Solr的配置及从数据库建立索引

1 、 Solr 简介

    Solr 是一个基于 Lucene 的 Java 搜索引擎服务器。 Solr 提供了层面搜索、命中醒目显示并且支持多种输出格式（包括 XML/XSLT 和 JSON 格式）。它易于安装和配置，而且附带了一个基于 HTTP 的管理界面。 Solr 已经在众多大型的网站中使用，较为成熟和稳定。 Solr 包装并扩展了 Lucene ，所以 Solr 的基本上沿用了 Lucene 的相关术语。更重要的是， Solr 创建的索引与 Lucene 搜索引擎库完全兼容。通过对 Solr 进行适当的配置，某些情况下可能需要进行编码， Solr 可以阅读和使用构建到其他 Lucene 应用程序中的索引。此外，很多 Lucene 工具（如 Nutch 、 Luke ）也可以使用 Solr 创建的索引。

2 、Ubuntu 下 Solr 安装配置

    由于 Solr 基于 java 开发，因此 Solr 在 windows 及 Linux 都能较好部署使用，但由于 Solr 提供了一些用于测试及管理、维护较为方便的 shell 脚本，因此在生产部署时候建议安装在 Linux 上，测试时候可以在 windows 使用。

下面以 Ubuntu 下安装配置 Solr 进行说明。

首先下载Tomcat的压缩包。

unzip apache-tomcat-6.0.16.zip

mv apache-tomcat-6.0.16 /opt/tomcat

chmod 755 /opt/tomcat/bin/*

下载apache-solr-1.4.0压缩包。tar -xvf apache-solr-1.2.0.tgz

Solr 的安装配置最为麻烦的是对 solr.solr.home 的理解和配置，主要有三种

• 基于当前路径的方式

cp apache-solr-1.4.0/dist/apache-solr-1.4.0.war /opt/tomcat/webapps/solr.war

mkdir /opt/solr-tomcat

cp -r apache-solr-1.2.0/example/solr/ /opt/solr-tomcat/

cd /opt/solr-tomcat

/opt/tomcat/bin/startup.sh

由于在此种情况下（没有设定 solr.solr.home 环境变量或 JNDI 的情况下）， Solr 查找 ./solr ，因此在启动时候需要切换到 /opt/solr-tomcat

• 基于环境变量 solr.solr.home

在当前用户的环境变量中（ .bash_profile ）或在 /opt/tomcat/catalina.sh 中添加如下环境变量

export JAVA_OPTS="$JAVA_OPTS -Dsolr.solr.home=/opt/solr-tomcat/solr"

• 基于 JNDI 配置

mkdir –p /opt/tomcat/conf/Catalina/localhost

touch /opt/tomcat/conf/Catalina/localhost/solr.xml ，内容如下 :

      <Context docBase="/opt/tomcat/webapps/solr" debug="0" crossContext="true" >

                 <Environment name="solr/home" type="java.lang.String" value="/opt/solr-tomcat/solr" override="true" />

    </Context>

访问 solr 管理界面 http://127.0.0.1:8080/solr

3 、用solr从数据库建立中文索引

1.在Ubuntu下安装mysql服务端和客户端。

#apt-get install mysql-server-5.0

#apt-get install mysql

2.添加Handler
    编辑/opt/solr-tomcat/solr/conf文件夹下的solrconfig.xml文件，在config元素中添加

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

3.  在此文件夹中新建一个data-config.xml文件，内容如下

<dataConfig> <dataSource type="JdbcDataSource" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://127.0.0.1:3306/db_expert" user="root" password="root"/> <document> <entity name="expert" query="select id,experName,researchfield,title,workunit,postaladdress,officephone,email,biography from expertinfo"> </entity> </document> </dataConfig>

4.  修改schema.xml，找到<fieldType name="text"，将分词器修改为中文分词器，这里用的是包装过的Paoding分词，这个东西好像已经不更新了，以后看看IKAnalyzer吧。

