索引：基于Solr DIH实现MySQL表数据全量索引和增量索引

2饿1二

问题导读：
1、如何配置Solr 的索引？
2.Solr DIH组件的实现类是什么？
3.全量索引如何配置？
4.增量索引如何配置？




实现MySQL表数据全量索引和增量索引，基于Solr DIH组件实现起来比较简单，只需要重复使用Solr的DIH（Data Import Handler）组件，对data-config.xml进行简单的修改即可。Solr DIH组件的实现类为org.apache.solr.handler.dataimport.DataImportHandler，在Solr的solrconfig.xml中配置两个handler，配置分别说明如下。


全量索引
solrconfig.xml配置如下：

• <requestHandler name="/dataimport"
•      class="org.apache.solr.handler.dataimport.DataImportHandler">
•      <lst name="defaults">
•           <str name="config">data-config.xml</str>
•      </lst>
• </requestHandler>
• 
  

复制代码

上面这个是针对全量索引的，主要是配置data-config.xml文件，示例如下所示：

• <dataConfig>
•     <dataSource name="jdbc" driver="com.mysql.jdbc.Driver"
•         url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"
•         user="developer" password="sedept@shiyanjun.cn"/>
•     <document name="mkt_data">
•         <entity name="marketing_data" pk="id"
•                 query="select * from marketing_data limit ${dataimporter.request.length} offset ${dataimporter.request.offset}"
•                 transformer="RegexTransformer">
•             <field column="id" name="id" />
•             <field column="domain" name="domain" />
•             <field column="alex_rank" name="alex_rank" />
•             <field column="server_port" name="server_port" />
•             <field column="cert_validity_notBefore" name="cert_validity_notBefore" />
•             <field column="cert_validity_notAfter" />
•             <field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>
•             <field column="cert_issuer_brand" name="cert_issuer_brand" />
•             <field column="cert_validation" name="cert_validation" />
•             <field column="cert_isMultiDomain" name="cert_isMultiDomain" />
•             <field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />
•             <field column="cert_isWildcard" name="cert_isWildcard" />
•             <field column="cert_notAfter" name="cert_notAfter" />
•             <field column="special_ssl" name="special_ssl" />
•             <field column="competitor_logo" name="competitor_logo" />
•             <field column="segment" name="segment" />
•         </entity>
•     </document>
• </dataConfig>
• 
  

复制代码

上面主要是通过内置变量 “${dataimporter.request.length}”和 “${dataimporter.request.offset}”来设置一个批次索引的数据表记录数，请求的URL示例如下：

• http://172.0.8.212:8080/search-server/core0/dataimport?command=full-import&commit=true&clean=false&offset=1000000&length=100000
  

复制代码

上面表示，对数据表中id范围为[10000000, 1100000]的记录进行索引，因为数据表可能达到千万记录数，而且线上有业务在操作数据库，所以要选择分批进行索引。



增量索引
solrconfig.xml配置如下：

• <requestHandler name="/deltaimport" class="org.apache.solr.handler.dataimport.DataImportHandler">
•         <lst name="defaults">
•           <str name="config">delta-data-config.xml</str>
•         </lst>
•    </requestHandler>
• 上面定义请求的接口为“deltaimport”，对应的配置文件delta- data-config.xml内容如下所示：
• <dataConfig>
•     <dataSource name="jdbc" driver="com.mysql.jdbc.Driver"
•         url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"
•         user="developer" password="sedept@shiyanjun.cn"/>
•     <document name="mkt_data">
•         <entity name="marketing_data" pk="id"
•                 query="select * from marketing_data"
•                 deltaImportQuery="select * from marketing_data where id='${dih.delta.id}'"
•                 deltaQuery="select id from marketing_data where updated_at > '${dih.last_index_time}'"
•                 transformer="RegexTransformer">
•             <field column="id" name="id" />
•             <field column="domain" name="domain" />
•             <field column="alex_rank" name="alex_rank" />
•             <field column="server_port" name="server_port" />
•             <field column="cert_validity_notBefore" name="cert_validity_notBefore" />
•             <field column="cert_validity_notAfter" />
•             <field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>
•             <field column="cert_issuer_brand" name="cert_issuer_brand" />
•             <field column="cert_validation" name="cert_validation" />
•             <field column="cert_isMultiDomain" name="cert_isMultiDomain" />
•             <field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />
•             <field column="cert_isWildcard" name="cert_isWildcard" />
•             <field column="cert_notAfter" name="cert_notAfter" />
•             <field column="special_ssl" name="special_ssl" />
•             <field column="competitor_logo" name="competitor_logo" />
•             <field column="segment" name="segment" />
•         </entity>
•     </document>
• </dataConfig>
• 
  

复制代码

上面主要是通过内置变量“${dih.delta.id}”和 “${dih.last_index_time}”来记录本次索引的id和最后索引时间。这里，会保存在deltaimport.properties文件中，示例如下：

• #Sat Feb 16 17:48:49 CST 2013
• last_index_time=2013-02-16 17\:48\:48
• marketing_data.last_index_time=2013-02-16 17\:48\:48
• 
  

复制代码

请求增量索引的接口为“deltaimport”，可以写一个定时脚本，例如每隔一天执行一次 （一天索引一次，只索引数据表中更新的记录），请求URL示例如下：

• 172.0.8.212:8080/search-server/core0/dataimport?command=delta-import
• 
  

复制代码

有关“query”，“deltaImportQuery”， “deltaQuery”的解释，引用官网说明，如下所示：

The query gives the data needed to populate fields of the Solr document in full-import

The deltaImportQuery gives the data needed to populate fields when running a delta-import

The deltaQuery gives the primary keys of the current entity which have changes since the last index time

还有更灵活的索引方式，未完待续。