Lucene索引：共享或帐户隔离？

Question

我正在评估Lucene在SaaS应用程序中实现全局搜索功能。

我们不希望用户看到其他帐户的内容，因此搜索将始终受到帐户的限制。

使用帐户ID字段或每个帐户一个索引有单一索引是更好吗？每种方法的优点和缺点是什么？

我担心全局索引可能会因频繁更新而影响性能。

谢谢。

编辑

• 估计数量总文件：500,0000
• 帐户数量：4000
• 可转位数据永远不会之间共享占
• 帐户用户可以更新他们的可转位数据每天数次（大多数情况下不超过100次）
• 索引数据量在初始设置后趋于稳定过程
• 我们需要保存每个文档

Answer 1

这里有一些事情我曾经想，除了常见的问题（如索引更新和等）：

1. Lucene的回报率排名的方式结果取决于一些“语料库宽”的统计数据，例如该字段出现的文档总数。因此，如果客户a的指数统计不适合客户b，那么它将损害两个客户的相关性，除了存在安全风险外......如果奥斯卡足够聪明，他真的可以开始颠倒鲍勃的文件，因为倒排索引：http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.159.9682你可以用这个排名算法解决这个问题：https://issues.apache.org/jira/browse/LUCENE-2864
2. lucene中的其他一些东西适用于“整个领域”或“索引作为一个整体”，你应该知道他们可以'如果您将索引组合在一起，那么实际上可以根据每个客户进行更改：omitTF（如果您将其设置为单个文档中的某个字段，则将其忽略），相似性（任何已发布的lucene ，你只能在整个板子上设置相似度，所以客户将无法调整排名模型），拼写检查（你必须破解一些东西每个客户都有自己的“过滤”拼写检查索引），...
3. 另一方面，如果您有很多条款，需要相当多的内存，通过给每个客户自己的索引，对于所有的索引，需要更多的内存来保存RAM中的术语索引。但是，您可以通过调整termIndexInterval/Divisor等来降低这一点。

Answer 2

我已经在这里和那里做了一些“安全修剪”索引 - 如果允许的话，绝对有可能。也就是说，对于有多个客户端的SAAS类型的东西，我的一般倾向是尽可能多地分离客户端，原因如下：

a）确保编码错误不会导致数据泄露，愤怒的客户端，诉讼和其他胡哈哈。
b）使每个客户端的定制变得更容易 - 你的整个代码库不需要处理客户特定的fubar请求
c）从第一天开始就强制你进入水平可伸缩的架构 - 如果添加实例很容易，对？

哦，绝对采取Will Hartung的建议 - 立面搜索，那些东西真的不应该爬出它的层。