Solr入门

最新推荐文章于 2019-09-04 23:05:28 发布

clamaa

最新推荐文章于 2019-09-04 23:05:28 发布

阅读量128

点赞数

分类专栏：开源分析系统使用 solr&lucene 文章标签： solr

开源分析同时被 3 个专栏收录

22 篇文章 0 订阅

订阅专栏

系统使用

18 篇文章 0 订阅

订阅专栏

solr&lucene

10 篇文章 0 订阅

订阅专栏

由于现公司要强化一下搜索相关的功能，特对Solr及Lucene进行简要的研究，并做一些个人总结。

Solr采用Lucene搜索库为核心，提供全文索引和搜索的开源企业平台，提供REST的HTTP/XML和JSON的API。

Solr项目的英文主页： http://lucene.apache.org/solr/，其中介绍了Solr的基本情况：Solr is highly reliable, scalable and fault tolerant, providing distributed indexing, replication and load-balanced querying, automated failover and recovery, centralized configuration and more. Solr powers the search and navigation features of many of the world's largest internet sites.

1. 下载并开始启动系统

我们可以从教程中的起始页面中开始我们的solr探索之旅： http://lucene.apache.org/solr/quickstart.html

将solr的jar包解压后，就可以在/bin目录下启动solr，执行命令后的结果为：

./solr start -e cloud -noprompt

Welcome to the SolrCloud example!

Starting up 2 Solr nodes for your example SolrCloud cluster.

Creating Solr home directory /Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node1/solr
Cloning /Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node1 into
   /Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node2

Starting up Solr on port 8983 using command:
/Users/mazhiqiang/develop/tools/solr-5.5.0/bin/solr start -cloud -p 8983 -s "/Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node1/solr"

Waiting up to 30 seconds to see Solr running on port 8983 [/]  
Started Solr server on port 8983 (pid=2835). Happy searching!


Starting up Solr on port 7574 using command:
/Users/mazhiqiang/develop/tools/solr-5.5.0/bin/solr start -cloud -p 7574 -s "/Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node2/solr" -z localhost:9983

Waiting up to 30 seconds to see Solr running on port 7574 [/]  
Started Solr server on port 7574 (pid=2931). Happy searching!


Connecting to ZooKeeper at localhost:9983 ...
Uploading /Users/mazhiqiang/develop/tools/solr-5.5.0/server/solr/configsets/data_driven_schema_configs/conf for config gettingstarted to ZooKeeper at localhost:9983

Creating new collection 'gettingstarted' using command:
http://localhost:8983/solr/admin/collections?action=CREATE&name=gettingstarted&numShards=2&replicationFactor=2&maxShardsPerNode=2&collection.configName=gettingstarted

{
  "responseHeader":{
    "status":0,
    "QTime":6977},
  "success":{"":{
      "responseHeader":{
        "status":0,
        "QTime":6686},
      "core":"gettingstarted_shard2_replica2"}}}

Enabling auto soft-commits with maxTime 3 secs using the Config API

POSTing request to Config API: http://localhost:8983/solr/gettingstarted/config
{"set-property":{"updateHandler.autoSoftCommit.maxTime":"3000"}}
Successfully set-property updateHandler.autoSoftCommit.maxTime to 3000


SolrCloud example running, please visit: http://localhost:8983/solr

通过控制台中的输出内容，或者查看jps可以发现，solr启动了两个进程，分别对应两个端口8983，以及7574：

jps -ml
2835 start.jar -XX:OnOutOfMemoryError=/Users/mazhiqiang/develop/tools/solr-5.5.0/bin/oom_solr.sh 8983 /Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node1/solr/../logs --module=http
2931 start.jar -XX:OnOutOfMemoryError=/Users/mazhiqiang/develop/tools/solr-5.5.0/bin/oom_solr.sh 7574 /Users/mazhiqiang/develop/tools/solr-5.5.0/example/cloud/node2/solr/../logs --module=http
344 
3004 sun.tools.jps.Jps -ml

