salvere / search_engine Goto Github PK

博客主页：http://blog.csdn.net/minna_d
引言：
    最近想自己基于java完全重底层开始实现一套搜索, 目前我已写了一个最最基本的大体框架, 
    内部也做过一些内存、响应时间方面的优化,重提交记录能看出来其实做过很多的尝试，
    我深感搜索系统的复杂， 个人精力有限，后面还有很长的路要走，诚邀志同道合之士一起开发。
    没人加入也无所谓，路过的点个赞我就很满足啦, 要是能够加入我一起开发提交点代码、fix_bug就更爽歪歪啦
目前的情况:
    自带search_data.txt文本5497479行单field数据， 稳定内存2.8G, 响应时间稳定在8毫秒
    git地址:https://github.com/yujianjun1025/search_engine
运行方式:
    0. 修改logback.xml fileDir 指定日志目录
    1. tar -xzvf search_data.txt.tar.gz ./
    2. 启动耗费3.3G内存左右， 建议export MAVEN_OPTS=-Xms50000m,默认MAVEN_OPTS=-Xms10000m 
    3. 启动执行./run.sh
    4.访问：http://127.0.0.1:8080/test.json?world=北京&limit=5 ( limit 为空时，默认返回top3000条数据)
返回数据格式:
{
    ret: true,
    data: [
    {
        docId: 164334,
        rank: 24900.37237152425
    },
    {
        docId: 699048,
        rank: 23614.956482398586
    },
    {
        docId: 1903045,
        rank: 18891.965185918867
    },
    {
        docId: 2894797,
        rank: 16583.64799943515
    },
    {
        docId: 311685,
        rank: 16583.64799943515
    }
    ]
}
日志格式:
limit限制为5条时搜索北京、上海、山海日志：
[2015-12-05 22:46:07.536] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:北京, 过滤到符合要求的docId耗时:2.819毫秒, 结果数5
[2015-12-05 22:46:07.794] [621747766@qtp-669663528-2] [INFO ]<logger:153 doSearch>查询词:北京, 求交得到所有docIds耗时:2.999毫秒, 结果数16359
[2015-12-05 22:46:07.795] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:北京, 过滤到符合要求的docId耗时:1.728毫秒, 结果数5
[2015-12-05 22:46:08.280] [621747766@qtp-669663528-2] [INFO ]<logger:153 doSearch>查询词:北京, 求交得到所有docIds耗时:3.101毫秒, 结果数16359
[2015-12-05 22:46:08.282] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:北京, 过滤到符合要求的docId耗时:1.87毫秒, 结果数5
[2015-12-05 22:46:24.148] [621747766@qtp-669663528-2] [INFO ]<logger:153 doSearch>查询词:山海, 求交得到所有docIds耗时:3.438毫秒, 结果数4093
[2015-12-05 22:46:24.149] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:山海, 过滤到符合要求的docId耗时:0.77毫秒, 结果数5
[2015-12-05 22:46:25.348] [621747766@qtp-669663528-2] [INFO ]<logger:153 doSearch>查询词:山海, 求交得到所有docIds耗时:3.694毫秒, 结果数4093
[2015-12-05 22:46:25.349] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:山海, 过滤到符合要求的docId耗时:0.884毫秒, 结果数5
[2015-12-05 22:46:33.002] [621747766@qtp-669663528-2] [INFO ]<logger:153 doSearch>查询词:上海, 求交得到所有docIds耗时:3.481毫秒, 结果数14477
[2015-12-05 22:46:33.003] [621747766@qtp-669663528-2] [INFO ]<logger:195 doSearch>查询词:上海, 过滤到符合要求的docId耗时:1.331毫秒, 结果数5
接下来需要做的事:
    1、内存、响应时间是需要持之以恒的,优化永无止境
    2、分词，目前还是java自带的最最基本的string.toArray(),下一步需要做的是将数字分到一起、英文分开， 汉字依然单字
    3、查询语法,目前仅支持紧密度查询, 如“AB”@all_filed这种查询语法，下一步需要丰富查询语法的解析与索引 
    4、检索字段,目前仅支持单field检索，下一步还需要多文本域检索及属性字段检索
个人邮箱:[email protected]