小测Hyper Estraier性能

Hyper Estraier是一个由日本人用C写的搜索引擎，底层存储采用了作者另外一个 开源项目QDBM。
在功能特性上，Hyper Estraier是比较接近iSearch的，支持Attribue Search，N- gram，P2P（不是下片的P2P啊，就是可以有很多节点，节点之间可以通信），甚至 支持正则。。。BT的说。

想知道详细情况呢，可以造访HE的项目主页：http: //hyperestraier.sourceforge.net/，最早是听南瓜子（杭州口碑， 本搜团队）介绍的，不过不晓得南瓜子同学的blog地址

用larbin抓取了数百万网页，build了索引，做了一下性能测试， 测试数据简单总结如下：
一、html页面数共74,329M，约74G
$ tail -n 3 nohup.out
96      save/d00330
106     save/d00814
74329   save/

二、build完之后，索引文件约19G，加上其他数据一共约26G
1096    ./_attr
19044   ./_idx
5727    ./_text
2       ./_kwd

三、build非常耗时，这点数据量，估计花了72小时才build完，没准确计时，但 觉脚本运行了三天才跑完，服务器load average 2左右，不build索引的时候 load average在0.05左右，用的是这个shell：
for ((DIR=001;DIR<1000;DIR++))
do
   echo "Now gathering html in d00"$DIR
   rm tmp_index -rf
   find "/usr/local/larbin/save/d00"$DIR -type f | estcmd gather -fh -cl tmp_index - > /dev/null
   estcmd merge chn_html tmp_index > /dev/null
done
红色部分是关键，不知道“find命令查找html文件”是不是瓶颈，用he索引php和 mysql的html手册还是挺快的。

四、查询速度是亚秒级的，似乎有缓存，排序慢，计算相似度（similar page）很 慢，猜测是build索引的时候干的活儿少，所以查询的时候很多东西要临时计算
$ estcmd search -max 1 chn_html "yahoo ncp"
--------[38697275B113D56D]--------
VERSION 1.0
NODE    local
HIT     6
HINT#1  yahoo ncp       6
TIME    0.663100
DOCNUM  2514538
WORDNUM 17904280
VIEW    ID
本次搜索关键词是“yahoo ncp”，在251万个文档中命中6个，耗时663毫秒

$ estcmd search -max 1 chn_html "yahoo"
--------[60E89C8C81563449]--------
VERSION 1.0
NODE    local
HIT     59707
HINT#1  yahoo   59707
TIME    0.051943
DOCNUM  2514538
WORDNUM 17904280
VIEW    ID
$ estcmd search -max 1 chn_html "ncp"
--------[C5B1ED19D15AB56C]--------
VERSION 1.0
NODE    local
HIT     1362
HINT#1  ncp     1362
TIME    0.003320
DOCNUM  2514538
WORDNUM 17904280
VIEW    ID
第二次搜yahoo或ncp就快很多了，因此猜是有缓存的

HE的缺点：
1.没有像样的社区。
作者很猛很持久，搞了一系列开源项目，但似乎没有人跟他一起开发。有人贡献其 他语言的API，比如PHP的api就是。

2.文档简单但不详尽。
看得出来，这个日本哥们的英文也不咋地，对我们这种非英语母语的人来说是个好 事，文档很容易阅读，不过实施的时候有写细节需要连猜带蒙。文档里甚至有些错误。

3.某些功能特性缺失，比如stop word，同根词，group by（看http: //fuwu.cn.yahoo.com，随便搜个关键词，它会告诉你各个分类下有多少满足条件 的结果）。也没有分词，不过分词可以独立出来，也容易改他的源代码重编译。

4.代码结构一般。
C代码，流程控制比较扁平（充斥大量if,else），感觉没什么封装，也谈不上什么 设计模式。坏处是代码复用不够，会有些冗余，给hack带来一些困难。好处是比较 容易看明白，无需借助SourceInsight之类的东东。