[ lucene扩展 ] 自定义Collector实现统计功能

对于lucene的统计，我基本放弃使用factedSearch了，效率不高，而且两套索引总觉得有点臃肿！

这次我们通过改造Collector，实现简单的统计功能。经过测试，对几十万的统计还是比较快的。

首先我们简单理解下Collector在search中的使用情况！

Collector是一个接口，主要包括以下重要方法：

public abstract class Collector {

//指定打分器
public abstract void setScorer(Scorer scorer) throws IOException;

//对目标结果进行收集，很重要！
public abstract void collect(int doc) throws IOException;

//一个索引可能会有多个子索引，这里相当于是对子索引的遍历操作
public abstract void setNextReader(IndexReader reader, int docBase) throws IOException;

//
public abstract boolean acceptsDocsOutOfOrder();

}

在search中我们来看看collector是怎么收集结果的！

public void search(Weight weight, Filter filter, Collector collector)
throws IOException {

// TODO: should we make this
// threaded...? the Collector could be sync'd?

// always use single thread:
for (int i = 0; i < subReaders.length; i++) { // 检索每个子索引
collector.setNextReader(subReaders[i], docBase + docStarts[i]);
final Scorer scorer = (filter == null) ? weight.scorer(
subReaders[i], !collector.acceptsDocsOutOfOrder(), true)
: FilteredQuery.getFilteredScorer(subReaders[i],
getSimilarity(), weight, weight, filter);//构建打分器
if (scorer != null) {
scorer.score(collector);//打分
}
}
}

scorer.score(collector)的过程如下：

public void score(Collector collector) throws IOException {
collector.setScorer(this);
int doc;
while ((doc = nextDoc()) != NO_MORE_DOCS) {
collector.collect(doc);//搜集结果
}
}

collector.collect(doc)的过程如下：

@Override
public void collect(int doc) throws IOException {
float score = scorer.score();

// This collector cannot handle these scores:
assert score != Float.NEGATIVE_INFINITY;
assert !Float.isNaN(score);

totalHits++;
if (score <= pqTop.score) {
// 以下的实现使用了优先级队列，如果当前分值小于队列中pqTop.score则直接pass！
return;
}
pqTop.doc = doc + docBase;
pqTop.score = score;
pqTop = pq.updateTop();
}

从上面这一坨坨代码我们可以大概看清collector在search中的应用情况。

那么统计呢？

首先我们来分析最简单的统计——“一维统计”，就只对一个字段的统计。例如统计图书每年的出版量、专利发明人发明专利数量的排行榜等。

统计的输入：检索式、统计字段

统计的输出：<统计项、数量>的集合

其中关键是我们怎么拿到统计项。这个又分成以下一种情况：

1）统计字段没有存储、不分词

我们可以使用FieldCache.DEFAULT.getStrings(reader, f);获取统计项。

2）统计字段没有存储、分词

需要通过唯一标识从数据库（如果正向信息存在数据库的话）取出统计项（字段内容），然后统计分析。可想而知效率极低。

3）统计字段存储、分词

可以通过doc.get(fieldName)取出统计项，依然比较低效

4）统计字段存储、不分词

和1）类似

因此我们如果要对某个字段进行统计，那么最好选用不分词（Index.NOT_ANALYZED），这个和排序字段的要求类似！

拿到统计项后，我们可以通过累加然后排序。（这里可以借助map）

下面给出主要代码：

package com.fox.group;

import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.apache.lucene.index.IndexReader;
import org.apache.lucene.search.Collector;
import org.apache.lucene.search.FieldCache;
import org.apache.lucene.search.Scorer;

/**
* @author huangfox
* @data 2012-7-10
* @email huangfox009@126.com
* @desc
*/
public class GroupCollectorDemo extends Collector {

private GF gf = new GF();// 保存分组统计结果
private String[] fc;// fieldCache
private String f;// 统计字段
String spliter;
int length;

public void setFc(String[] fc) {
this.fc = fc;
}

@Override
public void setScorer(Scorer scorer) throws IOException {
}

@Override
public void setNextReader(IndexReader reader, int docBase)
throws IOException {
fc = FieldCache.DEFAULT.getStrings(reader, f);
}

@Override
public void collect(int doc) throws IOException {
// 添加的GroupField中，由GroupField负责统计每个不同值的数目
gf.addValue(fc[doc]);
}

