<![CDATA[关于group by]]>

周五因为在搜索引擎中要使用group by操作，原有的 count发似乎会出现很大的效率问题，所以也简单考虑了下groupby的实现，在sql里我猜想（我对这个算法完全没有概念），首先利用矩阵算法将所有的row排序好，然后以此顺序取出，然后再加入聚合函数count或者sum，也就是说在sql中实际上他是先把按groupby字段索引排序然后再进行数据聚合，最后再拉出需要的数据（这个猜想是基于group by字段需要索引得到的，不知道是否正确）
而在lucene中也是类似的状况，现在我们考虑lucene 大家知道在lucene中得到的结果集是hits，hits实际上和sql中的结果集recordset是一个概念的，即使你得到了一个数百万的结果集，数据也并没有立即从中拉出（这应该就是为什么表需要有主键的原因）。但lucene中有个问题，我无法得到一个多结果集，也就是说我无法得到一个按groupby排序的某个中间结果，我得到的只是输出，因此在group中我只能选择先将所有数据全部读出这条路，那么读出来的数据怎样groupby？我实现的是基于hash表的 数组遍历。是这样的过程：
hash<字段名，groupby结果集>  
groupby结果集<字段值，聚合值>
用这样的hash嵌套实现，算法中我只使用了一次hash循环，但比较大的伤害是，数据集似乎被从头到尾取了一次，会产生很多io，并且由于我的group和查询是一种并行算法，因此等于结果集被取出了两遍（目标中的group是类似taobao的产品列表的类别归类查询页面，所以group是一个独立结果集并非输出结果集），目前测试下来还没有感觉内存消耗有极其大的影响，但不知道在高负荷状态下的水平，因此还需要继续查看。
关于group的算法，如果有更好的办法和算法或者在lucene下有更好的解决方案欢请路过不要吝啬你的idea告诉我吧。

Tags - lucene , groupby , 算法

评论

1 楼 tangfl 2009-06-18  

groupby 一般建议用 Filter 实现，如果用 lucene，可以参考我的实现