HBase协处理器同步二级索引到Solr(续)

jiang1799

一、 已知的问题和不足　　二、解决思路
　　三、代码
　　3.1 读取config文件内容
　　3.2 封装SolrServer的获取方式
　　3.3 编写提交数据到Solr的代码
　　3.4 拦截HBase的Put和Delete操作信息
　　四、 使用
一、 已知的问题和不足
　　在上一个版本中，实现了使用HBase的协处理器将HBase的二级索引同步到Solr中，但是仍旧有几个缺陷：

• 写入Solr的Collection是写死在代码里面，且是唯一的。如果我们有一张表的数据希望将不同的字段同步到Solr中该如何做呢？
  
• 目前所有配置相关信息都是写死到了代码中的，是否可以添加外部配置文件。
  
• 原来的方法是每次都需要编译新的Jar文件单独运行，能否将所有的同步使用一段通用的代码完成？
  

二、解决思路
　　针对上面的三个主要问题，我们一一解决

• 通常一张表会对应多个SolrCollection以及不同的Column。我们可以使用Map[表名->List[（Collection1，List[Columns]),(Collection2,List[Columns])...]]这样的类型，根据表名获取所有的Collection和Column。
  
• 通过Typesafe Config读取外部配置文件，达到所有信息可配的目的。
  
• 所有的数据都只有Put和Delete，只要我们拦截到具体的消息之后判断当前的表名，然后根据问题一中的Collection和Column即可写入对应的SolrServer。在协处理器中获取表名的是e.getEnvironment().getRegion().getTableDesc().getTableName().getNameAsString()其中e是ObserverContext
  

三、代码
3.1 读取config文件内容
　　使用typesafe的config组件读取morphlines.conf文件，将内容转换为 Map<String,List<HBaseIndexerMappin>>。具体代码如下
　　

　　

• public>
  
•     private static SourceConfig sourceConfig = new SourceConfig();
  
• public static Config config;
  
• static {
  
•         sourceConfig.setConfigFiles("morphlines.conf");
  
•   config =  sourceConfig.getConfig();
  
•   }
  
•     public static Map<String,List<HBaseIndexerMappin>> getHBaseIndexerMappin(){
  
•         Map<String,List<HBaseIndexerMappin>> mappin = new HashMap<String, List<HBaseIndexerMappin>>();
  
•   Config mappinConf = config.getConfig("Mappin");
  
•   List<String> tables = mappinConf.getStringList("HBaseTables");
  
• for (String table :tables){
  
•             List<Config> confList = (List<Config>) mappinConf.getConfigList(table);
  
•   List<HBaseIndexerMappin> maps = new LinkedList<HBaseIndexerMappin>();
  
• for(Config tmp :confList){
  
•                 HBaseIndexerMappin map = new HBaseIndexerMappin();
  
•   map.solrConnetion = tmp.getString("SolrCollection");
  
•   map.columns = tmp.getStringList("Columns");
  
•   maps.add(map);
  
•   }
  
•             mappin.put(table,maps);
  
•   }
  
•         return mappin;
  
•   }
  
• }
  

　　

　　

3.2 封装SolrServer的获取方式
　　因为目前我使用的环境是Solr和HBase公用的同一套Zookeeper，因此我们完全可以借助HBase的Zookeeper信息。HBase的协处理器是运行在HBase的环境中的，自然可以通过HBase的Configuration获取当前的Zookeeper节点和端口，然后轻松的获取到Solr的地址。
　　

　　

• public>
  
•     static Configuration conf = HBaseConfiguration.create();
  
• public static String ZKHost = conf.get("hbase.zookeeper.quorum","bqdpm1,bqdpm2,bqdps2");
  
• public static String ZKPort = conf.get("hbase.zookeeper.property.clientPort","2181");
  
• public static String SolrUrl = ZKHost + ":" + ZKPort + "/" + "solr";
  
