小叮咚中文分词在处理大量数据的时候碰到了内存…

小叮咚中文分词在处理大量数据的时候碰到了内存泄漏的问题

最近在测试小叮咚分词应用于Weblucene搜索引擎的效果。

我们使用的源数据XML格式文件大概1.2G。

创建完成后的索引文件对比如下：

源文件：1.2G
小叮咚分词生成的索引文件：2217MB
二元分词生成的索引文件：2618MB 两者相差：401M

更详细的对比可以查看：中文分词和二元分词综合对比
下面是一份对索引文件的对比，可以看出主要的差别在于项(term)信息的差别。

索引文件列表 （121M）小叮咚分词 （146M）二元分词
deletable 4 4 _fg4.f10 19K 19K _fg4.f11 19K 19K _fg4.f12 19K 19K _fg4.f13 19K 19K _fg4.f19 19K 19K
_fg4.fdt 80M 80M 域值 _fg4.fdx 156K 156K 域索引 _fg4.fnm 135 135 标准化因子 _fg4.frq 12M 23M 项频数 _fg4.prx 26M 36M 项位置 _fg4.tii 15K 74K 项索引 _fg4.tis 1.1M 5.8M 项信息 segments 17 17

在测试中碰到了2个问题，
1、内存泄漏
内存泄漏有两种情况：
一、随着时间的推移内存使用量逐渐增加（内存泄漏？），可以通过Linux下的top命令观察到；
二、在程序运行半个小时候，内存使用量忽然增加，这时一般cpu的占用率也同时增加。
2、cpu占用率高
cpu占用率高和内存占用高成正比，就是当内存增长到150M左右的时候，cpu使用率就跳到了99.9%。

所以现在看来主要要解决内存使用量不断增加的问题。

lhelper也推荐了不少工具：
http://www.samspublishing.com/articles/article.asp?p=23618&seqNum=7&rl=1
http://tech.ccidnet.com/pub/article/c1112_a265199_p1.html

check java memory leak
tips

不知道大家在这方面有没有分享的经验。

相关连接：
[sandbox]Lucene中文分词的2个试验模块 » gRaSSland开发日记

上一篇： SubVersion 和 CVSNT在Windows下的安装及初步管理
下一篇： JSP与JavaMail (六)

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有