<fieldType name="text" class="solr.TextField" positionIncrementGap="100"> <analyzer type="index"> <tokenizer class="net.paoding.analysis.analyzer.ChineseTokenizerFactory" mode="most-words"/> <!-- in this example, we will only use synonyms at query time <filter class="solr.SynonymFilterFactory" synonyms="index_synonyms.txt" ignoreCase="true" expand="false"/> --> <!-- Case insensitive stop word removal. add enablePositionIncrements=true in both the index and query analyzers to leave a 'gap' for more accurate phrase queries. --> <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" enablePositionIncrements="true" /> <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0" splitOnCaseChange="1"/> <filter class="solr.LowerCaseFilterFactory"/> <filter class="solr.SnowballPorterFilterFactory" language="English" protected="protwords.txt"/> <filter class="solr.RemoveDuplicatesTokenFilterFactory"/> </analyzer> <analyzer type="query"> <tokenizer class="net.paoding.analysis.analyzer.ChineseTokenizerFactory" mode="most-words"/> <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/> <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" enablePositionIncrements="true" /> <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="0" catenateNumbers="0" catenateAll="0" splitOnCaseChange="1"/> <filter class="solr.LowerCaseFilterFactory"/> <filter class="solr.RemoveDuplicatesTokenFilterFactory"/> <filter class="solr.SnowballPorterFilterFactory" language="English" protected="protwords.txt"/> </analyzer> </fieldType>

原来的schema.xml中没有的字段自己添加上。schema.xml默认是UTF-8编码。首先在<fields></fields>里添加要索引的域。

注意：数据库的表的主键的名字最好是id，以后才好办。

<field name="id" type="int" indexed="true" stored="true" required="true" /> <field name="experName" type="text" indexed="true" stored="true"/> <field name="researchfield" type="text" indexed="true" stored="true"/> <field name="title" type="text" indexed="true" stored="true"/> <field name="workunit" type="text" indexed="true" stored="true"/> <field name="postaladdress" type="text" indexed="true" stored="true"/> <field name="officephone" type="text" indexed="true" stored="true"/> <field name="email" type="text" indexed="true" stored="true"/> <field name="biography" type="text" indexed="true" stored="true"/>

然后在<solrQueryParser defaultOperator="OR"/>下面添加下面行。

<copyField source="experName" dest="text" /> <copyField source="researchfield" dest="text" /> <copyField source="title" dest="text" /> <copyField source="workunit" dest="text" /> <copyField source="postaladdress" dest="text" /> <copyField source="officephone" dest="text" /> <copyField source="email" dest="text" /> <copyField source="biography" dest="text" />

