基于Solr DIH实现MySQL表数据全量索引和增量索引

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：

1	<requestHandler name="/dataimport"

2	class="org.apache.solr.handler.dataimport.DataImportHandler">

3	<lst name="defaults">

4	<str name="config">data-config.xml</str>

5

</lst>

6	</requestHandler>

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：

01	<dataConfig>

02	<dataSource name="jdbc" driver="com.mysql.jdbc.Driver"

03	url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"

04	user="developer" password="[email protected]"/>

05	<document name="mkt_data">

06	<entity name="marketing_data" pk="id"

07	query="select * from marketing_data limit ${dataimporter.request.length} offset ${dataimporter.request.offset}"

08	transformer="RegexTransformer">

09	<field column="id" name="id" />

10	<field column="domain" name="domain" />

11	<field column="alex_rank" name="alex_rank" />

12	<field column="server_port" name="server_port" />

13	<field column="cert_validity_notBefore" name="cert_validity_notBefore" />

14	<field column="cert_validity_notAfter" />

15	<field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>

16	<field column="cert_issuer_brand" name="cert_issuer_brand" />

17	<field column="cert_validation" name="cert_validation" />

18	<field column="cert_isMultiDomain" name="cert_isMultiDomain" />

19	<field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />

20	<field column="cert_isWildcard" name="cert_isWildcard" />

21	<field column="cert_notAfter" name="cert_notAfter" />

22	<field column="special_ssl" name="special_ssl" />

23	<field column="competitor_logo" name="competitor_logo" />

24	<field column="segment" name="segment" />

25

</entity>

26	</document>

27	</dataConfig>

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：

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

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：

01	<requestHandler name="/deltaimport" class="org.apache.solr.handler.dataimport.DataImportHandler">

02	<lst name="defaults">

03	<str name="config">delta-data-config.xml</str>

04

</lst>

05	</requestHandler>

06	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：

07	<dataConfig>

08	<dataSource name="jdbc" driver="com.mysql.jdbc.Driver"

09	url="jdbc:mysql://172.0.8.249:5606/marketing_db_saved?zeroDateTimeBehavior=convertToNull"

10	user="developer" password="[email protected]"/>

11	<document name="mkt_data">

12	<entity name="marketing_data" pk="id"

13	query="select * from marketing_data"

14	deltaImportQuery="select * from marketing_data where id='${dih.delta.id}'"

15	deltaQuery="select id from marketing_data where updated_at > '${dih.last_index_time}'"

16	transformer="RegexTransformer">

17	<field column="id" name="id" />

18	<field column="domain" name="domain" />

19	<field column="alex_rank" name="alex_rank" />

20	<field column="server_port" name="server_port" />

21	<field column="cert_validity_notBefore" name="cert_validity_notBefore" />

22	<field column="cert_validity_notAfter" />

23	<field column="cert_validity_notAfter_yyyyMMdd" regex="(.*?)\s+.*" name="cert_validity_notAfter_yyyyMMdd" sourceColName="cert_validity_notAfter"/>

24	<field column="cert_issuer_brand" name="cert_issuer_brand" />

25	<field column="cert_validation" name="cert_validation" />

26	<field column="cert_isMultiDomain" name="cert_isMultiDomain" />

27	<field column="cert_issuer_brand_isXRelated" name="cert_issuer_brand_isXRelated" />

28	<field column="cert_isWildcard" name="cert_isWildcard" />

29	<field column="cert_notAfter" name="cert_notAfter" />

30	<field column="special_ssl" name="special_ssl" />

31	<field column="competitor_logo" name="competitor_logo" />

32	<field column="segment" name="segment" />

33

</entity>

34	</document>

35	</dataConfig>

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：

1	#Sat Feb 16 17:48:49 CST 2013

2	last_index_time=2013-02-16 17\:48\:48

3	marketing_data.last_index_time=2013-02-16 17\:48\:48

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：

1	172.0.8.212:8080/search-server/core0/dataimport?command=delta-import

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，以后再讲。

参考链接

• http://wiki.apache.org/solr/DataImportHandler#Using_delta-import_command

• http://www.myexception.cn/other/669522.html