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

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

memory leaks , Be Gone

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

BEA releases JRockit 5.0 update and Memory Leak Detector tool