Solr Facet技术的应用与研究

lsdwyl

问题背景
　　在《搜索引擎关键字智能提示的一种实现》一文中介绍过，美团的CRM系统负责管理销售人员的门店(POI)和项目(DEAL)信息，提供统一的检索功能，其索引层采用的是SolrCloud。在用户搜索时，如果能直观地给出每个品类的POI数目，各个状态的DEAL数目，可以更好地引导用户进行搜索，进而提升搜索体验。
需求分析
　　例如，下图是用户搜索项目(DEAL)的界面，当选中一个人或者组织节点后，需要实时显示状态分组和快捷分组的每个项的DEAL数目：

　　为了实现上述导航效果，可以采用以下两个方案：
方案一, 针对每个导航项发送一个Ajax请求，去Solr服务器查询对应的DEAL数目。该方案问题在于，当导航项比较多时，扩展性不好。　　

　　
方案二, 应用Solr自带的Facet技术实现以导航为目的的搜索，查询结果根据分类添加count信息。
　　DEAL的Solr索引设计如下：
schema.xml：　　
       //deal id
　　
   //标题
　　
        //负责人id
　　
  //项目开始时间
　　
    //项目结束时间
　　
       //项目状态
　　
  //是否可以购买
　　
...省略
　　
本文的例子中用于facet的字段有status，can_buy，begin_time，end_time
　　注：
　　Facet的字段必须被索引，无需分词，无需存储。无需分词是因为该字段的值代表了一个整体概念，无需存储是因为一般而言用户所关心的并不是该字段的具体值，而是作为对查询结果进行分组的一种手段，用户一般会沿着这个分组进一步深入搜索。
Solr>　　Facet是Solr的高级搜索功能之一，Solr作者给出的定义是导航(Guided Navigation)、参数化查询(Paramatic Search)。Facet的主要好处是在搜索的同时，可以按照Facet条件进行分组统计，给出导航信息，改善搜索体验。Facet搜索主要分为以下几类：
　　1. Field>
　　搜索结果按照Facet的字段分组并统计，Facet字段通过在请求中加入”facet.field”参数加以声明，如果需要对多个字段进行Facet查询，那么将该参数声明多次，Facet字段必须被索引。例如，以下表达式是以DEAL的status和can_buy属性为facet.field进行查询：
select?q=*:*&facet=true&facet.field=status&facet.field=can_buy&wt=json　　Facet查询需要在请求参数中加入”facet=on”或者”facet=true”让Facet组件起作用，返回结果：
"facet_counts”: {　　
     "facet_queries": {},
　　
     "facet_fields":  { "status": [ "32", 96,
　　
                                     "0", 40,
　　
                                     "8", 81,
　　
                                    "16", 50,
　　
                                   "127", 80,
　　
                                    "64", 27 ] ,
　　

　　
                       "can_buy": [ "true", 236,
　　
                                    "false", 21 ]
　　
                      },
　　
     "facet_dates": {},
　　
     "facet_ranges": {}
　　
}
　　分组count信息包含在“facet_fields”中，分别按照"status"和“can_buy”的值分组，比如状态为32的DEAL数目有96个，能购买的DEAL数目(can_buy=true)是236。

　　Field> facet.field：Facet的字段　　
facet.prefix：Facet字段前缀
　　
facet.limit：Facet字段返回条数
　　
facet.offset：开始条数，偏移量，它与facet.limit配合使用可以达到分页的效果
　　
facet.mincount：Facet字段最小count，默认为0
　　
facet.missing：如果为on或true，那么将统计那些Facet字段值为null的记录
　　
facet.method：取值为enum或fc，默认为fc，fc表示Field Cache
　　
facet.enum.cache.minDf：当facet.method=enum时，参数起作用，文档内出现某个关键字的最少次数
　　2. Date>

　　日期类型的字段在索引中很常见，如DEAL上线时间，线下时间等，某些情况下需要针对这些字段进行Facet。时间字段的取值有无限性，用户往往关心的不是某个时间点而是某个时间段内的查询统计结果，Solr为日期字段提供了更为方便的查询统计方式。字段的类型必须是DateField(或其子类型)。需要注意的是，使用Date>
　　与Field>　　3.>
　　Facet Query利用类似于filter query的语法提供了更为灵活的Facet。通过facet.query参数，可以对任意字段进行筛选。
基于Solr>　　本文的例子，需要查询DEAL的“状态”和“快捷选项”导航信息。由于，有的状态DEAL数目不仅与状态(status)字段有关，还与开始时间(begin_time)和(end_time)相关，且各个快捷选项的DEAL数目的计算字段各不相同，要求比较灵活的查询，所以本文拟采用Facet Query方式实现。
　　以下代码是采用solrJ构造facet查询对象的过程：
public SolrQuery buildFacetQuery(Date now) {　　
    SolrQuery solrQuery = new SolrQuery();
　　

　　
    solrQuery.setFacet(true);//设置facet=on
　　
    solrQuery.setFacetLimit(10);//限制facet返回的数量
　　
    solrQuery.setQuery("*:*");
　　