• public static int zkClientTimeout = 1800000;// 心跳
  
•   public static int zkConnectTimeout = 1800000;// 连接时间
  
• 
  
•   public static CloudSolrServer create(String defaultCollection){
  
•         log.info("Create SolrCloudeServer .This collection is " + defaultCollection);
  
•   CloudSolrServer solrServer = new CloudSolrServer(SolrUrl);
  
•   solrServer.setDefaultCollection(defaultCollection);
  
•   solrServer.setZkClientTimeout(zkClientTimeout);
  
•   solrServer.setZkConnectTimeout(zkConnectTimeout);
  
• return solrServer;
  
•   }
  
• }
  

　　

　　

3.3 编写提交数据到Solr的代码
　　理想状态下，我们时时刻刻都需要提交数据到Solr中，但是事实上我们数据写入的时间是比较分散的，可能集中再每一天的某几个时间点。因此我们必须保证在高并发下能达到一定数据量自动提交，在低并发的情况下能隔一段时间写入一次。只有两种机制并存的情况下才能保证数据能即时写入。
　　

　　

• public>
  
•     public Map<String,List<SolrInputDocument>> putCache = new HashMap<String, List<SolrInputDocument>>();//Collection名字->更新（插入）操作缓存
  
• public Map<String,List<String>> deleteCache = new HashMap<String, List<String>>();//Collection名字->删除操作缓存
  
•   Map<String,CloudSolrServer> solrServers = new HashMap<String, CloudSolrServer>();//Collection名字->SolrServers
  
• int maxCache =  ConfigManager.config.getInt("MaxCommitSize");
  
•   // 任何时候，保证只能有一个线程在提交索引，并清空集合
  
•   final static Semaphore semp = new Semaphore(1);
  
•   //添加Collection和SolrServer
  
• public void addCollecttion(String collection,CloudSolrServer server){
  
•         this.solrServers.put(collection,server);
  
•   }
  
• //往Solr添加（更新）数据
  
•     public UpdateResponse put(CloudSolrServer server,SolrInputDocument doc) throws IOException, SolrServerException {
  
•         server.add(doc);
  
• return server.commit(false, false);
  
•   }
  
• //往Solr添加（更新）数据
  
•     public UpdateResponse put(CloudSolrServer server,List<SolrInputDocument> docs) throws IOException, SolrServerException {
  
•         server.add(docs);
  
• return server.commit(false, false);
  
•   }
  
• //根据ID删除Solr数据
  
•     public UpdateResponse delete(CloudSolrServer server,String rowkey) throws IOException, SolrServerException {
  
•         server.deleteById(rowkey);
  
• return server.commit(false, false);
  
•   }
  
• //根据ID删除Solr数据
  
•     public UpdateResponse delete(CloudSolrServer server,List<String> rowkeys) throws IOException, SolrServerException {
  
•         server.deleteById(rowkeys);
  
• return server.commit(false, false);
  
•   }
  
• //将doc添加到缓存
  
•     public void addPutDocToCache(String collection, SolrInputDocument doc) throws IOException, SolrServerException, InterruptedException {
  
•         semp.acquire();
  
•   log.debug("addPutDocToCache:" + "collection=" + collection + "data=" + doc.toString());
  
• if(!putCache.containsKey(collection)){
  
•             List<SolrInputDocument> docs = new LinkedList<SolrInputDocument>();
  
•   docs.add(doc);
  
•   putCache.put(collection,docs);
  
•   }else {
  
•             List<SolrInputDocument> cache = putCache.get(collection);
  
•   cache.add(doc);
  
• if (cache.size() >= maxCache) {
  
•                 try {
  
•                     this.put(solrServers.get(collection), cache);
  
•   } finally {
  
•                     putCache.get(collection).clear();
  
•   }
  
•             }
  
•         }
  
•         semp.release();//释放信号量
  
•   }
  
• //添加删除操作到缓存
  
•     public void addDeleteIdCache(String collection,String rowkey) throws IOException, SolrServerException, InterruptedException {
  
•         semp.acquire();
  
•   log.debug("addDeleteIdCache:" + "collection=" + collection + "rowkey=" + rowkey);
  