可以在服务器的对应端口上，查看到solr的example页面： http://localhost:8983/solr/#/

同样，如果将端口换成7574页面与8983一致。

也可以在cloud tab中看到整体结构图，solr运行在两个节点上:

2.索引数据(Indexing Data)

系统启动完成后，solr server就已经在后台运行了，但是其中什么数据都没有。Solr在bin目录中提供了一个post工具，用于一开始就帮助方便地向solr中添加各种类型的documents。

可以使用post工具来处理类似html, pdf, ms-office, plain text等各种格式的文本，可以根据目录去递归爬取文件至Solr，用于抽取（extraction）和索引（indexing）。

调用bin/post -c gettingstarted docs/ 来加入所有docs目录下的文档，在控制台中输出如下：

bin/post -c gettingstarted docs/

/Library/Java/JavaVirtualMachines/jdk1.8.0_05.jdk/Contents/Home/bin/java -classpath /Users/mazhiqiang/develop/tools/solr-5.5.0/dist/solr-core-5.5.0.jar -Dauto=yes -Dc=gettingstarted -Ddata=files -Drecursive=yes org.apache.solr.util.SimplePostTool docs/
SimplePostTool version 5.0.0
Posting files to [base] url http://localhost:8983/solr/gettingstarted/update...
Entering auto mode. File endings considered are xml,json,jsonl,csv,pdf,doc,docx,ppt,pptx,xls,xlsx,odt,odp,ods,ott,otp,ots,rtf,htm,html,txt,log
Entering recursive mode, max depth=999, delay=0s
Indexing directory docs (3 files, depth=0)
POSTing file index.html (text/html) to [base]/extract
POSTing file quickstart.html (text/html) to [base]/extract
POSTing file SYSTEM_REQUIREMENTS.html (text/html) to [base]/extract
Indexing directory docs/changes (1 files, depth=1)
POSTing file Changes.html (text/html) to [base]/extract
Indexing directory docs/images (0 files, depth=1)
Indexing directory docs/solr-analysis-extras (8 files, depth=1)

可以看出，是根据目录去逐层Indexing，并POSTing至Solr中，直至所有的文档都已经处理完成，共处理约4000个文件。

POSTing file VelocityResponseWriter.html (text/html) to [base]/extract
Indexing directory docs/solr-velocity/resources (0 files, depth=2)
3937 files indexed.
COMMITting Solr index changes to http://localhost:8983/solr/gettingstarted/update...
Time spent: 0:01:12.141

注意，这里的-c gettingstarted为索引的集合名称（暂时不知道干什么用的）。

在上一步已经执行完成后，就可以在搜索页面中进行查询（其中需要带上collection的名称），并查询出结果：

http://localhost:8983/solr/#/gettingstarted_shard1_replica1/query

具体查询的方式可以看solr相关的wiki，可以独立一篇详细研究。

也可以通过collection的browse方式来查询出所有的POSTing过去的数据：

http://localhost:8983/solr/gettingstarted/browse

除了可以索引这些通用的文档数据类型，solr还支持索引XML（称之为Solr Xml），JSON（称之为Solr JSON），CSV文件（用逗号，停顿分列的值）。这些文件类型都是solr默认支持的，此外还提供几种其他的方式来indexing数据：

Import records from a database using the Data Import Handler (DIH)；如果需要导入数据库的记录，使用DIH；
Use SolrJ from JVM-based languages or other Solr clients to programatically create documents to send to Solr；如果需要从基于JVM的语言或其他Solr客户端自动程序化地创建文档，使用SolrJ；
Use the Admin UI core-specific Documents tab to paste in a document to be indexed, or select Document Builder from the Document Type dropdown to build a document one field at a time. Click on the Submit Document button below the form to index your document；可以选择从Solr的文档中心中粘贴Documents的方式来indexing数据，例如：http://localhost:8983/solr/#/gettingstarted_shard2_replica1/documents；

