jjzjj

php - 在超过 600,000 个文件中进行快速文本搜索

coder 2023-06-15 原文

我有一个 php、linux 服务器。它有一个名为 notes_docs 的文件夹，其中包含超过 600,000 个 txt 文件。 notes_docs的文件夹结构如下-

 - notes_docs
   - files_txt
     - 20170831
           - 1_837837472_abc_file.txt
           - 1_579374743_abc2_file.txt
           - 1_291838733_uridjdh.txt
           - 1_482737439_a8weele.txt
           - 1_733839474_dejsde.txt
     - 20170830
     - 20170829

我必须提供一个可以在浏览器上显示结果的快速文本搜索实用程序。因此，如果我的用户搜索“纽约”，则所有包含“纽约”的文件都应以数组形式返回。如果用户搜索“foo”，则应返回所有包含“foo”的文件。

我已经尝试过使用 scandir 和 Directory Iterator 的代码，这太慢了。搜索需要一分多钟，即使这样搜索也没有完成。我尝试了 ubuntu find ，它又慢了一分钟才能完成。因为文件夹迭代太多，notes_docs 当前大小超过 20 GB。

欢迎任何我可以用来使其更快的解决方案。我可以进行设计更改，集成我的 PHP 代码以 curl 到另一种语言代码。在极端情况下，我也可以更改基础设施(例如在内存中使用某些东西)。

我想知道业内人士是怎么做到的？ Indeed、Zip Recruiter 的人都提供文件搜索。

请注意我有 2GB - 4GB 的 RAM，所以一直将所有文件加载到 RAM 上是 Not Acceptable 。

编辑 - 以下所有输入都很棒。对于后来的人，我们最终使用 Lucene 进行索引和文本搜索。它表现得非常好

最佳答案

为简单起见:每次您想进行搜索时，都没有快速打开、搜索和关闭 600k 文档的方法。 “超过一分钟”的基准可能是针对单个测试帐户的。如果您打算通过多用户网站搜索这些内容，您很快就会忘记它，因为您的磁盘 IO 将超出图表并阻塞您的整个服务器。

因此您唯一的选择是索引所有文件。就像其他所有快速搜索实用程序一样。无论您是使用评论中提到的 Solr 还是 ElasticSearch，还是构建您自己的东西。文件将被编入索引。

考虑到 txt 文件是您收到的 pdf 文件的文本版本，我敢打赌最简单的解决方案是将文本写入数据库而不是文件。无论如何，它不会占用更多的磁盘空间。

然后你可以在你的数据库上启用全文搜索(mysql，mssql 和其他支持它)并且我确定响应时代会好很多。请记住，创建这些索引确实需要存储空间，但其他解决方案也是如此。

现在，如果您真的想加快速度，可以尝试更详细地解析简历。尝试检索您经常搜索的位置、教育、口语和其他信息，并将它们放在单独的表/列中。这是一项非常艰巨的任务，几乎是一个独立的项目，但如果您想要一个有值(value)的搜索结果，这就是您要走的路。因为在没有上下文的情况下搜索文本会产生截然不同的结果，请想想您的示例“纽约”:

  1. 我住在纽约
  2. 我在纽约大学读书
  3. 在个人简历中我喜欢 Alicia Keys 的歌曲“new york”
  4. 我在 New York Pizza 工作
  5. 我出生在英国纽约州
  6. 我花了一个夏天饲养新约克夏犬。

关于php - 在超过 600,000 个文件中进行快速文本搜索，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/46104843/

中进phpcodesection的linuxfile-search

有关php - 在超过 600,000 个文件中进行快速文本搜索的更多相关文章

  1. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  2. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  3. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  4. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

  5. ruby - 将差异补丁应用于字符串/文件 - 2

    对于具有离线功能的智能手机应用程序，我正在为Xml文件创建单向文本同步。我希望我的服务器将增量/差异(例如GNU差异补丁)发送到目标设备。这是计划:Time=0Server:hasversion_1ofXmlfile(~800kiB)Client:hasversion_1ofXmlfile(~800kiB)Time=1Server:hasversion_1andversion_2ofXmlfile(each~800kiB)computesdeltaoftheseversions(=patch)(~10kiB)sendspatchtoClient(~10kiBtransferred)Cl

  6. ruby - 使用 ruby​​ 将 HTML 转换为纯文本并维护结构/格式 - 2

    我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h

  7. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

    我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

  8. ruby - 使用 Vim Rails，您可以创建一个新的迁移文件并一次性打开它吗？ - 2

    使用带有Rails插件的vim，您可以创建一个迁移文件，然后一次性打开该文件吗？textmate也可以这样吗？ 最佳答案 你可以使用rails.vim然后做类似的事情::Rgeneratemigratonadd_foo_to_bar插件将打开迁移生成的文件，这正是您想要的。我不能代表textmate。 关于ruby-使用VimRails，您可以创建一个新的迁移文件并一次性打开它吗？，我们在StackOverflow上找到一个类似的问题： https://sta

  9. Ruby 写入和读取对象到文件 - 2

    好的，所以我的目标是轻松地将一些数据保存到磁盘以备后用。您如何简单地写入然后读取一个对象？所以如果我有一个简单的类classCattr_accessor:a,:bdefinitialize(a,b)@a,@b=a,bendend所以如果我从中非常快地制作一个objobj=C.new("foo","bar")#justgaveitsomerandomvalues然后我可以把它变成一个kindaidstring=obj.to_s#whichreturns""我终于可以将此字符串打印到文件或其他内容中。我的问题是，我该如何再次将这个id变回一个对象？我知道我可以自己挑选信息并制作一个接受该信

  10. ruby - 如何使用 Ruby aws/s3 Gem 生成安全 URL 以从 s3 下载文件 - 2

    我正在编写一个小脚本来定位aws存储桶中的特定文件，并创建一个临时验证的url以发送给同事。(理想情况下，这将创建类似于在控制台上右键单击存储桶中的文件并复制链接地址的结果)。我研究过回形针，它似乎不符合这个标准，但我可能只是不知道它的全部功能。我尝试了以下方法:defauthenticated_url(file_name,bucket)AWS::S3::S3Object.url_for(file_name,bucket,:secure=>true,:expires=>20*60)end产生这种类型的结果:...-1.amazonaws.com/file_path/file.zip.A

随机推荐