@Override
public boolean acceptsDocsOutOfOrder() {
return true;
}

public GF getGroupField() {
return gf;
}

public void setSpliter(String spliter) {
this.spliter = spliter;
}

public void setLength(int length) {
this.length = length;
}

public void setF(String f) {
this.f = f;
}
}

class GF {
// 所有可能的分组字段值，排序按每个字段值的文档个数大小排序
private List<String> values = new ArrayList<String>();
// 保存字段值和文档个数的对应关系
private Map<String, Integer> countMap = new HashMap<String, Integer>();

public Map<String, Integer> getCountMap() {
return countMap;
}

public void setCountMap(Map<String, Integer> countMap) {
this.countMap = countMap;
}

public List<String> getValues() {
Collections.sort(values, new ValueComparator());
return values;
}

public void setValues(List<String> values) {
this.values = values;
}

public void addValue(String value) {
if (value == null || "".equals(value))
return;
if (countMap.get(value) == null) {
countMap.put(value, 1);
values.add(value);
} else {
countMap.put(value, countMap.get(value) + 1);
}
}

class ValueComparator implements Comparator<String> {
public int compare(String value0, String value1) {
if (countMap.get(value0) > countMap.get(value1)) {
return -1;
} else if (countMap.get(value0) < countMap.get(value1)) {
return 1;
}
return 0;
}
}
}

这里是对collector的collect方法的讨巧应用，search是对打分的排序，统计是构造一个结果收集器，提供排序功能。

测试类：

package com.fox.group;

import java.io.File;
import java.io.IOException;
import java.util.List;

import org.apache.lucene.index.IndexReader;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.store.SimpleFSDirectory;
import org.apache.lucene.util.Version;
import org.wltea.analyzer.lucene.IKAnalyzer;

/**
* @author huangfox
* @data 2012-7-10
* @email huangfox009@126.com
* @desc
*/
public class GroupTest {
public static void main(String[] f) throws IOException, ParseException {
FSDirectory dir = SimpleFSDirectory.open(new File("d:/nrttest"));
IndexReader reader = IndexReader.open(dir);
IndexSearcher searcher = new IndexSearcher(reader);
// GroupCollector是自定义文档收集器，用于实现分组统计
String str = "";
QueryParser parser = new QueryParser(Version.LUCENE_36, "f",
new IKAnalyzer());
while (true) {
str = "an:cn*";
long bt = System.currentTimeMillis();
Query query = parser.parse(str);
System.out.println(query);
GroupCollectorDemo myCollector = new GroupCollectorDemo();
// myCollector.setFc(ad);
myCollector.setF("in");
searcher.search(query, myCollector);
// GroupField用来保存分组统计的结果
GF gf = myCollector.getGroupField();
List<String> values = gf.getValues();
long et = System.currentTimeMillis();
System.out.println((et - bt) + "ms");
for (int i = 0; i < 10; i++) {
String value = values.get(i);
System.out.println(value + "=" + gf.getCountMap().get(value));
}
}
}
}

以上是对200多万数据的统计，而且是全数据统计。测试结果如下：

an:cn*
6616ms
毛裕民;谢毅=13728
邱则有=10126
杨孟君=3771
王尔中=1712
王信锁=1658
张逶=1314
朱炜=1200
赵蕴岚;何唯平=1039
杨贻方=872
黄金富=871

系统使用情况：



你可能会说——这不是坑爹吗？要6s的时间消耗！！！

解释：

1.数据量，统计的数据量在200万；

如果数据量在几十万，测试结果如下：

ad:2006*
213ms
邱则有=1244
张云波=628
赵蕴岚;何唯平=398
余内逊;余谦梁=376
杨贻方=298
王尔中=258
汪铁良=224
赵发=222
黄振华=212
陆舟;于华章=196

　　

2.运行在pc机上；

以上解释也可以理解成借口，那么还有哪些环节可以优化呢？

从cpu和io来看，cpu应该主要是由于hashMap的操作引起的，io主要是由FieldCache.DEFAULT.getStrings(reader, f)获取统计项引起的。

如果高并发的情况下，io无疑是个大问题，我们可以考虑缓存。

对于运算量大的情况，我们可以考虑分布式。

后续我们将分析：

1）二维统计、多维统计

2）个性化统计