在HDFS上处理数据时,为快速访问,有时候需要对数据进行分布式索引。很不巧,我们所熟悉的Lucene并不支持HDFS上的索引操作。Lucene中的Document不支持MapReduce输出类型的Writable接口,因此我们无法直接使用Document作为MapReduce的输出类型。虽然Nutch这一搜索爬虫基于Lucene实现HDFS上建立和维护索引的功能,但是在Nutch中对Lucene进行了很多的重写。
下面将结合前一篇文章(自定义数据类型)中定义的HDFSDocument类,显示如何完成HDFS上建立Lucene操作的。首先是自定义的输出格式HDSDocumentOutput类。
package hdfs.document;
import java.io.IOException;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.util.Progressable;
import org.apache.hadoop.mapred.RecordWriter;
public class HDSDocumentOutput extends FileOutputFormat<Text, HDFSDocument>{
@Override
public RecordWriter<Text, HDFSDocument> getRecordWriter(
final FileSystem fs, JobConf job, String name, final Progressable progress)
throws IOException {
// LuceneWriter是包含Lucene的IndexWriter对象的类
final LuceneWriter lw = new LuceneWriter();
// 完成索引前的配置工作
lw.open(job, name);
return new RecordWriter<Text, HDFSDocument>(){
@Override
public void close(final Reporter reporter) throws IOException {
// 完成索引优化,关闭IndexWriter的对象
lw.close();
}
@Override
public void write(Text arg0, HDFSDocument doc) throws IOException {
// 建立索引
lw.write(doc);
}
};
}
}
LuceneWriter类接受HDFSDocument类的对象,从中读取信息,完成建立索引和优化的操作。LuceneWriter类的代码如下:
package hdfs.document;
import java.io.File;
import java.io.IOException;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Random;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobConf;
import org.apache.lucene.analysis.LimitTokenCountAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.LogDocMergePolicy;
import org.apache.lucene.index.LogMergePolicy;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
public class LuceneWriter {
private Path perm;
private Path temp;
private FileSystem fs;
private IndexWriter writer;
public void open(JobConf job, String name) throws IOException{
this.fs = FileSystem.get(job);
perm = new Path(FileOutputFormat.getOutputPath(job), name);
// 临时本地路径,存储临时的索引结果
temp = job.getLocalPath("index/_" + Integer.toString(new Random().nextInt()));
fs.delete(perm, true);
// 配置IndexWriter(个人对Lucene索引的参数不是太熟悉)
LimitTokenCountAnalyzer ltca = new LimitTokenCountAnalyzer(new StandardAnalyzer(Version.LUCENE_34),
Integer.MAX_VALUE);
IndexWriterConfig conf = new IndexWriterConfig(Version.LUCENE_34, ltca);
conf.setMaxBufferedDocs(100000);
LogMergePolicy mergePolicy = new LogDocMergePolicy();
mergePolicy.setMergeFactor(100000);
mergePolicy.setMaxMergeDocs(100000);
conf.setMergePolicy(mergePolicy);
conf.setRAMBufferSizeMB(256);
conf.setMergePolicy(mergePolicy);
writer = new IndexWriter(FSDirectory.open(new File(fs.startLocalOutput(perm, temp).toString())),
conf);
}
public void close() throws IOException{
// 索引优化和IndexWriter对象关闭
writer.optimize();
writer.close();
// 将本地索引结果拷贝到HDFS上
fs.completeLocalOutput(perm, temp);
fs.createNewFile(new Path(perm,"index.done"));
}
/*
* 接受HDFSDocument对象,从中读取信息并建立索引
*/
public void write(HDFSDocument doc) throws IOException{
String key = null;
HashMap<String, String> fields = doc.getFields();
Iterator<String> iter = fields.keySet().iterator();
while(iter.hasNext()){
key = iter.next();
Document luceneDoc = new Document();
// 如果使用Field.Index.ANALYZED选项,则默认情况下会对中文进行分词。
// 如果这时候采用Term的形式进行检索,将会出现检索失败的情况。
luceneDoc.add(new Field("key", key, Field.Store.YES, Field.Index.NOT_ANALYZED));
luceneDoc.add(new Field("value", fields.get(key), Field.Store.YES, Field.Index.NOT_ANALYZED));
writer.addDocument(luceneDoc);
}
}
}
最后,需要设置任务的输出格式,代码如下:
job.setOutputValueClass(HDFSDocument.class);
job.setOutputFormat(HDSDocumentOutput.class);
到此,基于Lucene的HDFS分布式索引构建完成。可以看出,这种建立索引方式,是先在本地建立索引,然后再拷贝到HDFS上的。
补充:有另一种使用Lucene建立分布式索引的方法