• if(!deleteCache.containsKey(collection)){
  
•             List<String> rowkeys = new LinkedList<String>();
  
•   rowkeys.add(rowkey);
  
•   deleteCache.put(collection,rowkeys);
  
•   }else{
  
•             List<String> cache = deleteCache.get(collection);
  
•   cache.add(rowkey);
  
• if (cache.size() >= maxCache) {
  
•                 try{
  
•                     this.delete(solrServers.get(collection),cache);
  
•   }finally {
  
•                     putCache.get(collection).clear();
  
•   }
  
•             }
  
•         }
  
•         semp.release();//释放信号量
  
•   }
  
• 
  
•     @Override
  
•   public void run() {
  
•         try {
  
•             semp.acquire();
  
•   log.debug("开始插入....");
  
•   Set<String> collections =  solrServers.keySet();
  
• for(String collection:collections){
  
•                 if(putCache.containsKey(collection) && (!putCache.get(collection).isEmpty()) ){
  
•                     this.put(solrServers.get(collection),putCache.get(collection));
  
•   putCache.get(collection).clear();
  
•   }
  
•                 if(deleteCache.containsKey(collection) && (!deleteCache.get(collection).isEmpty())){
  
•                     this.delete(solrServers.get(collection),deleteCache.get(collection));
  
•   deleteCache.get(collection).clear();
  
•   }
  
•             }
  
•         } catch (InterruptedException e) {
  
•             e.printStackTrace();
  
•   } catch (Exception e) {
  
•             log.error("Commit putCache to Solr error!Because :" + e.getMessage());
  
•   }finally {
  
•             semp.release();//释放信号量
  
•   }
  
•     }
  
• }
  

　　

　　

3.4 拦截HBase的Put和Delete操作信息
　　在每个prePut和preDelete中拦截操作信息，记录表名、列名、值。将这些信息根据表名和Collection名进行分类写入缓存。
　　

　　

• public>
  
• 
  
•     Map<String,List<HBaseIndexerMappin>> mappins = ConfigManager.getHBaseIndexerMappin();
  
• 
  
•   Timer timer = new Timer();
  
• int maxCommitTime = ConfigManager.config.getInt("MaxCommitTime"); //最大提交时间，s
  
•   SolrCommitTimer solrCommit = new SolrCommitTimer();
  
• public HBaseIndexerToSolrObserver(){
  
•         log.info("Initialization HBaseIndexerToSolrObserver ...");
  
• for(Map.Entry<String,List<HBaseIndexerMappin>> entry : mappins.entrySet() ){
  
•             List<HBaseIndexerMappin> solrmappin = entry.getValue();
  
• for(HBaseIndexerMappin map:solrmappin){
  
•                 String collection = map.solrConnetion;//获取Collection名字
  
•   log.info("Create Solr Server connection .The collection is " + collection);
  
•   CloudSolrServer solrserver = SolrServerManager.create(collection);//根据Collection初始化SolrServer连接
  
•   solrCommit.addCollecttion(collection,solrserver);
  
•   }
  
•         }
  
•         timer.schedule(solrCommit, 10 * 1000L, maxCommitTime * 1000L);
  
•   }
  
• 
  
•     @Override
  
•   public void postPut(ObserverContext<RegionCoprocessorEnvironment> e,
  
•   Put put, WALEdit edit, Durability durability) throws IOException {
  
•         String table =  e.getEnvironment().getRegion().getTableDesc().getTableName().getNameAsString();//获取表名
  
•   String rowkey= Bytes.toString(put.getRow());//获取主键
  
•   SolrInputDocument doc = new SolrInputDocument();
  
•   List<HBaseIndexerMappin> mappin = mappins.get(table);
  
• for(HBaseIndexerMappin mapp : mappin){
  
•             for(String column : mapp.columns){
  
•                 String[] tmp = column.split(":");
  
•   String cf = tmp[0];
  
•   String cq = tmp[1];
  
