分佈式全文檢索系統SolrCloud簡介

轉載自：http://tech.uc.cn/?p=2387

本文簡單描述SolrCloud的特性，基本結構和入門，基於Solr4.5版本。

Lucene是一個Java語言編寫的利用倒排原理實現的文本檢索類庫。Solr是以Lucene爲基礎實現的文本檢索應用服務。

SolrCloud是Solr4.0版本開發出的具有開創意義的基於Solr和Zookeeper的分佈式搜索方案，或者可以說，SolrCloud是Solr的一種部署方式。Solr可以以多種方式部署，例如單機方式，多機Master-Slaver方式，這些方式部署的Solr不具有SolrCloud的特色功能。

特色

SolrCloud有幾個特色功能：

1. 集中式的配置信息

   使用ZK進行集中配置。啓動時可以指定把Solr的相關配置文件上傳Zookeeper，多機器共用。這些ZK中的配置不會再拿到本地緩存，Solr直接讀取ZK中的配置信息。配置文件的變動，所有機器都可以感知到。

   另外，Solr的一些任務也是通過ZK作爲媒介發佈的。目的是爲了容錯。接收到任務，但在執行任務時崩潰的機器，在重啓後，或者集羣選出候選者時，可以再次執行這個未完成的任務。

2. 自動容錯

   SolrCloud對索引分片，並對每個分片創建多個Replication。每個Replication都可以對外提供服務。一個Replication掛掉不會影響索引服務。

   更強大的是，它還能自動的在其它機器上幫你把失敗機器上的索引Replication重建並投入使用。

3. 近實時搜索

   立即推送式的replication（也支持慢推送）。可以在秒內檢索到新加入索引。

4. 查詢時自動負載均衡

   SolrCloud索引的多個Replication可以分佈在多臺機器上，均衡查詢壓力。如果查詢壓力大，可以通過擴展機器，增加Replication來減緩。

5. 自動分發的索引和索引分片

   發送文檔到任何節點，它都會轉發到正確節點。

6. 事務日誌

   事務日誌確保更新無丟失，即使文檔沒有索引到磁盤。

其它值得一提的功能有：

1. 索引存儲在HDFS上

   索引的大小通常在G和幾十G，上百G的很少，這樣的功能或許很難實用。但是，如果你有上億數據來建索引的話，也是可以考慮一下的。我覺得這個功能最大的好處或許就是和下面這個“通過MR批量創建索引”聯合實用。

2. 通過MR批量創建索引

   有了這個功能，你還擔心創建索引慢嗎？

3. 強大的RESTful API

   通常你能想到的管理功能，都可以通過此API方式調用。這樣寫一些維護和管理腳本就方便多了。

4. 優秀的管理界面

   主要信息一目瞭然；可以清晰的以圖形化方式看到SolrCloud的部署分佈；當然還有不可或缺的Debug功能。

概念

• Collection：在SolrCloud集羣中邏輯意義上的完整的索引。它常常被劃分爲一個或多個Shard，它們使用相同的Config Set。如果Shard數超過一個，它就是分佈式索引，SolrCloud讓你通過Collection名稱引用它，而不需要關心分佈式檢索時需要使用的和Shard相關參數。

• Config Set: Solr Core提供服務必須的一組配置文件。每個config set有一個名字。最小需要包括solrconfig.xml (SolrConfigXml)和schema.xml (SchemaXml)，除此之外，依據這兩個文件的配置內容，可能還需要包含其它文件。它存儲在Zookeeper中。Config sets可以重新上傳或者使用upconfig命令更新，使用Solr的啓動參數bootstrap_confdir指定可以初始化或更新它。

• Core: 也就是Solr Core，一個Solr中包含一個或者多個Solr Core，每個Solr Core可以獨立提供索引和查詢功能，每個Solr Core對應一個索引或者Collection的Shard，Solr Core的提出是爲了增加管理靈活性和共用資源。在SolrCloud中有個不同點是它使用的配置是在Zookeeper中的，傳統的Solr core的配置文件是在磁盤上的配置目錄中。

• Leader: 贏得選舉的Shard replicas。每個Shard有多個Replicas，這幾個Replicas需要選舉來確定一個Leader。選舉可以發生在任何時間，但是通常他們僅在某個Solr實例發生故障時纔會觸發。當索引documents時，SolrCloud會傳遞它們到此Shard對應的leader，leader再分發它們到全部Shard的replicas。

• Replica: Shard的一個拷貝。每個Replica存在於Solr的一個Core中。一個命名爲“test”的collection以numShards=1創建，並且指定replicationFactor設置爲2，這會產生2個replicas，也就是對應會有2個Core，每個在不同的機器或者Solr實例。一個會被命名爲test_shard1_replica1，另一個命名爲test_shard1_replica2。它們中的一個會被選舉爲Leader。

• Shard: Collection的邏輯分片。每個Shard被化成一個或者多個replicas，通過選舉確定哪個是Leader。

• Zookeeper: Zookeeper提供分佈式鎖功能，對SolrCloud是必須的。它處理Leader選舉。Solr可以以內嵌的Zookeeper運行，但是建議用獨立的，並且最好有3個以上的主機。

