Solr DataImportHandler 配置

DIH主要用于从数据库抓取数据并创建索引。另外还可以从HTTP（RSS、ATOM）拉数据。

相关概念：

• Datasource：数据源，包括获取数据必需的信息：数据位置（url）、数据库driver、登录账号和密码
• Entity：相当于数据库的一个视图，可以从一个表或联表查询获得
• Processor：数据处理器，负责从数据源中获取数据、处理、然后加入到索引中
• Transformer：数据转换器，可选，负责修改数据、创建新的field、或根据需要把一条记录变成多条记录

首先，链接数据库需要 mysql connector：

下载地址： http://mvnrepository.com/， 搜索：mysql connector java

点击最新版本号，点击“Download ( JAR ) ”下载，或（更方便的方法）复制链接地址，然后用wget下载：

cd /opt/app/solr/server/solr-webapp/webapp/WEB-INF/lib/

wget http://central.maven.org/maven2/mysql/mysql-connector-java/5.1.36/mysql-connector-java-5.1.36.jar

配置：

solrconfig.xml中添加 requestHandler，例如：

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

config参数指定DIH配置文件的位置。DIH配置文件负责指定数据源、拉取和处理数据的方法。

solrconfig.xml 中添加DIH jar包依赖：

<lib dir="${solr.install.dir:../../../..}/dist/" regex="solr-dataimporthandler-.*\.jar" />

DIH配置文件：

根节点：<dataConfig>

• dataSource
  • type: 数据源类型，如：JdbcDataSource（缺省值），采用SqlEntityProcessor
  • driver: 数据库驱动，如：com.mysql.jdbc.Driver
  • convertType: 
  • url: 数据库url
  • user: 你懂的
  • password: 你懂的
• document
  • entity
    • name: 随便起的一个标志，可以给嵌套的entity使用，比如${item.id}（假设name="item"）
    • query: 拉取所有数据的语句
    • deltaQuery: 拉取delta数据的语句，如：deltaQuery="select * from xxx where last_modified > '${dataimporter.last_index_time}'"
    • field: 指定 dataSource 的 field 和 solr 的field的对应关系，如：<field name="NAME" column="name" />
    • entity: 嵌套的entity，定义一些一对多的数据。可以使用父entity的name作为条件，比如：where item_id='${item.id}'
    • transformer: 指定transformer对象，多个的话用逗号分开

配置文件例子（文件名：db-data-config.xml）：

<dataConfig>
  <dataSource type="JdbcDataSource"
              driver="com.mysql.jdbc.Driver"
              convertType="true"
              url="jdbc:mysql://127.0.0.1:3306/db_name"
              user="sa"
              password="123456"/>
  <document>
    <entity name="course_video" query="SELECT id, title, content, tags FROM ts_course_video" >
    </entity>
  </document>
</dataConfig>

需要和另外一个配置文件配合使用：schema.xml，定义了field和fieldType，参考： http://blog.csdn.net/clementad/article/details/47666043

例子：

<?xml version="1.0" encoding="UTF-8" ?>

<schema name="course_video" version="1.5">
        <field name="id" type="int" indexed="true" stored="true" required="true" multiValued="false" />

        <field name="_version_" type="long" indexed="true" stored="true"/>

        <field name="title" type="string" indexed="true" stored="true" required="true" multiValued="false" />
        <field name="tags" type="string" indexed="true" stored="false" required="false" multiValued="false" />
        <field name="content" type="string" indexed="true" stored="true" required="false" multiValued="false" />

        <field name="info_text" type="text_general" indexed="true" stored="false" multiValued="true" />

        <copyField source="title" dest="info_text" />
        <copyField source="content" dest="info_text" />
        <copyField source="tags" dest="info_text" />

        <uniqueKey>id</uniqueKey>

        <fieldType name="string" class="solr.StrField" sortMissingLast="true" />
        <fieldType name="int" class="solr.TrieIntField" precisionStep="0" positionIncrementGap="0"/> 

    <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">
      <analyzer type="index">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>

      <analyzer type="query">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>
    </fieldType>

</schema>

通过HTTP请求（POST或GET）执行各种DIH操作：

请求格式：http://<host>:<port>/ solr/ <collect  ion_name>/ dataimport? command=<command>

其中，各种<command>如下：

• abort：停止当前正在进行的操作
• delta-import：调用deltaQuery拉取数据。可以带上几个额外的参数：&clean=true&commit=true等等（和full_import相同）
• full-import：调用query拉取所有数据。请求会马上返回，后台有新线程执行重建索引的操作。可以通过status操作查询状态。额外参数：
  • clean：缺省为true。是否在开始重建索引前清除旧索引
  • commit：缺省为true。是否提交操作请求
  • debug：缺省为false。debug模式，不会commit操作。如果同时需要commit，得带上commit=true参数
  • entity：缺省为所有的entity。可以指定某一个或多个entity
  • optimize：缺省为true。是否需要在完成操作后优化索引
• reload-config：如果修改了配置文件，执行这个命令使它生效
• status：返回各种统计数据、以及DIH的当前状态

（原创文章，转载请注明转自Clement-Xu的博客）