新闻搜索

最近在做新闻频道的搜索，数据量1000W+，预计索引size在20G左右。

百万数据量下用BerkeleyDB速度提升相当明显，但是上到千万时候，性能就没那多突出了。

手机之家的设计方案网上也有，就是用的BerkeleyDB

但是不能单纯使用，本来想做全文检索，但是数据量太大，性能有点问题。尽管可以通过其他手段拆分和优化，但是借着这个机会想用用hadoop，要不然可能没有机会了。

暂时先做标题检索，等学完hadoop后看看分布式后有没有效果，速度是不是有提升。

首先实现的思路是lucene用磁盘索引，只存储ID和title，因为搜索结果页只有title

然后用BerkeleyDB做存储，存储不用 key<String>，value<Object> ,而是用<String><String>,存储都用String。因为value是多字段的，所以刚开是想用Object-XMl-String，后来想为什么不用Object-JSON-String，这样更接受空间。


大概测试了一下，400w的id和title才500M 1000w也不过1g左右，搜索应该很快。更新时也不会产生很多的零碎段文件，索引的优化也很快。

BerkeleyDB的get一条信息，大概15ms，加上转换组装成xml，100ms肯定没有问题。性能还是不错的。 BerkeleyDB存储400w占用 11G空间，1000w也就30G，对BerkeleyDB应该不是什么大问题。

也许还有很多NOSql的数据库要比BerkeleyDB好，所以换成其他的，也许吞吐量会更大。

但是目前来说，全文检索暂时还是一个障碍，等过段时间搞完hadoop，这些都应该是小菜了。