Быстрый поиск текста в более чем 600 000 файлах

Я не буду углубляться слишком глубоко, но попытаюсь дать рекомендации по созданию доказательства концепции.

1

Сначала загрузите и извлеките эластичный поиск отсюда: https://www.elastic.co/downloads/elasticsearch а затем запустите его:

bin/elasticsearch

2

Скачать https://github.com/dadoonet/fscrawler#download-fscrawler извлеките его и запустите:

bin/fscrawler myCustomJob

Затем остановите его (Ctrl-C) и отредактируйте соответствующий myCustomJob/_settings.json (Он имеет был создан автоматически, и путь был напечатан на консоли).
Вы можете отредактировать свойства: "url" (путь для сканирования), "update_rate" (вы можете сделать это 1m), "includes" (например, ["*.pdf","*.doc","*.txt"]), "index_content" ( сделайте его ложным, чтобы оставаться только на имени файла).

Запустите снова:

bin/fscrawler myCustomJob

Примечание: Индексирование - это то, что вы, возможно, позже захотите выполнить с помощью кода, но сейчас это будет сделано автоматически с помощью fscrawler, который напрямую взаимодействует с elastic.

3

Теперь начните добавлять файлы в каталог, указанный вами в свойстве "url".

4

Загрузите расширенный клиент rest для chrome и выполните следующие действия POST:

URL-АДРЕС: http://localhost:9200/_search

Исходная полезная нагрузка:

{
  "query": { "wildcard": {"file.filename":"aFileNameToSearchFor*"} }
}

Вы получите обратно список совпадающих файлов. Примечание: fscrawler индексирует имена файлов под ключом: file.filename.

5

Теперь вместо использования расширенного клиента rest вы можете использовать PHP для выполнения этот запрос. Либо с помощью вызова REST по указанному выше URL-адресу, либо с помощью API php-клиента: https://www.elastic.co/guide/en/elasticsearch/client/php-api/current/_search_operations.html

То же самое означает индексирование: https://www.elastic.co/guide/en/elasticsearch/client/php-api/current/_indexing_documents.html

Если вы хотите сохранить всю информацию о файлах в базе данных:

<?php 
function deep_scandir( $dir, &$query, &$files) {

    $count = 0;

    if(is_dir($dir)) {
        if ($dh = opendir($dir)) {
            while (($item = readdir($dh)) !== false) {
                if($item != '.' && $item != '..') {
                    if(is_dir($dir.'/'.$item)){
                        deep_scandir($dir.'/'.$item, $query, $files);
                    }else{
                        $count++;
                        preg_match("/(\d\_\d+)\_(.*)\.txt/i", $item, $matches);
                        if(!empty($matches)){
                            $no = $matches[1];
                            $str = $matches[2];
                            $files[$dir][$no] = $str;
                            $content = addcslashes( htmlspecialchars( file_get_contents($dir.'/'.$item) ), "\\\'\"" );
                            $query[] =  "INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES\n(NULL, '$no', '$str', '$dir/$item', '$content');";
                        }
                    }
                }
            }
            closedir($dh);
        }
    }
}

echo '<pre>';
$dir = 'notes_docs/files_txt';
$query = [];
$files = [];
deep_scandir($dir, $query, $files);
print_r($files);
echo '<br>';
print_r($query);

Теперь вы можете выполнить каждую строку в массиве

foreach($query as $no=>$line){
    mysql_query($line) or trigger_error("Couldn't execute query no: '$no' [$line]");
}

Вывод:

Array
(
    [notes_docs/files_txt/20170831] => Array
        (
            [1_291838733] => uridjdh
            [1_482737439] => a8weele
            [1_579374743] => abc2_file
            [1_733839474] => dejsde
            [1_837837472] => abc_file
        )

)

