动较小的版本,有些部分会被标为废弃,还会为了给 Lucene 3.0 做准备而进行一些清理。3.0 版是一个重大的版本,包括把代码库迁移到 JDK5,以之作为最低要求。3.0 的其他主要特性还有待决定。

采访中还讨论了 Lucene 社区的总体情况。Ingersoll 表示 Lucene 和Solr结合得很紧密,而与NutchTika以及Hadoop也有相当良好的相互沟通。Ingersoll 还谈论了一个名为Mahout的项目,他正在启动该项目:

这是一个单独的项目,但对 Lucene 用户也会有好处。JIRA 中已经有一些 Lucene 的补丁实现了 ML 算法。这个项目的目标是提供商业质量的大规模机器学习(machine learning,ML)算法。它以 Hadoop 为基础建立,遵循 Apache 许可证。我已经观察到不少人对这个项目感兴趣,希望在接下来这个月能把项目启动起来。

Ingersoll 说,通过建立 Mahout 项目,他希望能够“进一步揭开 Google 这类公司提供的类似功能的秘密,并刺激在这个领域中的创新”。如果对这个新项目感兴趣,可以阅读一下它的项目计划孵化提案

查看英文原文:Lucene 2.3: Large indexing performance improvements, new machine-learning project
Java开源DevOps语言 & 开发架构