Solr学习记录:Getting started

Solr学习记录:Getting started

本教程使用环境：java8或者更高版本、Solr8.1、centos7

目录

• Solr学习记录:Getting started
  • 1.Solr Tutorial
    • 1.1简介
    • 1.2 解压Solr
    • 1.3 练习一：索引Techproducts样例数据
      • 以SolrCloud模式启动Solr（基于zookeeper的分布式搜索）
    • 1.4 练习二：修改Schema和Films Data
      • 重启Solr节点
      • 什么是schema
      • 创建新的collection
      • 索引样例Film Data
      • Faceting
      • Range Facets
      • Pivot Facets
      • 收尾：删除本实验的collection
    • 1.5 练习三： Index Your Own Data
      • Indexing Ideas（solr索引数据的各种方法）
      • Updating Data
      • Deleting Data
      • 收尾
  • 2. A Quick Overview

1.Solr Tutorial

1.1简介

本篇将用三个部分具体练习以引领对Solr的快速体验。每个练习将基于前一个练习。

• 第一个练习：启动solr，创建一个Collection，索引一些基础文档，执行一些搜索。
• 第二个练习：使用不同数据集，并尝试用其访问页面。
• 第三个练习：开始使用自己的数据，并为实现制定计划。

1.2 解压Solr

方便统一操作，我们将solr安装在/opt 路径下

~$ mv solr-7.7.0.zip /opt/
~$ unzip -q solr-7.7.0.zip
#或者是：tar -zxvf solr-7.7.0.zip
~$ cd solr-7.7.0/

1.3 练习一：索引Techproducts样例数据

目标：

• 以双节点集群启动Solr（同一台机器上），并且在启动期间创建一个collection。
• 为这些样例数据建立索引，并做一些基础的搜索工作。

以SolrCloud模式启动Solr（基于zookeeper的分布式搜索）

1. 启动Solrbin/solr start -e cloud。

   注：这将开启一个交互式会话，在机器上开启两个Solr服务。

   solr-7.7.0:$ ./bin/solr start -e cloud
   Welcome to the SolrCloud example!
   This interactive session will help you launch a SolrCloud cluster on your local workstation.
   To begin,how many Solr nodes would you like to run in your local cluster? (specify 1-4 nodes)[2]:
   

   你想在本地集群创建多少个节点，默认2个。本例中只需两个节点，直接Enter默认。为建立外部zookeeper集群，因此solr将连接内置的zookeeper。

2. 分别为两个节点选择端口号

   #第一个节点
   Ok, let's start up 2 Solr nodes for your example SolrCloud cluster.
   Please enter the port for node1 [8983]:
   

   #第二个节点
   Please enter the port for node2 [7574]:
   

   除非你了解这两个节点已经被占用，我们建议直接Enter选择默认节点即可。

3. 启动完成后将创建一个collection，并要求为其取名

   Now let's create a new collection for indexing documents in your 2-node cluster.
   Please provide a name for your new collection: [gettingstarted]
   

   在后面我们将索引一些solr下称作techproducts数据的样例数据，所以为了区别于其他的collection，我们将其命名为techproducts。在提示处键入techproducts并回车确认。

4. 在两个节点间拆分索引分片

   How many shards would you like to split techproducts into? [2]
   

   选择默认的2，意味着在两个节点间相对平均地进行索引分片。对于我们的双节点集群来说，默认选项是个好的选择。

5. 为分片创建副本

   How many replicas per shard would you like to create? [2]
   

   回车默认即可。分片的副本一般会在多个节点中保存，当然此例中仅有两个节点。

6. 为我们创建的collection选择一个配置文件

   Please choose a configuration for the techproducts collection, available options are:
   _default or sample_techproducts_configs [_default]
   

   一个collection必须要有一个configSet(sets of configuration files)，solr提供了两个可直接使用的configSet

   • _default:这是一个最基本的选项
   • sample_techproducts_configs:支持我们想要使用的样例数据。

   由于本实验将使用solr提供的样例数据，所以回车默认即可。

   一个configSet至少包含两个主配置文件schema file(schema.xml或者managed-schema)以及solrConfig.xml

7. 通过solr提供的bin/post工具采集样例数据

   bin/post -c techproducts example/exampledocs/*
   

   若无报错，可通过 http://ip:8983/solr/#/techproducts/query来访问solr的图形管理界面，如下：

   

​ 下面简单介绍一下这个图形管理界面的一些信息：
标号为q的文本框:qBox。它支持单术语搜索和多术语搜索（即短语搜索），多术语搜索时，只 要其中一个在索引中匹配到了solr就返回其结果。qBox还支持组合搜索，术语前加“+”号，表示必须匹配，相反，加“-”号表示，禁 止匹配该术语。rowsBox限制最大返回条数。
8. 额外补充命令

#删除collection
bin/solr delete -c techproducts
#创建自己的collection
bin/solr create -c <yourCollection> -s 2 -rf 2
#关闭Solr所有的节点
bin/solr stop -all

9. 在启动过程中可能遇到的问题，以及注意事项

• 以非root用户启动solr,为此创建普通用户solruseradd solr && echo "1234"|passwd --stdin solr

• Solr用户对solr的安装目录及其子目录(文件)须得有访问权限，在此我们直接将其所属者改为solr

  chown solr:solr /opt/solr-7.7.2

• 安装好lsof这个工具(用于展示已经打开的文件)，solr需要使用这个东西。

• 将solr可执行文件路径导入环境变量，方便操作(直接输入命令，无需加绝对路径)。修改solr家目录下的.bash_profile或者/etc/profile都可以，修改内容如下：

  export SOLR_HOME=/opt/solr-7.7.2
  export PATH=$PATH:$SOLR_HOME/bin
  

• 若是在虚拟机或者远程服务器中运行，必须要开启防火墙中相应的端口号。

1.4 练习二：修改Schema和Films Data

重启Solr节点

./bin/solr start -c -p 8983 -s example/cloud/node1/solr
./bin/solr start -c -p 7574 -s example/cloud/node2/solr -z localhost:9983