3.更新数据

可以注意到，即使你将index的内容重复操作，执行多次，对于最终的结果而言，也不会重复，这是因为我们启动的solr example项目的配置文件中：

solr-5.5.0/example/files/conf/managed-schema

已经指定了uniqueKey作为最终的id；而当你POST一个新的文档至Solr中试图index同样的uniqueKey时，会自动进行替换的操作。

4.删除数据

可以通过POST命令的方式，指定要删除的unique key字段，或是指定一个查询条件来匹配多个文档（如果这样操作的话，要多加小心！）。

可以调用下面的命令从gettingstarted collection删除指定id的数据：

/bin/post -c gettingstarted -d “<delete><id>1212312312dfasfd</id></delete>"

5.执行搜索

Solr可以通过多种方式进行查询操作，比如Rest客户端，curl, wget, Chrome POSTMAN，以及通过各种编程语言的客户端来进行查询操作。

Solr Admin UI包含了一个查询构建接口编辑器，启动Solr的相关地址为：

http://localhost:8983/solr/#/gettingstarted_shard1_replica1/query

如果使用默认的条件查询，不用输入任何条件，此时就会默认返回10条记录，用json的格式：

在右上的顶部会自动将请求的url填写上去，如果在Linux/Mac上使用curl工具，可以给同样的url来进行查询工作，例如：

curl "http://localhost:8983/solr/gettingstarted_shard1_replica1/select?q=*%3A*&wt=json&indent=true"

q字段也就是查询使用的字段：

如果设置为*:*，表示不过滤任何字段，全部查询出来；
如果设置为foundation，表示只要文档中包含foundation，就查询出来；
如果设置为name:foundation，指的是匹配名称name为foundation的文档，如果name这个字段并没有设置（所有文档都没有这个属性），则出现错误；
如果要查询一个短语，其中包含多个词，可以使用q=CAS+foundation的方式，表示查询的字段为“CAS foundation”；
如果要限制查询出来的字段仅包含某个或某几个属性，使用fl字段，例如fl=id，多个可以用逗号分隔；
如果需要搜索既包含one又包含two的文档，可以使用+前缀，q=%2Bone+%2Btwo（由于加号在q字段中表示空格，因此需要转义）；反之，如果需要搜索到包含one但不包含two的文档，使用-前缀，q=%2Bone+-two；

如果需要更加深入地了解solr中的查询，可以参考solr关于查询的wiki： https://cwiki.apache.org/confluence/display/solr/Searching

6.清理

我们刚才导入了很多的数据，如果需要从初始环境开始，那么就需要对当前的环境进行清理，并删除Index进来的所有数据：

bin/solr stop -all;
rm -Rf example/cloud/

Solr脚本选项

可以使用bin/solr脚本工具来进行，需要使用bin/solr脚本，执行

./solr -help

如果需要看特定指令的帮助，例如start命令，可以使用

./solr start -help

一般情况下，执行./solr start命令是在后台启动的，如果想将其放到前台(foreground)，可以使用

./solr start -f

可以通过-p指定启动端口，默认端口为8983，

当命令并没有在前台执行时，可以使用solr的stop命令来终止特定端口下的solr，

./solr stop -p 8983
Sending stop command to Solr running on port 8983 ... waiting 5 seconds to allow Jetty process 2835 to stop gracefully.

此时可以发现另外的solr实例仍然运行（默认还存在一个占用端口为7574的实例，其管理界面仍然是可用的），如果想要将所有的实例都kill掉，可以在stop后面加 -all。

在下载的solr完整包中我们可以直接使用solr提供的examples帮助我们迅速了解其关键性能，调用：

./solr -e techproducts
Solr home directory /Users/mazhiqiang/develop/tools/solr-5.5.0/example/techproducts/solr already exists.

