基于Solr DIH实现MySQL表数据全量索引和增量索引

实现MySQL表数据全量索引和增量索引,基于Solr DIH组件实现起来比较简单,只需要重复使用Solr的DIH(Data Import Handler)组件,对data-config.xml进行简单的修改即可。Solr DIH组件的实现类为org.apache.solr.handler.dataimport.DataImportHandler,在Solr的solrconfig.xml中配置两个handler,配置分别说明如下。

全量索引

solrconfig.xml配置如下:

     <requestHandler name="/dataimport"
          class="org.apache.solr.handler.dataimport.DataImportHandler">
          <lst name="defaults">
               <str name="config">data-config.xml</str>
          </lst>
     </requestHandler>

上面这个是针对全量索引的,主要是配置data-config.xml文件,示例如下所示:

 <dataConfig>
    <dataSource name="jdbc" driver="com.mysql.jdbc.Driver"
        url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"
        user="developer" password="sedept@shiyanjun.cn"/>
    <document name="mkt_data">
        <entity name="marketing_data" pk="id"
                query="select * from marketing_data limit ${dataimporter.request.length} offset ${dataimporter.request.offset}"
                transformer="RegexTransformer">
            <field column="id" name="id" />
            <field column="domain" name="domain" />
            <field column="alex_rank" name="alex_rank" />
            <field column="server_port" name="server_port" />
            <field column="cert_validity_notBefore" name="cert_validity_notBefore" />
            <field column="cert_validity_notAfter" />
            <field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>
            <field column="cert_issuer_brand" name="cert_issuer_brand" />
            <field column="cert_validation" name="cert_validation" />
            <field column="cert_isMultiDomain" name="cert_isMultiDomain" />
            <field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />
            <field column="cert_isWildcard" name="cert_isWildcard" />
            <field column="cert_notAfter" name="cert_notAfter" />
            <field column="special_ssl" name="special_ssl" />
            <field column="competitor_logo" name="competitor_logo" />
            <field column="segment" name="segment" />
        </entity>
    </document>
</dataConfig>

上面主要是通过内置变量 “${dataimporter.request.length}”和 “${dataimporter.request.offset}”来设置一个批次索引的数据表记录数,请求的URL示例如下:


http://172.0.8.212:8080/search-server/core0/dataimport?command=full-import&commit=true&clean=false&offset=1000000&length=100000

上面表示,对数据表中id范围为[10000000, 1100000]的记录进行索引,因为数据表可能达到千万记录数,而且线上有业务在操作数据库,所以要选择分批进行索引。

增量索引

solrconfig.xml配置如下:

   <requestHandler name="/deltaimport" class="org.apache.solr.handler.dataimport.DataImportHandler">
        <lst name="defaults">
          <str name="config">delta-data-config.xml</str>
        </lst>
   </requestHandler>
上面定义请求的接口为“deltaimport”,对应的配置文件delta- data-config.xml内容如下所示:
 <dataConfig>
    <dataSource name="jdbc" driver="com.mysql.jdbc.Driver"
        url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"
        user="developer" password="sedept@shiyanjun.cn"/>
    <document name="mkt_data">
        <entity name="marketing_data" pk="id"
                query="select * from marketing_data"
                deltaImportQuery="select * from marketing_data where id='${dih.delta.id}'"
                deltaQuery="select id from marketing_data where updated_at &gt; '${dih.last_index_time}'"
                transformer="RegexTransformer">
            <field column="id" name="id" />
            <field column="domain" name="domain" />
            <field column="alex_rank" name="alex_rank" />
            <field column="server_port" name="server_port" />
            <field column="cert_validity_notBefore" name="cert_validity_notBefore" />
            <field column="cert_validity_notAfter" />
            <field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>
            <field column="cert_issuer_brand" name="cert_issuer_brand" />
            <field column="cert_validation" name="cert_validation" />
            <field column="cert_isMultiDomain" name="cert_isMultiDomain" />
            <field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />
            <field column="cert_isWildcard" name="cert_isWildcard" />
            <field column="cert_notAfter" name="cert_notAfter" />
            <field column="special_ssl" name="special_ssl" />
            <field column="competitor_logo" name="competitor_logo" />
            <field column="segment" name="segment" />
        </entity>
    </document>
</dataConfig>

上面主要是通过内置变量“${dih.delta.id}”和 “${dih.last_index_time}”来记录本次索引的id和最后索引时间。这里,会保存在deltaimport.properties文件中,示例如下:

#Sat Feb 16 17:48:49 CST 2013
last_index_time=2013-02-16 17\:48\:48
marketing_data.last_index_time=2013-02-16 17\:48\:48

请求增量索引的接口为“deltaimport”,可以写一个定时脚本,例如每隔一天执行一次 (一天索引一次,只索引数据表中更新的记录),请求URL示例如下:

172.0.8.212:8080/search-server/core0/dataimport?command=delta-import

有关“query”,“deltaImportQuery”, “deltaQuery”的解释,引用官网说明,如下所示:

  • The query gives the data needed to populate fields of the Solr document in full-import
  • The deltaImportQuery gives the data needed to populate fields when running a delta-import
  • The deltaQuery gives the primary keys of the current entity which have changes since the last index time

还有更灵活的索引方式,以后再讲。

参考链接

Creative Commons License

本文基于署名-非商业性使用-相同方式共享 4.0许可协议发布,欢迎转载、使用、重新发布,但务必保留文章署名时延军(包含链接:http://shiyanjun.cn),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我联系

评论(5): “基于Solr DIH实现MySQL表数据全量索引和增量索引

  1. 现在在做一个电商网站的搜索功能,要用到这个,用的最新版的5.5表示文档太少,或者就是英文,看起来比较费时。想问个问题,比如我在增加一个商品的时候,是通过java程序(solrj这个?暂时还没接触)把对应的数据实时同步到solr里面去,还是定时更新呢

    • 你这个要求应该是实时的,定时更新,应该不太合适。应该在每次添加商品的时候,就触发程序将该条记录索引到搜索系统中。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>