solr部署tomcat,整合mysql,中文分词,集群

部署环境:
系统:centos6.5(不限制)
solr:solr-7.1.0
tomcat:8.5.15(至少要8版本)
jdk:1.8.0(至少要8版本)
中文分词:mmseg4j-core-1.10.0(可配置IK,IK可以灵活添加扩展包)
solr环境部署以及创建core:
1.
首先把solr-7.1.0\server\solr-webapp中的webapp目录拷贝到
apache-tomcat-8.5.15下的webapps目录里,重命名为solr;
2.
将solr-7.1.0\server\lib\ext下的所有jar包,以及solr-7.1.0\server\lib下以metrics开头的 jar包
复制到apache-tomcat-8.5.15\webapps\solr\WEB-INF\lib下;
3.
在apache-tomcat-8.5.15\webapps\webapp\WEB-INF中,新建classes文件夹,
将solr-7.1.0\server\resources下的log4j.properties文件拷贝到里面,修改里面的
solr.log=输出日志的路径(请使用/分割,注意不要有中文,避免乱码问题);
4.
然后将solr-7.1.0\server中的solr目录拷贝到E盘,重命名为solrhome;
5.
修改apache-tomcat-8.5.15\webapps\solr\WEB-INF中的web.xml文件:
打开如下注释,修改为solrhome路径(修改web.xml文件,修改env-entry-value的值为 solrhome的绝对位置)

<env-entry>
<env-entry-name>solr/home</env-entry-name>
<env-entry-value>E:/solrhome</env-entry-value>
<env-entry-type>java.lang.String</env-entry-type>
</env-entry>

并注释掉如下代码

<!-- 
<security-constraint>
<web-resource-collection>
<web-resource-name>Disable TRACE</web-resource-name>
<url-pattern>/</url-pattern>
<http-method>TRACE</http-method>
</web-resource-collection>
<auth-constraint/>
</security-constraint>
<security-constraint>
<web-resource-collection>
<web-resource-name>Enable everything but TRACE</web-resource-name>
<url-pattern>/</url-pattern>
<http-method-omission>TRACE</http-method-omission>
</web-resource-collection>
</security-constraint>
-->

6.
solr支持zookeeper搭建集群配置,在这里我们先注释掉,在solrhome文件夹下的solr.xml 文件中,

7、
在sorlhome文件夹下创建【my_solr】文件夹。

8、
将【solr-7.1.0\example\example-DIH\solr\solr】下的conf文件夹以及core.properties拷贝到【my_solr】文件夹下。 并添加core.properties配置,内容如下:
name=my_solr

整合mysql

1、
首先我们在mysql中找个表
2、
将mysql的驱动jar包,copy到(C:\tomcat8\webapps\solr\WEB-INF\lib)下,
3、
修改my_solr文件夹下的conf文件夹下的solr-data-config.xml文件:

echo 1 >> myid

3.
把zookeeper1下conf目录下的zoo_sample.cfg文件复制一份改名为zoo.cfg,并做如下修 改

4.
启动zookeeper。进入zookeeper1/bin目录下。
启动zookeeper:./zkServer.sh start
关闭:./zkServer.sh stop
查看状态:./zkServer.sh status

如果查看状态,出现以下提示说明启动成功
[root@bogon solrcloud]# zookeeper1/bin/zkServer.sh status
JMX enabled by default
Using config: /usr/local/solrcloud/zookeeper1/bin/../conf/zoo.cfg
Mode: follower <====或者 (leader)
(注意:如果只启动一个zookeeper的话,因为找不到其他节点会报错,不用管它,把另外两个起起来就好了)

solr集群的搭建
1.
搭建4个单机版的solr实例,修改各自的tomcat端口,模拟集群环境
(根据上述教程复制4个即可,也可以把通用的依赖jar包提出来放到一个通用目录)
2.
将一个sole_home配置上传到zookeeper集群
切到 solr文件包解压出来的 solr-7.1.0/server/scripts/cloud-scripts 目录下
运行:
./zkcli.sh -zkhost 192.168.1.3:2181,192.168.1.3:2182,192.168.1.3:2183 -cmd upconfig -confdir /opt/tomcat/zsolr_19001/webapps/solr_home/my_solr/conf -confname myconf
-zkhost:指定zookeeper集群的ip地址,端口,用逗号分隔
-cmd:运行指令(upconfig)上传配置文件
-confdir:指定被上传的配置文件路径
-confname:指定zookeeper中上传配置文件的名称
注意:这里my_solr是配置好的一个core,只需要将底下的conf文件夹上传即可,上传完之后这个,zookeeper会将这个配置文件推给其他3个solr实例

查看配置文件是否上传成功:

[root@bogon bin]# ./zkCli.sh

Connecting to localhost:2181

[zk: localhost:2181(CONNECTED) 0] ls /

[configs, zookeeper]

[zk: localhost:2181(CONNECTED) 1] ls /configs

[myconf]

[zk: localhost:2181(CONNECTED) 2] ls /configs/myconf

[admin-extra.menu-top.html, currency.xml, protwords.txt, mapping-FoldToASCII.txt, _schema_analysis_synonyms_english.json, _rest_managed.json, solrconfig.xml, _schema_analysis_stopwords_english.json, stopwords.txt, lang, spellings.txt, mapping-ISOLatin1Accent.txt, admin-extra.html, xslt, synonyms.txt, scripts.conf, update-script.js, velocity, elevate.xml, admin-extra.menu-bottom.html, clustering, schema.xml]

[zk: localhost:2181(CONNECTED) 3]
3.
修改solr_home下的solr.xml文件,指定当前实例运行的ip地址及端口号。

4.
修改每一台solr的tomcat 的 bin目录下catalina.sh文件中加入DzkHost指定 zookeeper服务器地址:
JAVA_OPTS=”-DzkHost=192.168.1.3:2181,192.168.1.3:2182,192.168.1.3:2183” 灰色字体的ip表示 zookeeper集群的ip以及端口号
(可以使用vim的查找功能查找到JAVA_OPTS的定义的位置,然后添加)
5.
重新启动tomcat
如果发现noCodeName的报错

6.
完成

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值