架構

• 索引（collection）的邏輯圖

• 索引和Solr實體對照圖

• 創建索引過程

• 檢索過程

• Shard Splitting

入門

安裝配置

前提，你需要先安裝好Java，6.0+。 假設我們有5臺機器要安裝Solr。

1. 安裝外部zookeeper

   Solr默認是用內置的Zookeeper，爲了方便管理和維護，建議使用外部Zookeeper。

   1 2 3 4 5 6 7 8 9 10 11 12

   wget http://apache.dataguru.cn/zookeeper/zookeeper-3.4.3/zookeeper-3.4.3.tar.gz tar -zxvf zookeeper-3.4.3.tar.gz Java的程序解壓後就可以運行，不需要安裝。 修改或者創建配置文件$ZOOKEEPER_HOME/conf/zoo.cfg，內容如下： # 注意修改爲你的真實路徑 dataDir=/home/hadoop/zookeeper-3.4.3/data clientPort=2181 # 編號從1開始，solr1-3每個是一臺主機，共3個 server.1=solr1:2888:3888 server.2=solr2:2888:3888 server.3=solr3:2888:3888

   在3臺機器上都同樣安裝。

   另外，還需要在$dataDir中配置myid，zookeeper是以此文件確定本機身份。

   1 2 3 4 5

   # 注意每臺機器上的不一樣 echo "1" > myid #在solr1上 echo "2" > myid #在solr2上 echo "3" > myid #在solr3上

   啓動， 需要在3臺機器上分別啓動

   1 2 3 4

   $ZOOKEEPER_HOME/bin/zkServer.sh start # 查看狀態，確認啓動成功 $ZOOKEEPER_HOME/bin/zkServer.sh status

2. Solr安裝下載

   在5臺機上做同樣操作

   1 2 3 4 5 6 7 8 9 10

   wget http://apache.mirrors.pair.com/lucene/solr/4.5.0/solr-4.5.0.tgz tar -xzf solr-4.5.0.tgz cd solr-4.5.0 cp -r example node1 cdo node1 # 第一條solr機器 java -Dbootstrap_confdir=./solr/collection1/conf -Dcollection.configName=myconf -DnumShards=2 -DzkHost=solr1:2181,solr2:2181,solr3:2181 -jar start.jar # 其它solr機器 java -DzkHost=solr1:2181,solr2:2181,solr3:2181 -jar start.jar

   啓動成功後，你可以通過瀏覽器8983看到solr的Web頁面。

3. 索引

   1 2 3

   cd $SOLR_HOME/node1/exampledocs java -Durl=http://solr1:8983/solr/collection1/update -jar post.jar ipod_video.xml

4. 檢索

   你可以在web界面選定一個Core，然後查詢。solr有查詢語法文檔。

5. 如果要想把數據寫到HDFS

   在$SOLR_HOME/node1/solr/collection1/conf/solrconfig.xml 增加

   1 2 3 4 5 6 7 8 9 10 11 12 13 14

   <directoryFactory name="DirectoryFactory" class="solr.HdfsDirectoryFactory">     <str name="solr.hdfs.home">hdfs://mycluster/solr</str>     <bool name="solr.hdfs.blockcache.enabled">true</bool>     <int name="solr.hdfs.blockcache.slab.count">1</int>     <bool name="solr.hdfs.blockcache.direct.memory.allocation">true</bool>     <int name="solr.hdfs.blockcache.blocksperbank">16384</int>     <bool name="solr.hdfs.blockcache.read.enabled">true</bool>     <bool name="solr.hdfs.blockcache.write.enabled">true</bool>     <bool name="solr.hdfs.nrtcachingdirectory.enable">true</bool>     <int name="solr.hdfs.nrtcachingdirectory.maxmergesizemb">16</int>     <int name="solr.hdfs.nrtcachingdirectory.maxcachedmb">192</int>     <str name="solr.hdfs.confdir">${user.home}/local/hadoop/etc/hadoop</int> </directoryFactory>

   重新啓動

   1 2	java -Dsolr.directoryFactory=HdfsDirectoryFactory -Dsolr.lock.type=hdfs -Dsolr.data.dir=hdfs://mycluster/solr -Dsolr.updatelog=hdfs://mycluster/solrlog -jar start.jar

   可以增加如下參數設定直接內存大小，優化Hdfs讀寫速度。

   1 2	-XX:MaxDirectMemorySize=1g

其它

• NRT 近實時搜索

  Solr的建索引數據是要在提交時寫入磁盤的，這是硬提交，確保即便是停電也不會丟失數據；爲了提供更實時的檢索能力，Solr設定了一種軟提交方式。

  軟提交（soft commit）：僅把數據提交到內存，index可見，此時沒有寫入到磁盤索引文件中。

  一個通常的用法是：每1-10分鐘自動觸發硬提交，每秒鐘自動觸發軟提交。

• RealTime Get 實時獲取

  允許通過唯一鍵查找任何文檔的最新版本數據，並且不需要重新打開searcher。這個主要用於把Solr作爲NoSQL數據存儲服務，而不僅僅是搜索引擎。

  Realtime Get當前依賴事務日誌，默認是開啓的。另外，即便是Soft Commit或者commitwithin，get也能得到真實數據。 注：commitwithin是一種數據提交特性，不是立刻，而是要求在一定時間內提交數據

參考文檔

• Solr查詢語法
• 入門
• 詳細入門文檔
• 詳細文檔
• solrCloud 索引更新邏輯學習筆記
• 官方文檔
• SolrReplication

您可能感興趣的文章

• zookeeper c 客戶端使用情景分析(1.整體框架)
• Zookeeper開發常見問題
• R語言數據可視化初體驗