Solr集群架构概述及delta-import详细配置

背景

由于项目原因，重新熟悉了下Solr，版本为3.6，搭建了主从Solr服务，并使用DIH从RDBMS数据源增量更新索引。

其实也没什么技术含量，就是简单做个总结，分别从部署架构和增量更新两个方面说明下。

Solr Replication

solr的主从其实是他的replication集群，从本质上说是通过ReplicationHandler来实现的，除了solr server之间可以互相同步之外，每个solr实例内部的core之间也是可以实现同步的，而能自身同步自身的实例称为Repeater，它的存在是为了分担master的同步开销，即由它来同步master里需要向外同步的core，然后所有的slave都从Repeater处同步相应的core。

具体配置方面，master的solrconfig.xml里的requestHandler配置为：

<requestHandler name="/replication" class="solr.ReplicationHandler">
	<lst name="master">
		<str name="replicateAfter">startup</str>
		<str name="replicateAfter">commit</str>
		<str name="backupAfter">optimize</str>
		<str name="confFiles">schema.xml,stopword.dic,db-data-config.xml,dataimport.properties</str>
		<str name="commitReserveDuration">00:01:00</str>
	</lst>
</requestHandler>

在confFiles里可以指定在同步过程中，slave需要一并同步过去的文件。slave端 solrconfig.xml里的配置为：

<requestHandler name="/replication" class="solr.ReplicationHandler">
	<lst name="slave">
		<str name="masterUrl">http://yf-rd-crm-cdc-db06.yf01.baidu.com:8888/solr/core0/replication</str>
		<str name="pollInterval">00:00:20</str>
		<str name="compression">internal</str>
		<str name="httpConnTimeout">5000</str>
		<str name="httpReadTimeout">10000</str>
	</lst>
</requestHandler>

其中pollInterval是发出同步请求的间隔时间，上述配置为每20s会去sync一次。后面的http参数都是默认值。对slave和master来说，主要的配置不同就在这个handler里，其他部分可以一致。我的solr主从比较简单，大致如下。

如果对solr的搜索还有分片和负载均衡的要求，可以参考下solr4.0之后支持的SolrCloud，适合 high scale, fault tolerant, distributed indexing and search capabilities。我没有选择SolrCloud，主要原因是数据量也不是很大，不需要分片。本来想参考SolrCloud，看能不能为请求的负载均衡提供些什么优势，后来还是放弃了，负载这块在solrj的搜索服务里简单做了下轮训。网上看到也有人用Nginx为多个Tomcat容器做负载均衡，不过这个出发点和架构上的层次又有些不一样。

Solr DataImportHandler

DataImportHandler可以为solr的索引配置数据源，我的数据源是mysql，基本配置可以参考SolrDoc里的内容。不重复。

主要的坑在需要在web.xml里添加下面这个配置

<listener>
   <listener-class>org.apache.solr.handler.dataimport.scheduler.ApplicationListener</listener-class>
</listener>

但是这个类并不存在于solr的主要几个包里，需要额外导入，包 下载链接在这里。需要在webapps/solr.war下的WEB-INF/lib里添加这个包，还要添加下dist下的两个dataimporthandler有关的两个jar。此外把上面的listener配置添加到WEB-INF/web.xml内。特别注意的是， 需要jdk7才能正常启动，否则会报错。

