之所以说是“小”数据,是针对大数据而言的,我还没有巨量数据,不想用Hadoop, Spark, Storm 再加上Mahout这样的思路起步。 对于数据量特别大,结构特别复杂的系统来说,搜索和推荐是一个技术含量相对较高的工作。一般的应用,通过现有的Apache的开源项目做一些简单的配置也可以实现。在实际的使用中,这样的搭配在功能上,性能上和可扩展性上能够满足现有的需求。 Solr 的User’s Guide虽然很厚,真的要用的时候发现,搭建一个demo容易,但是在实际使用方面可能会遇到很多问题,而且答案不太好找。先谈一下我遇到的两个小问题:(1)和数据库连接的问题 (2)位置搜索中位置信息的数据结构的处理。 Solr在Mac OS上面的安装比较容易,用homebrew 安装solr以后,在 /usr/local/Cellar/solr/5.3.1/ 的目录下面有几个目录 bin, example 和server。敲 ./solr start启动服务。 访问http://localhost:8983 就可以看到一个控制台页面了。找到“Core Admin”, 选择"Add core"。界面如图: 可以看到配置的时候几个关键的参数,创建好这个Core Admin, 就能够在Core Selector中看到了。其中solrconfig.xml 和schema.xml 是接下来我们要处理的两个配置文件。 (1)连接Mysql 数据库的配置 在 /usr/local/Cellar/solr/5.3.1/server/solr 中找到这个Core Admin, 我这个名字叫YIDU: 配置文件的目录 :usr/local/Cellar/solr/5.3.1/server/solr/YiDu/conf 1)在solrconfig.xml里面配置一下 dataimport, 告诉solr, 我要导入数据了: [AppleScript] 纯文本查看 复制代码 ? 1 2 3 4 5 < requestHandler name = "/dataimport" class = "org.apache.solr.handler.dataimport.DataImportHandler" > < lst name = "defaults" > < str name = "config" > data - config.xml < / str > < / lst > < / requestHandler > 2)在data-config.xml 里面这么写,告诉solr, 我要连接mysql, 运行这个sql 语句把数据给取出来: [AppleScript] 纯文本查看 复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 < dataConfig > < dataSource type = "JdbcDataSource" driver = "com.mysql.jdbc.Driver" url = "jdbc:mysql://XXXXX" user = “admin " password=“password" / > < document > < entity name = "t_userinfo" transformer = "script:puttwodouble" pk = "c_id" query = “sql statement "> <field column=" c_id " name=" c_id "/> <field column=" c_name " name=" c_name "/> <field column=" c_longitude " name=" location_ 1 _coordinate "/> <field column=" c_latitude " name=" location_ 0 _coordinate" / > < / entity > < / document > < / dataConfig > 3) 回过头来再在schema.xml 里面把这些结果反应到solr的数据结构上: [AppleScript] 纯文本查看 复制代码 ? 1 2 3 < field name = "c_id" type = "string" indexed = "true" stored = "true" required = "true" multiValued = "false" / > < field name = "c_name" type = "text_ws" indexed = "true" stored = "true" / > < field name = "location" type = "location" indexed = "true" stored = "true" / > 这3步做好了,mysql里面的数据就可以通过solr连接上了。 (2)位置搜索的数据结构处理 我在MySQL里面经纬度是两个column, solr 的location的数据类型不是这么处理的,需要在取数据的时候把两个数据并一下,符合solr的数据结构定义。 1)在data-config 中这么写: [AppleScript] 纯文本查看 复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 < script > < ![CDATA[ function puttwodouble ( row ) { var attrVal 1 = row. get ( "c_latitude" ) ; var attrVal 2 = row. get ( "c_longitude" ) ; var attrVal = attrVal 1 + "," + attrVal 2 ; arr. add ( attrVal 1 ) ; arr. add ( attrVal 2 ) ; row.put ( "location" , attrVal ) ; return row; } ]] > < / script > 这里,用了个script 把两条数据并了起来。 2)在schema.xml 里面可以找到这句话: [AppleScript] 纯文本查看 复制代码 ? 1 2 < ! -- A specialized field for geospatial search. If indexed, this fieldType must not be multivalued. --> < fieldType name = "location" class = "solr.LatLonType" subFieldSuffix = "_coordinate" / > 相应地这个field的定义就是告诉solr, location我给你弄好了,放好: [AppleScript] 纯文本查看 复制代码 ? 1 < field name = "location" type = "location" indexed = "true" stored = "true" / > Admin Console的界面如下图: 以上是开始研究solr的功能和性能特点,逐步根据需求定制化的基础。 我把solr 的学习分成三个部分: 初级:安装配置和查询 中级:数据结构定义,index, Analyzer,tokenizer以及Filter和Query的使用 高级:Cloud, 自定义tokenizer 和 filter 以及 Debug 和 调优 其中,针对自己的需求,可以对solr做一些定制化:比如solr在做文字匹配的时候,可能会把出现频率比较高的关键字作为噪音过滤掉,而在一些应用场景中,这个看起来合理的处理方式带来一些麻烦。再比如,不同的数据可能对实时性的需求不同,因此对元数据的index方式也不能一刀切。 从搜索和推荐模型的角度,有这么几个问题需要解决: 1)数据预处理 i) 元数据的标准化 ii)元数据的预处理 2)推荐/应用系统 3)推荐算法(模型) 4)推荐效果评估 在应用中使用Solr, 上述两个列举出来的部分也很重要,但是限于篇幅这些问题就不在这个部分讨论了,有兴趣的朋友,可以通过订阅号交流沟通,互相学习。 在选择推荐系统的时候,有不少资源可以参考。比如:在Quora 搜一下Solr能够找到不少很好的文章。我也学习了Lucene, Sphinx, Mahout。其中 Mahout 提供了不少推荐算法,是一个值得学习的工具。 http://www.aboutyun.com/thread-17861-1-1.html 来源:用Solr快速搭建“小”数据的搜索和推荐功能的起手式 分享到: QQ