• if(put.has(Bytes.toBytes(cf),Bytes.toBytes(cq))){
  
•                     Cell cell = put.get(Bytes.toBytes(cf),Bytes.toBytes(cq)).get(0);//获取制定列的数据
  
•   Map<String, String > operation = new HashMap<String,String>();
  
•   operation.put("set",Bytes.toString(CellUtil.cloneValue(cell)));
  
•   doc.setField(cq,operation);//使用原子更新的方式将HBase二级索引写入Solr
  
•   }
  
•             }
  
•             doc.addField("id",rowkey);
  
• try {
  
•                 solrCommit.addPutDocToCache(mapp.solrConnetion,doc);//添加doc到缓存
  
•   } catch (SolrServerException e1) {
  
•                 e1.printStackTrace();
  
•   } catch (InterruptedException e1) {
  
•                 e1.printStackTrace();
  
•   }
  
•         }
  
•     }
  
• 
  
•     @Override
  
•   public void postDelete(ObserverContext<RegionCoprocessorEnvironment> e,
  
•   Delete delete,
  
•   WALEdit edit,
  
•   Durability durability) throws IOException{
  
•         String table =  e.getEnvironment().getRegion().getTableDesc().getTableName().getNameAsString();
  
•   String rowkey= Bytes.toString(delete.getRow());
  
•   List<HBaseIndexerMappin> mappin = mappins.get(table);
  
• for(HBaseIndexerMappin mapp : mappin){
  
•             try {
  
•                 solrCommit.addDeleteIdCache(mapp.solrConnetion,rowkey);//添加删除操作到缓存
  
•   } catch (SolrServerException e1) {
  
•                 e1.printStackTrace();
  
•   } catch (InterruptedException e1) {
  
•                 e1.printStackTrace();
  
•   }
  
•         }
  
• 
  
•     }
  
• 
  
• }
  

　　

　　

四、 使用
　　首先需要添加morphlines.conf文件。里面包含了需要同步数据到Solr的HBase表名、对应的Solr Collection的名字、要同步的列、多久提交一次、最大批次容量的相关信息。具体配置如下：
　　

　　

• #最大提交时间（单位：秒）
  
• MaxCommitTime = 30
  
• #最大批次容量
  
• MaxCommitSize = 10000
  
• 
  
• Mappin {
  
•   HBaseTables: ["HBASE_OBSERVER_TEST"] #需要同步的HBase表名
  
•   "HBASE_OBSERVER_TEST": [
  
•     {
  
•       SolrCollection: "bqjr" #Solr Collection名字
  
•   Columns: [
  
•         "cf1:test_age",   #需要同步的列，格式<列族:列>
  
•   "cf1:test_name"
  
•   ]
  
•     },
  
•   ]
  
• }
  

　　

　　

　　该配置文件默认放在各个节点的/etc/hbase/conf/下。如果你希望将配置文件路径修改为其他路径，请修改com.bqjr.bigdata.HBaseObserver.comm.config.SourceConfig类中的configHome路径。
　　然后将代码打包，上传到HDFS中，将协处理器添加到对应的表中。
　　

　　

• #先禁用这张表
  
• disable 'HBASE_OBSERVER_TEST'
  
• #为这张表添加协处理器,设置的参数具体为： jar文件路径|类名|优先级（SYSTEM或者USER）
  
• alter 'HBASE_OBSERVER_TEST','coprocessor'=>'hdfs://hostname:8020/ext_lib/HBaseObserver-1.0.0.jar|com.bqjr.bigdata.HBaseObserver.server.HBaseIndexerToSolrObserver||'
  
• #启用这张表
  
• enable 'HBASE_OBSERVER_TEST'
  
• #删除某个协处理器，"$<bumber>"后面跟的ID号与desc里面的ID号相同
  
• alter 'HBASE_OBSERVER_TEST',METHOD=>'table_att_unset',NAME => 'coprocessor$1'
  

　　

　　

　　如果需要新增一张表同步到Solr。只需要修改morphlines.conf文件，分发倒各个节点。然后将协处理器添加到HBase表中，这样就不用再次修改代码了。