　　
    long nowTime = now.getTime() / 1000;
　　
    long minTime = minTimeStamp;
　　
    long maxTime = maxTimeStamp;
　　

　　
    solrQuery.addFacetQuery("status:0");  //待撰写
　　
    solrQuery.addFacetQuery("status:8");  //撰写中
　　
    solrQuery.addFacetQuery("status:16"); //已终审
　　
    solrQuery.addFacetQuery("status:32 AND " + "begin_time:[" + nowTime + " TO " + maxTime + " ]");      //已上架-待上线
　　
    solrQuery.addFacetQuery("status:32 AND " + "begin_time:[" + minTime + " TO " + nowTime + "] AND " +  //已上架-上线中
　　
            "end_time:[" + nowTime + " TO " + maxTime + " ]");
　　
    solrQuery.addFacetQuery("status:32 AND " + "end_time:[" +  minTime + " TO " + nowTime + "]");  //已上架-已下线
　　

　　
    return solrQuery;
　　
}
　　说明：
　　"status:0" 查询满足条件的结果集中status=0的Deal数目,
　　"status:32 AND " + "begin_time:[" + nowTime + " TO " + maxTime + " ]”，查询满足条件的结果集中，status=32且begin_time大于现在时间的Deal数目,
　　依次类推
　　返回结果:
"status:0":756,　　
"status:8":28,
　　
"status:16":21,
　　
"status:32 AND begin_time:[1401869128 TO 1956499199 ]":4,
　　
"status:32 AND begin_time:[0 TO 1401869128] AND end_time:[1401869128 TO 1956499199 ]":41,
　　
"status:32 AND end_time:[0 TO 1401869128]":10}
　　上述结果可知，“已上架-待上线”导航项对应的DEAL数为4个。
Solr>　　1. Solr HTTP请求分发
　　当一个Restful(HTTP)查询请求到达SolrCloud服务器，首先由SolrDispatchFilter(实现javax.servlet.Filter)处理，该类负责分发请求到相应的SolrRequestHandler。具体分发操作在SolrDispatchFilter的doFilter方法中进行：
public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain, boolean retry) {　　
             ......
　　
        handler = core.getRequestHandler( path );
　　
        if( handler == null && parser.isHandleSelect() ) {
　　
          if( "/select".equals( path ) || "/select/".equals( path ) ) {
　　

　　
            solrReq = parser.parse( core, path, req );
　　
            String qt = solrReq.getParams().get( CommonParams.QT );
　　
            handler = core.getRequestHandler( qt );                 //分发到相应的handler
　　
             .......
　　

　　
     if( handler != null ) {
　　
              ......
　　
            this.execute( req, handler, solrReq, solrRsp );       //处理请求
　　
            HttpCacheHeaderUtil.checkHttpCachingVeto(solrRsp, resp, reqMethod);
　　
              ......
　　
        return;
　　
      }
　　
    }
　　
}
　　

　　
protected void execute( HttpServletRequest req, SolrRequestHandler handler, SolrQueryRequest sreq, SolrQueryResponse rsp) {
　　
   sreq.getContext().put( "webapp", req.getContextPath() );
　　
   sreq.getCore().execute( handler, sreq, rsp );
　　
}
　　接着，调用solrCore的execute方法：
public void execute(SolrRequestHandler handler, SolrQueryRequest req, SolrQueryResponse rsp) {　　
     ......
　　
handler.handleRequest(req,rsp);   // handler处理请求
　　
postDecorateResponse(handler, req, rsp);
　　
     ......
　　
}
　　从上述代码逻辑可以看出，请求的实际处理是由SolrRequestHandler来完成的。
　　2. SolrRequestHandler处理过程
　　SolrRequestHandler的类继承结构，如下图所示：

　　SolrRequestHandler请求处理器的接口，只有两个方法，一个是初始化信息，主要是配置时的默认参数，另一个就是处理请求的接口。
　　具体处理逻辑主要由SearchHandler类实现。
public interface SolrRequestHandler extends SolrInfoMBean {　　
   public void init(NamedList args);   //初始化信息
　　
   public void handleRequest(SolrQueryRequest req, SolrQueryResponse rsp);  //处理请求
　　
}
　　SearchHandler实现SolrRequestHandler，SolrCoreAware，在SolrCore初始化的过程中调用SolrRequestHandler中的inform(SolrCore core)，首先是将solrconfig.xml里配置的各个处理组件按一定顺序组装起来，先是first-Component，默认的component，last-component，这些处理组件会按照它们的顺序来执行。如果没有配置，则加载默认组件，方法如下：
protected List getDefaultComponents()　　
{
　　
   ArrayList names = new ArrayList(6);
　　
   names.add( QueryComponent.COMPONENT_NAME );
　　
   names.add( FacetComponent.COMPONENT_NAME );
　　
   names.add( MoreLikeThisComponent.COMPONENT_NAME );
　　
   names.add( HighlightComponent.COMPONENT_NAME );
　　
   names.add( StatsComponent.COMPONENT_NAME );
　　
   names.add( DebugComponent.COMPONENT_NAME );
　　
   names.add( AnalyticsComponent.COMPONENT_NAME );
　　
   return names;
　　
}
　　SearchHandler中的component对象包含有QueryComponent、FacetComponent、HighlightComponent等，其中QueryComponent主要负责查询部分，FacetComponent处理facet、HighlightComponent负责高亮显示。SearchHandler在请求处理过程中，由SearchHandler.handleRequestBody(SolrQueryRequest req, SolrQueryResponse rsp)方法依次调用component的prepare、process、distributedProcess方法(分布式搜索本文暂不讨论) 。QueryComponent调用SolrIndexSearcher，SolrIndexSearcher继承了lucene的IndexSearcher类进行搜索，FacetComponent实现对Term的层面的统计，下图是SearchComponent的类图结构：