什么是schema

schema是一个独立的xml文件，它存储着：

• solr能够理解的字段以及字段类型的详细信息
• 一个字段在索引前所作的修改。
• 支持包含通配符的动态搜索

创建新的collection

因为本练习使用的全新的数据集，所以新建collection。使用默认的configSet，它包含一个最小化的schema,由solr自行根据数据推断出要添加哪些字段信息。

#分别指定collection的名字，shard和replicas的数量
bin/solr create -c films -s 2 -rf 2

注：当我们不指定configSet时，他默认就使用_default这个configSet

1. Preparing Schemaless for the Films Data

   使用_defaultconfigSet，schama有两点注意：

   • 我们将使用managed schema，他被配置为只能使用Solr提供的Schema API来做修改。Schema API允许我们修改字段、字段类型以及其他schema规则。
   • 使用在solrconfig.xml中配置的"field guessing"。这使得我们在索引文档前无需手动添加字段，直接启动solr,这就是他叫做schemaless的原因。

   但是“field guessing”这种简单粗暴的方式也是有缺陷的。一旦它“guess wrong”，那么你除非重新索引，否则无法修改字段信息。而如果这个索引量非常庞大的话就很可怕了。解决方式：schema api与schemaless混合使用，利用schema api定义一个或几个关键字段，剩余的非关键字段交给solr去guess。

2. Create the "names" Field

   • curl命令:定义字段“name”，类型为“text_general”

   curl -X POST -H 'Content-type:application/json' --data-binary '{"add-field": {"name":"name",
   "type":"text_general", "multiValued":false, "stored":true}}'
   http://localhost:8983/solr/films/schema
   

   • Admin UI创建

3. Create a "catchall" Copy Field

   从所有字段中采集数据，并建立索引到一个叫做_text_的字段中。

   • curl命令

   curl -X POST -H 'Content-type:application/json' --data-binary '{"add-copy-field" :
   {"source":"*","dest":"_text_"}}' http://localhost:8983/solr/films/schema
   

   • Admin UI创建

索引样例Film Data

#To Index JSON Format
bin/post -c films example/films/films.json
#To Index XML Format
bin/post -c films example/films/films.xml
#To Index CSV Format
bin/post -c films example/films/films.csv -params
"f.genre.split=true&f.directed_by.split=true&f.genre.separator=|&f.directed_by.separator=|"

参数解释

• -c 指定collection的名字。
• /films/films.json (or films.xml or films.csv)：指定要采集的数据文件

Faceting

将查询的结果分类，并且统计每个分类的数量

Field Facets

#按"genre"字段分组,并统计数量
curl "http://localhost:8983/solr/films/select?q=*:*&rows=0&facet=true&facet.field=genre_str"
#使用facet.mincount限制返回返回分类数量的最小值
curl "http://localhost:8983/solr/films/select=&q=*:*&facet.field=genre_str&facet.mincount=200&fa
cet=on&rows=0"

Range Facets

对返回的结果分段，而不是一堆零碎的结果

curl 'http://localhost:8983/solr/films/select?q=*:*&rows=0'
'&facet=true'
'&facet.range=initial_release_date'
'&facet.range.start=NOW-20YEAR'
'&facet.range.end=NOW'
'&facet.range.gap=%2B1YEAR'

1. facet.range.start：设置最低下限
2. facet.range.end：设置最高上限
3. facet.range.gap：设置步进

Pivot Facets

允许使用两个至多个字段嵌套为各种可能的组合

#以逗号分隔多字段
#返回某一类型的film由同意导演执导的影片数量
curl "http://localhost:8983/solr/films/selectq=*:*&rows=0&facet=on&facet.pivot=genre_str,directe
d_by_str

收尾：删除本实验的collection

bin/solr delete -c films

1.5 练习三： Index Your Own Data

在最后一个练习中，我们将探索索引本地数据，而不再是solr提供的样例数据

在实验开始之前，先创建将要使用的collection

bin/solr create -c myfiles -s 2 -rf 2

Indexing Ideas（solr索引数据的各种方法）

1. Local Files with bin/post

   数据格式: JSON，XML，CSV，HTML，PDF，MS word，纯文本等。

   数据准备: 假设数据放在家目录下，~/myDocument

   数据采集: bin/post -c myfiles ~/myDocument

2. DataImportHandler

   用于连接数据库、邮件服务，或者其他结构化的数据源

3. SolrJ

   一个用于和Solr交互的，基于java的客户端。通过编码创建文档发送到solr。

4. Documents Screen

   通过Admin UI提供的Document Tab添加索引文档。

Updating Data

无论索引多少次都不会出现相同的结果，因为在schema中指定了唯一字段id。当向Solr添加新的文档，这个唯一值存在重复时，那么新的文档将会自动替换旧的文档。

Deleting Data

清除collection中的数据并不会改变事先对字段的定义。

#删除指定文档
bin/post -c myfiles -d "<delete><id>SP2514N</id></delete>"
#删除所有文档
bin/post -c myfiles -d "<delete><query>*:*</query></delete>"

收尾

停止solr，并将环境重置到初始状态

bin/solr stop -all ; rm -Rf example/cloud/

2. A Quick Overview