Array
(
    [0] => INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES
(NULL, '1_291838733', 'uridjdh', 'notes_docs/files_txt/20170831/1_291838733_uridjdh.txt', 'Lorem ipsum dolor sit amet, consectetur adipiscing elit. Phasellus in nisl quis lectus sagittis ullamcorper at faucibus urna. Suspendisse tristique arcu sit amet ligula cursus pretium vitae eu elit. Nullam sed dolor ornare ex lobortis posuere. Quisque venenatis laoreet diam, in imperdiet arcu fermentum eu. Aenean molestie ligula id sem ultricies aliquet non a velit. Proin suscipit interdum vulputate. Nullam finibus gravida est, et fermentum est cursus eu. Integer sed metus ac urna molestie finibus. Aenean hendrerit ante quis diam ultrices pellentesque. Duis luctus turpis id ipsum dictum accumsan. Curabitur ornare nisi ligula, non pretium nulla venenatis sed. Aenean pharetra odio nec mi aliquam molestie. Fusce a condimentum nisl. Quisque mattis, nulla suscipit condimentum finibus, leo ex eleifend felis, vel efficitur eros turpis nec sem. ');
    [1] => INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES
(NULL, '1_482737439', 'a8weele', 'notes_docs/files_txt/20170831/1_482737439_a8weele.txt', 'Nunc et odio sed odio rhoncus venenatis congue non nulla. Aliquam dictum, felis ac aliquam luctus, purus mi dignissim magna, vitae pharetra risus elit ac mi. Sed sodales dui semper commodo iaculis. Nunc vitae neque ut arcu gravida commodo. Fusce feugiat velit et felis pharetra posuere sit amet sit amet neque. Phasellus iaculis turpis odio, non consequat nunc consectetur a. Praesent ornare nisi non accumsan bibendum. Nunc vel ultricies enim, consectetur fermentum nisl. Sed eu augue ac massa efficitur ullamcorper. Ut hendrerit nisi arcu, a sagittis velit viverra ac. Quisque cursus nunc ac tincidunt sollicitudin. Cras eu rhoncus ante, ac varius velit. Mauris nibh lorem, viverra in porttitor at, interdum vel elit. Aliquam imperdiet lacus eu mi tincidunt volutpat. Vestibulum ut dolor risus. ');
    [2] => INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES
(NULL, '1_579374743', 'abc2_file', 'notes_docs/files_txt/20170831/1_579374743_abc2_file.txt', 'Vivamus aliquet id elit vitae blandit. Proin laoreet ipsum sed tincidunt commodo. Fusce faucibus quam quam, in ornare ex fermentum et. Suspendisse dignissim, tortor at fringilla tempus, nibh lacus pretium metus, vel tempus dolor tellus ac orci. Vestibulum in congue dolor, nec porta elit. Donec pellentesque, neque sed commodo blandit, augue sapien dapibus arcu, sit amet hendrerit felis libero id ante. Praesent vitae elit at eros faucibus volutpat. Integer rutrum augue laoreet ex porta, ut faucibus elit accumsan. Donec in neque sagittis, auctor diam ac, viverra diam. Phasellus vel quam dolor. Nullam nisi tellus, faucibus a finibus et, blandit ac nisl. Vestibulum interdum malesuada sem, nec semper mi placerat quis. Nullam non bibendum sem, vitae elementum metus. Donec non ipsum quis turpis semper lobortis.');
    [3] => INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES
(NULL, '1_733839474', 'dejsde', 'notes_docs/files_txt/20170831/1_733839474_dejsde.txt', 'Nunc faucibus, enim non luctus rutrum, lorem urna finibus turpis, sit amet dictum turpis ipsum pharetra ex. Donec at leo vitae massa consectetur viverra eget vel diam. Sed in neque tempor, vulputate quam sed, ullamcorper nisl. Fusce mollis libero in metus tincidunt interdum. Cras tempus porttitor nunc nec dapibus. Vestibulum condimentum, nisl eget venenatis tincidunt, nunc sem placerat dui, quis luctus nisl erat sed orci. Maecenas maximus finibus magna in facilisis. Maecenas maximus turpis eget dignissim fermentum. ');
    [4] => INSERT INTO `mytable` (id, key, value, path, content)
                            VALUES
(NULL, '1_837837472', 'abc_file', 'notes_docs/files_txt/20170831/1_837837472_abc_file.txt', 'Integer non ex condimentum, aliquet lectus id, accumsan nibh. Quisque aliquet, ante vitae convallis ullamcorper, velit diam tempus diam, et accumsan metus eros at tellus. Sed lacinia mauris sem, scelerisque efficitur mauris aliquam a. Nullam non auctor leo. In mattis mauris eu blandit varius. Phasellus interdum mi nec enim imperdiet tristique. In nec porttitor erat, tempor malesuada ante. Etiam scelerisque ligula et ex maximus, placerat consequat nunc consectetur. Phasellus suscipit ligula sed elit hendrerit laoreet. Suspendisse ex sem, placerat pharetra ligula eu, accumsan rhoncus ex. Sed luctus nisi vitae metus maximus scelerisque. Suspendisse porta nibh eget placerat tempus. Nunc efficitur gravida sagittis. ');
)

Я бы попробовал сначала создать простую базу данных. Основная таблица будет содержать имя файла и текстовое содержимое. Таким образом, вы сможете использовать функции запросов ядра БД и, вероятно, значительно повысите производительность по сравнению с текущим решением.

Это было бы самым простым решением, и оно могло бы вырасти за счет добавления дополнительных таблиц, связывающих слова с именами файлов (это может быть сделано динамически, например, при наиболее частых поисках)

Файловая система или база данных?
Для работы с большим объемом данных вам необходимо использовать какую-то базу данных. Как это делает Google!

Так следует ли мне использовать реляционные базы данных, такие как Mysql?
Во многих случаях (как в вашем случае) реляционные базы данных и SQL не являются правильным выбором. Сегодня большинство поисковых систем и анализаторов больших данных используют Базы данных NOSQL.
Базы данных NOSQL намного быстрее, чем базы данных SQL. Но они обычно используют много аппаратных ресурсов (ОЗУ, ...).

Ваше решение

1. Найдите информацию о базах данных nosql и проверьте их различия. Также вы должны выполнить полнотекстовый поиск в своей базе данных, поэтому ищите информацию о реализации полнотекстового поиска в каждом из них. Выберите базу данных NOSQL: Aerospike (Самая быстрая) - Кассандра - Монгодб - ...
2. Импортируйте все данные ваших файлов в вашу базу данных.
3. Выберите правильный и быстрый язык программирования (я рекомендую не использовать PHP).
4. Разработайте и создайте свою поисковую систему как сервис.
5. Подключите вашу основную программу к вашей поисковой системе.