　　3.>
　　由上述分析可知，Solr的Facet功能实际上是由FacetComponent组件来实现的，具体实现在FacetComponent.process方法中：
public void process(ResponseBuilder rb) throws IOException　　
{
　　
   if (rb.doFacets) {
　　
       SolrParams params = rb.req.getParams();
　　
       SimpleFacets f = new SimpleFacets(rb.req, rb.getResults().docSet,params, rb );   //最终facet查询委托给SimpleFacets类进行处理
　　
       NamedList counts = f.getFacetCounts();
　　
     ......
　　
  }
　　
}

　　首先QueryComponent处理q参数里的查询，查询的结果的DocID保存在docSet里，这里是一个无序的document>public NamedList getFacetCounts() {　　
   ......
　　
   facetResponse = new SimpleOrderedMap();
　　
   facetResponse.add("facet_queries", getFacetQueryCounts());
　　
   facetResponse.add("facet_fields", getFacetFieldCounts());
　　
   facetResponse.add("facet_dates", getFacetDateCounts());
　　
   facetResponse.add("facet_ranges", getFacetRangeCounts());
　　
   ......
　　

　　
   return facetResponse;
　　
}
　　由上可知，返回给客户端的结果有四种类型facet_queries、facet_fields、facet_dates、facet_ranges，分别调用getFacetQueryCounts()，getFacetFieldCounts()，getFacetDateCounts()，getFacetRangeCounts()完成查询。
　　4. getFacetQueryCounts统计count过程
　　由于篇幅原因，上述四个方法不一一展开分析，本文用到的查询主要是Facet Query，下面分析一下getFacetQueryCounts方法源码：
public NamedList getFacetQueryCounts() throws IOException,SyntaxError {　　
   NamedList res = new SimpleOrderedMap();
　　

　　
   String[] facetQs = params.getParams(FacetParams.FACET_QUERY);
　　

　　
   if (null != facetQs && 0 != facetQs.length) {
　　
     for (String q : facetQs) {                    // 循环统计每个facet query的count
　　
       parseParams(FacetParams.FACET_QUERY, q);
　　

　　
       Query qobj = QParser.getParser(q, null, req).getQuery();
　　

　　
       if (qobj == null) {
　　
         res.add(key, 0);
　　
       } else if (params.getBool(GroupParams.GROUP_FACET, false)) {
　　
         res.add(key, getGroupedFacetQueryCount(qobj));
　　
       } else {
　　
         res.add(key, searcher.numDocs(qobj, docs));   //
　　
       }
　　
    }
　　
   }
　　

　　
   return res;
　　
}
　　该方法的返回类型NamedList是一个有序的name/value容器，保存每个facet query和对应的count值。由代码可知，在for循环体中逐个统计facet query的count值，其中，parseParams方法中把”key”设置成本次循环的facet query变量“q“，由于GroupParams.GROUP_FACET的值是false(group类似与mysql的group by功能，一般不会打开)，所以count值实际是由searcher.numDocs(qobj, docs)方法负责计算，这里的searcher类型是SolrIndexSearcher。
　　SolrIndexSearcher的numDocs方法源码如下：
public int numDocs(Query a, DocSet b) throws IOException {　　
if (filterCache != null) {
　　
   Query absQ = QueryUtils.getAbs(a);              //如果为negative，则返回相应的补集
　　
   DocSet positiveA = getPositiveDocSet(absQ);     //查询absQ 获取docSet集合
　　
   return a==absQ ? b.intersectionSize(positiveA) : b.andNotSize(positiveA);
　　

　　
} else {
　　
   TotalHitCountCollector collector = new TotalHitCountCollector();
　　
   BooleanQuery bq = new BooleanQuery();
　　
   bq.add(QueryUtils.makeQueryable(a), BooleanClause.Occur.MUST);
　　
   bq.add(new ConstantScoreQuery(b.getTopFilter()), BooleanClause.Occur.MUST);
　　
   super.search(bq, null, collector);
　　

　　
   return collector.getTotalHits();
　　
}
　　}
　　参数a传入facet query对象，参数b传入经过QueryComponent组件处理后得到DocSet集合。DocSet存储的是无序的文档标识号(ID)，ID并不是我们在schema.xml里配置的unique key，而是Solr内部的一个文档标识，其次，DocSet还封装了集合运算的方法，如“求交集”、”求差集”。
　　由于，我们在solrconfig.xml中配置了filterCache：