什麼使得Solr中的一個很好的自動查詢查詢以及它們如何工作？

Question

此問題是關於solr安裝中關於不頻繁，孤立讀取超時的後續處理this question。

作爲一個可能存在的問題，找到了新的搜索者缺失/錯誤的自動搜索查詢。

現在我很困惑自動合成查詢應該「看起來像」。

我讀了，但無法找到任何好的文檔。

他們是否應該在索引中找到很多文檔？還是應該在索引中存在的所有不同字段中匹配？

不僅僅是*:*是最好的autowarming查詢或爲什麼不呢？

的例子Solr的配置中有theese示例查詢：

<lst><str name="q">solr</str> <str name="start">0</str> <str name="rows">10</str></lst> 
<lst><str name="q">rocks</str> <str name="start">0</str> <str name="rows">10</str></lst> 

我把它們改成：

<lst><str name="q">george</str> <str name="start">0</str> <str name="rows">10</str></lst> 

爲什麼？因爲索引擁有電影實體和標題和演員的字段。這些是搜索次數最多的。喬治出現在標題和演員。

我真的不知道這是否合理。所以我的問題是：

• 什麼是很好的autowarming查詢我的索引，爲什麼？
• 是什麼讓一個很好的autowarming查詢？

這是來自索引的示例文檔。該指數具有約70,000文件，他們都像這樣（當然只是不同的值）： 例如文檔：

<doc> 
    <arr name="actor"><str>Tommy Lee Jones</str><str>Will Smith</str><str>Rip Torn</str> 
    <str>Lara Flynn Boyle</str><str>Johnny Knoxville</str><str>Rosario Dawson</str><str>Tony Shalhoub</str> 
    <str>Patrick Warburton</str><str>Jack Kehler</str><str>David Cross</str><str>Colombe Jacobsen-Derstine</str> 
    <str>Peter Spellos</str><str>Michael Rivkin</str><str>Michael Bailey Smith</str><str>Lenny Venito</str> 
    <str>Howard Spiegel</str><str>Alpheus Merchant</str><str>Jay Johnston</str><str>Joel McKinnon Miller</str> 
    <str>Derek Cecil</str></arr> 
    <arr name="affiliate"><str>amazon</str></arr> 
    <arr name="aka_title"><str>Men in Black II</str><str>MIB 2</str><str>MIIB</str> 
    <str>Men in Black 2</str><str>Men in black II (Hombres de negro II)</str><str>Hombres de negro II</str><str>Hommes en noir II</str></arr> 
    <bool name="blockbuster">false</bool> 
    <arr name="country"><str>US</str></arr> 
    <str name="description">Agent J (Will Smith) muss die Erde wieder vor einigem Abschaum bewahren, denn in Gestalt des verführerischen Dessous-Models Serleena (Lara Flynn Boyle) will ein Alien den Planeten unterjochen. Dabei benötigt J die Hilfe seines alten Partners Agent K (Tommy Lee Jones). Der wurde aber bei seiner "Entlassung" geblitzdingst, und so muß J seine Erinnerung erst mal etwas auffrischen bevor es auf die Jagd gehen kann.</str> 
    <arr name="director"><str>Barry Sonnenfeld</str></arr> 
    <int name="film_id">120912</int> 
    <arr name="genre"><str>Action</str><str>Komödie</str><str>Science Fiction</str></arr> 
    <str name="id">120912</str> 
    <str name="image_url">/media/search/filmcovers/105x/kf/false/F6Q1XW.jpg</str> 
    <int name="imdb_id">120912</int> 
    <date name="last_modified">2011-03-01T18:51:35.903Z</date> 
    <str name="locale_title">Men in Black II</str> 
    <int name="malus">3238</int> 
    <int name="parent_id">0</int> 
    <arr name="product_dvd"><str>amazon</str></arr> 
    <arr name="product_type"><str>dvd</str></arr> 
    <int name="rating">49</int> 
    <str name="sort_title">meninblack</str> 
    <int name="type">1</int> 
    <str name="url">/film/Men-in-Black-II-Barry-Sonnenfeld-Tommy-Lee-Jones-F6Q1XW/</str> 
    <int name="year">2002</int> 
</doc> 

大多數查詢比對查詢準確與到位一些濾鏡演員字段。

實施例：

INFO：[] web應用=/solr的= /選擇/ PARAMS = {小面=真&排序=得分+ ASC，+海棠+ ASC，+年+降序& HL路徑.simple.pre = starthl & HL =真&版= 2.2 & FL = *，得分& facet.query =年：[1900 + TO + 1950年] & facet.query =年：[1951年+ TO + 1980] & facet.query = year：[1981 + TO + 1990] & facet.query = year：[1991 + TO + 2000] & facet.query =年：[2001 + TO + 2011] & BF = DIV（分（10000，海棠），100）^ 10 & hl.simple.post = endhl & facet.field =流派& facet.field = country & facet.field = blockbuster & facet.field = affiliate & facet.field = product_type & qs = 5 & qt = dismax & hl。fragsize = 200 &毫米= 2 & facet.mincount = 1 & QF =演員^ 0.1 & f.blockbuster.facet.mincount = 0 & f.genre.facet.limit = 20 & hl.fl =演員&重量= JSON & f.affiliate.facet.mincount = 1個& f.country.facet.limit = 20個&行= 10 & PF =演員^ 5 &開始= 0 & q = 「Josi + Kleinpeter」 & PS = 3} 命中= 1 status = 0 QTime = 4

Answer 1

有兩種類型的變暖。查詢緩存預熱和文檔緩存預熱（還有篩選器，但這些與查詢類似）。查詢緩存預熱可以通過在重新加載索引之前重新運行X個最近查詢的設置完成。文件緩存升溫是不同的。

文檔緩存加溫的目標是讓大量最常訪問的文檔進入文檔緩存，因此不必從磁盤讀取文檔緩存。所以，你的查詢應該專注於此。你需要嘗試弄清楚你最常搜索的文件是什麼，並加載它們。最好用最少數量的查詢。這與字段的實際內容無關。編輯：澄清。當變暖文檔緩存時，您最關心的是搜索結果中最常出現的文檔，而不管它們是如何被查詢的。

• 加載由國家，如果大多數搜索的是美國電影：

  個人而言，我喜歡的事情運行搜索。

• 按年份加載，如果大部分搜索都是針對更新的電影。
• 按類型加載，如果您有很多搜索過的類型的簡短列表。

最後一種可能性是加載它們全部。你的文件看起來很小。現在70,000個服務器內存沒有任何問題。如果您的文檔緩存足夠大，並且有足夠的可用內存，那就去做吧。作爲一個便箋，您的一些最大的好處將來自文檔緩存。查詢緩存僅對重複查詢有利，可能會令人失望。幾乎總是從大型文檔緩存中受益。