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。
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)
文章整理：西部数码--专业提供域名注册、虚拟主机服务
http://www.west263.com
以上信息与文章正文是不可分割的一部分,如果您要转载本文章,请保留以上信息，谢谢!