5.  包装Paoding的分词器

1. package net.paoding.analysis.analyzer; 2. 3. import java.io.Reader; 4. import java.util.Map; 5. 6. import net.paoding.analysis.analyzer.impl.MaxWordLengthTokenCollector; 7. import net.paoding.analysis.analyzer.impl.MostWordsTokenCollector; 8. import net.paoding.analysis.knife.PaodingMaker; 9. 10. import org.apache.lucene.analysis.Tokenizer; 11. import org.apache.solr.analysis.BaseTokenizerFactory; 12. 13. /** 14. * Created by IntelliJ IDEA. 15. * User: ronghao 16. * Date: 2007-11-3 17. * Time: 14:40:59 中文切词 对庖丁切词的封装 18. */ 19. public class ChineseTokenizerFactory extends BaseTokenizerFactory { 20. /** 21. * 最多切分 默认模式 22. */ 23. public static final String MOST_WORDS_MODE = "most-words" ; 24. /** 25. * 按最大切分 26. */ 27. public static final String MAX_WORD_LENGTH_MODE = "max-word-length" ; 28. 29. private String mode = null ; 30. 31. public void setMode(String mode) { 32. if (mode == null || MOST_WORDS_MODE.equalsIgnoreCase(mode) || "default" .equalsIgnoreCase(mode)) { 33. this .mode = MOST_WORDS_MODE; 34. } else if (MAX_WORD_LENGTH_MODE.equalsIgnoreCase(mode)) { 35. this .mode = MAX_WORD_LENGTH_MODE; 36. } else { 37. throw new IllegalArgumentException( "不合法的分析器Mode参数设置:" + mode); 38. } 39. } 40. 41. @Override 42. public void init(Map<String, String> args) { 43. super .init(args); 44. setMode(args.get("mode" )); 45. } 46. 47. public Tokenizer create(Reader input) { 48. return new PaodingTokenizer2(input, PaodingMaker.make(), createTokenCollector()); 49. } 50. 51. private TokenCollector createTokenCollector() { 52. if (MOST_WORDS_MODE.equals(mode)) 53. return new MostWordsTokenCollector(); 54. if (MAX_WORD_LENGTH_MODE.equals(mode)) 55. return new MaxWordLengthTokenCollector(); 56. throw new Error( "never happened" ); 57. } 58. } Java代码 收藏代码 1. package net.paoding.analysis.analyzer; 2. 3. import java.io.Reader; 4. import java.util.Map; 5. 6. import net.paoding.analysis.analyzer.impl.MaxWordLengthTokenCollector; 7. import net.paoding.analysis.analyzer.impl.MostWordsTokenCollector; 8. import net.paoding.analysis.knife.PaodingMaker; 9. 10. import org.apache.lucene.analysis.Tokenizer; 11. import org.apache.solr.analysis.BaseTokenizerFactory; 12. 13. /** 14. * Created by IntelliJ IDEA. 15. * User: ronghao 16. * Date: 2007-11-3 17. * Time: 14:40:59 中文切词 对庖丁切词的封装 18. */ 19. public class ChineseTokenizerFactory extends BaseTokenizerFactory { 20. /** 21. * 最多切分 默认模式 22. */ 23. public static final String MOST_WORDS_MODE = "most-words"; 24. /** 25. * 按最大切分 26. */ 27. public static final String MAX_WORD_LENGTH_MODE = "max-word-length"; 28. 29. private String mode = null; 30. 31. public void setMode(String mode) { 32. if (mode == null || MOST_WORDS_MODE.equalsIgnoreCase(mode) || "default".equalsIgnoreCase(mode)) { 33. this.mode = MOST_WORDS_MODE; 34. } else if (MAX_WORD_LENGTH_MODE.equalsIgnoreCase(mode)) { 35. this.mode = MAX_WORD_LENGTH_MODE; 36. } else { 37. throw new IllegalArgumentException("不合法的分析器Mode参数设置:" + mode); 38. } 39. } 40. 41. @Override 42. public void init(Map<String, String> args) { 43. super.init(args); 44. setMode(args.get("mode")); 45. } 46. 47. public Tokenizer create(Reader input) { 48. return new PaodingTokenizer(input, PaodingMaker.make(), this.createTokenCollector()); 49. } 50. 51. private TokenCollector createTokenCollector() { 52. if (MOST_WORDS_MODE.equals(mode)) 53. return new MostWordsTokenCollector(); 54. if (MAX_WORD_LENGTH_MODE.equals(mode)) 55. return new MaxWordLengthTokenCollector(); 56. throw new Error("never happened"); 57. } 58. }

这两个修改的类就放在/opt/tomcat/webapps/solr中，在压缩包的WEB-INF文件夹中新建classes文件夹，将这两个类连同包层次复制进去就行。

6.设置PAODING_DIC_HOME的环境变量，指向Paoding词典文件的位置。（比如/opt/dic）

#vim /etc/profile

添加下面的环境变量

JAVA_HOME=/usr/lib/jvm/java-6-openjdk
CLASSPATH=.:/usr/lib/jvm/java-6-openjdk/lib
ANT_HOME=/usr/share/ant
PATH="$JAVA_HOME/lib:$ANT_HOME/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games"
PAODING_DIC_HOME=/opt/dic
export JAVA_HOME
export CLASSPATH
export ANT_HOME
export PATH
export PAODING_DIC_HOME

7. 将Paoding和数据库驱动放到/opt/tomcat/webapps/solr/WEB-INF/lib中。

进入浏览器，运行
    http://localhost:8983/solr/dataimport?command=full-import
    导入成功后，运行
    http://localhost:8983/solr/admin/
    在搜索框中输入搜索内容进行查询

现在就完成了数据库的索引了。