FirteX-高性能全文索引和检索平台.ppt

FirteX－高性能全文索引和检索平台 中科院计算所 智能软件部 信息智能中心 郭瑞杰 ruijieguo@ 2006.6.21 Outline FirteX介绍 已有平台介绍 Lucene、Lemur等 FriteX的架构 FirteX的具体实现 索引、索引存储和检索 FirteX VS LuceneLemur 结论和进一步工作 FirteX介绍 开放式架构： 采用标准C++实现，支持Windows，Unix-like 操作系统； 实验和工程的通用平台,不仅是一个检索系统，同时也是一个全文索引和检索框架 多个组件基于插件设计，不仅可以采用C/C++对系统进行扩展，也可以通过内置的跨平台COM库设计COM组件来扩展系统 。 功能： 支持增量索引，差量索引，多字段索引，提供了3种前向索引方式； 支持纯文本，HTML，PDF等文件格式； 提供快速中文分词； 从底层到高层，提供了多种索引访问接口，灵活自由地使用索引文件； 提供丰富的检索语法，支持多字段检索，日期范围检索，检索结果自定义排序等。 性能： 在Pentium 4 2.8G 2GRAM的机器上超过200Mb每分钟的索引速度 在近7G的索引文件（100G网页，11G纯文本的索引）上检索，仅使用十几M内存在数毫秒内返回查询结果； 支持Tb数量级的文本索引和检索 灵活性： 对于简单的使用者： 直接提供了多种文件格式解析器(HTML,PDF,WORD等)； 系统采用类似于XML格式的配置文件，可以根据数据集和机器配置情况，灵活配置整个系统，无需编写代码。 对于研究人员： 提供了TREC文档集解析器； 检索模型易于扩展； 提供了3种前向索引方式，可以直接用来做文本分类、聚类，摘要等 实验； 对于开发者： 系统各组成部分耦合性低，从应用层模块到系统核心层模块，均可单独修改、升级或替换；扩展既可以在源代码上直接进行，也可以使用非C/C++语言通过COM组件扩展 已有平台介绍－Lemur Lemur: 采用C++开发的一个语言模型和信息检索的工具包 支持Unix，Linux，Windows等操作系统 主要针对研究领域，包括全文索引、检索、分布式信息检索、文档聚类，摘要等 全文索引部分包含InvIndex、InvFPIndex、KeyfileIndex和Indri 四种索引方式 支持多种检索模型，用户也可以比较容易扩展自己的检索模型 能够很方便地搭建自己的信息检索实验平台，实现各种信息检索模型或其他文本处理实验 已有平台介绍－Lemur（续） 采用动态词典，将词编码成数字ID序列 动态词典容易膨胀，不同文档集建的索引无法兼容 采用了内存池，先在内存中建索引，再写至磁盘 内存中没有压缩，中间临时文件无法提供检索(InvFPIndex) 架构并非是开放式的，索引部分不易扩展 用户很难扩展新的索引算法，索引压缩算法等 没有考虑太多的性能问题，不能满足一些对索引和检索时效性比较高的应用 虽然能够支持中文，但是还不够充分，只提供了单字切分，使用者还必须做很多分词的工作。 已有平台介绍－Lucene Lucene： 用Java开发的文档索引和检索系统 针对Web应用的，提供了简单的编程接口，但是功能强大 支持增量索引、多字段索引，支持各种文档格式（html,pdf,word,mp3等），也提供了丰富的查询功能； 支持多语言，也可以编写解析器(Analyzer)扩展支持其他语言 应用广泛，chinabbs，苹果的iTunes，微软的Outlook有哪些信誉好的足球投注网站插件等就是用Lucene架构的 Lucene的其他版本： C++版（CLucene，非官方开发，代码可读性不是很好） C#版(L，非官方开发) C版(Lucene4C,官方开发，还没有正式发布代码) 已有平台介绍－Lucene(续) 缺陷： 性能较差，不能满足性能要求较高的应用 Lucene是由Java语言实现的，Java的解析执行方式限制了Lucene的性能 为了通用性和简化实现复杂度，Lucene把所有的索引字段都作为字符串来处理，采用共享前缀存储，虽然采用了一些技巧来加快有哪些信誉好的足球投注网站速度，但是这种存储方式在根本上决定了Lucene的性能不可能做得很高，处理的数据规模也不可能很大 Lucene的部分索引算法、索引合并算法和检索算法不够高效 Lucene主要面向实际应用，在研究领域，要使用Lucene做实验还是比较困难和麻烦的 对于中文支持不是很好，目前官方只提供了简单的单字切分的分析器。 已有平台介绍－Nutch Nutch Java开发，是Lucene Project的一个子项目，一个完整的有哪些信誉好的足球投注网站引擎，包括web采集，web内容分析，链接分析，分布式文件系统(NDFS)，索引和检索(采用Lucene) 可扩展，基于插件式架构：