具体DIH相关的配置再详细列一下，首先在solrconfig.xml里配置Handler：

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

具体db-data-config.xml里是sql逻辑和映射field，放在core/conf内，

<dataConfig>
	<dataSource type="JdbcDataSource" driver="com.mysql.jdbc.Driver"
		url="jdbc:mysql://ip:port/db_name"
		user="root" password="root" />
	<document name="tb_core">
		<entity name="tb_core_table" pk="table_id"
			query="select table_id, code, name, description, freq_id, bytes, first_date, owner, secret_level, charset_id, field_term, 
                            line_term, null_format, subj_id, gmt_modify from tb_core_table"
			deltaQuery="select table_id, code, name, description, freq_id, bytes, first_date, owner, secret_level, charset_id, field_term, 
                            line_term, null_format, subj_id, gmt_modify from tb_core_table where gmt_modify > '${dataimporter.last_index_time}'">
			<field column="table_id" name="table_id" />
			<field column="code" name="code" />
			<field column="name" name="name" />
			<field column="description" name="description" />
			<field column="description" name="subject_path" />
			<field column="freq_id" name="freq_id" />
			<field column="bytes" name="bytes" />
			<field column="first_date" name="first_date" />
			<field column="owner" name="owner" />
			<field column="secret_level" name="secret_level" />
			<field column="charset_id" name="charset_id" />
			<field column="field_term" name="field_term" />
			<field column="line_term" name="line_term" />
			<field column="null_format" name="null_format" />
			<field column="subj_id" name="subj_id" />
			<field column="gmt_modify" name="entity_modify" />
			<entity name="tb_core_column" pk="col_id"
				query="select col_id, table_id, code, name, description, gmt_modify from tb_core_column where table_id='${tb_core_table.table_id}'"
				deltaQuery="select col_id, table_id, code, name, description, gmt_modify from tb_core_column where gmt_modify > '${dataimporter.last_index_time}'"
				parentDeltaQuery="select table_id, code, name, description, freq_id, bytes, first_date, owner, secret_level, charset_id, field_term, 
                                    line_term, null_format, subj_id, gmt_modify from tb_core_table where table_id = ${tb_core_column.table_id}">
				<field column="col_id" name="column_id" />
				<field column="code" name="column_code" />
				<field column="name" name="column_name" />
				<field column="description" name="column_description" />
				<field column="gmt_modify" name="column_modify" />
			</entity>
		</entity>
	</document>
</dataConfig>

上面的逻辑里，table和column是一对多的关系，而两个table内都有最近更新时间字段(gmt_modify)，任何一方的更新都要触发整个索引的增量更新，所以这是一个嵌套的例子。在SolrDoc里也有类似的嵌套写法，相对而言属于delta-import稍微高级些的写法。大家可以参考下。

<dataConfig>
    <dataSource driver="org.hsqldb.jdbcDriver" url="jdbc:hsqldb:/temp/example/ex" user="sa" />
    <document>
            <entity name="item" pk="ID" query="select * from item"
                deltaImportQuery="select * from item where ID=='${dih.delta.id}'"
                deltaQuery="select id from item where last_modified > '${dih.last_index_time}'">
                <entity name="feature" pk="ITEM_ID"
                    query="select DESCRIPTION as features from FEATURE where ITEM_ID='${item.ID}'"
                    deltaQuery="select ITEM_ID from FEATURE where last_modified > '${dih.last_index_time}'"
                    parentDeltaQuery="select ID from item where ID=${feature.ITEM_ID}"/>
            <entity name="item_category" pk="ITEM_ID, CATEGORY_ID"
                    query="select CATEGORY_ID from item_category where ITEM_ID='${item.ID}'"
                    deltaQuery="select ITEM_ID, CATEGORY_ID from item_category where last_modified > '${dih.last_index_time}'"
                    parentDeltaQuery="select ID from item where ID=${item_category.ITEM_ID}">
                <entity name="category" pk="ID"
                        query="select DESCRIPTION as cat from category where ID = '${item_category.CATEGORY_ID}'"
                        deltaQuery="select ID from category where last_modified > '${dih.last_index_time}'"
                        parentDeltaQuery="select ITEM_ID, CATEGORY_ID from item_category where CATEGORY_ID=${category.ID}"/>
            </entity>
        </entity>
    </document>
</dataConfig>

最重要的是，在solr_home/conf内需要一个负责调度的文件：dataimport.properties(不同于core/conf下的dataimport.properties，那个dataimport.properties会自动生成，记录的是最近一次更新的时间)

#################################################
#                                               #
#       dataimport scheduler properties         #
#                                               #
#################################################

#  是否同步功能
#  1 - 开启 ; 否则不开启
syncEnabled=1

# 需要同步的solr core
syncCores=core0

#  solr server名称或ip地址
#  默认为localhost
server=localhost

#  solr server端口
#  默认80
port=8888

# webapp name
webapp=solr

#  application context
# webapp=metadata-search

#  同步URL参数 
params=/dataimport?command=delta-import&clean=false&commit=true

#  调度区间
#  默认30分钟
interval=1

这部分就需要开头讲的

org.apache.solr.handler.dataimport.scheduler.ApplicationListener

的配置，否则启动后，之前的xml是不生效的。

Solr Server服务架构

结合Solr更新、主从和内部的一些主要模块，画了一个服务架构图如下。

(全文完)