Starting up Solr on port 8983 using command:
/Users/mazhiqiang/develop/tools/solr-5.5.0/bin/solr start -p 8983 -s "/Users/mazhiqiang/develop/tools/solr-5.5.0/example/techproducts/solr"

Waiting up to 30 seconds to see Solr running on port 8983 [/]  
Started Solr server on port 8983 (pid=4113). Happy searching!


Copying configuration to new core instance directory:
/Users/mazhiqiang/develop/tools/solr-5.5.0/example/techproducts/solr/techproducts

Creating new core 'techproducts' using command:
http://localhost:8983/solr/admin/cores?action=CREATE&name=techproducts&instanceDir=techproducts

{
  "responseHeader":{
    "status":0,
    "QTime":1945},
  "core":"techproducts"}


Indexing tech product example docs from /Users/mazhiqiang/develop/tools/solr-5.5.0/example/exampledocs
SimplePostTool version 5.0.0
Posting files to [base] url http://localhost:8983/solr/techproducts/update using content-type application/xml...
POSTing file gb18030-example.xml to [base]
POSTing file hd.xml to [base]
POSTing file ipod_other.xml to [base]
POSTing file ipod_video.xml to [base]
POSTing file manufacturers.xml to [base]
POSTing file mem.xml to [base]
POSTing file money.xml to [base]
POSTing file monitor.xml to [base]
POSTing file monitor2.xml to [base]
POSTing file mp500.xml to [base]
POSTing file sd500.xml to [base]
POSTing file solr.xml to [base]
POSTing file utf8-example.xml to [base]
POSTing file vidcard.xml to [base]
14 files indexed.
COMMITting Solr index changes to http://localhost:8983/solr/techproducts/update...
Time spent: 0:00:00.488

Solr techproducts example launched successfully. Direct your Web browser to http://localhost:8983/solr to visit the Solr Admin UI

默认启用8983端口，此时只会启动一个实例。如果不确定solr是否已经在运行，使用staus命令来查看：

./solr status

Found 1 Solr nodes: 

Solr process 4113 running on port 8983
{
  "solr_home":"/Users/mazhiqiang/develop/tools/solr-5.5.0/example/techproducts/solr",
  "version":"5.5.0 2a228b3920a07f930f7afb6a42d0d20e184a943c - mike - 2016-02-16 15:22:52",
  "startTime":"2016-04-07T01:46:13.62Z",
  "uptime":"0 days, 0 hours, 9 minutes, 51 seconds",
  "memory":"56.8 MB (%11.6) of 490.7 MB"}

可以看到我们通过-e techproducts启动的进程，只会启动一个Solr节点（因为我们并没有采用Cloud模式），这边甚至可以看出其内存占用率。

最简单的查询，可以在浏览器中写下下面的url：

http://localhost:8983/solr/techproducts/select?q=video

注意URL中主要包含主机名（localhost)，端口号（8983），应用名称（solr），请求查询的处理器（select），最后是查询（q=video），最终出来的结果为xml格式，当然也可以非常容易地切换成不同的输出格式，例如JSON，PHP，Ruby，或者用户自定义格式。

 
    <response>
<lst name="responseHeader">
<int name="status">0</int>
<int name="QTime">4</int>
<lst name="params">
<str name="q">video</str>
</lst>
</lst>
<result name="response" numFound="3" start="0">
<doc>
<str name="id">MA147LL/A</str>
<str name="name">Apple 60 GB iPod with Video Playback Black</str>
<str name="manu">Apple Computer Inc.</str>
<str name="manu_id_s">apple</str>
<arr name="cat">
<str>electronics</str>
<str>music</str>
</arr>
<arr name="features">
<str>iTunes, Podcasts, Audiobooks</str>
<str>
Stores up to 15,000 songs, 25,000 photos, or 150 hours of video
</str>
<str>
2.5-inch, 320x240 color TFT LCD display with LED backlight
</str>
<str>Up to 20 hours of battery life</str>
<str> 
   
   

这里就是根据最新版本5.5.0相关文档而编写的简要入门文档，对于solr的进一步入门，我们后续再继续探讨