分布式全文检索系统SolrCloud简介

前言

本文简单描述SolrCloud的特性，基本结构和入门，基于Solr4.5版本。

Lucene是一个Java语言编写的利用倒排原理实现的文本检索类库。Solr是以Lucene为基础实现的文本检索应用服务。

SolrCloud是Solr4.0版本开发出的具有开创意义的基于Solr和Zookeeper的分布式搜索方案，或者可以说，SolrCloud是Solr的一种部署方式。Solr可以以多种方式部署，例如单机方式，多机Master-Slaver方式，这些方式部署的Solr不具有SolrCloud的特色功能。

特色

SolrCloud有几个特色功能：

1. 集中式的配置信息

   使用ZK进行集中配置。启动时可以指定把Solr的相关配置文件上传Zookeeper，多机器共用。这些ZK中的配置不会再拿到本地缓存，Solr直接读取ZK中的配置信息。配置文件的变动，所有机器都可以感知到。

   另外，Solr的一些任务也是通过ZK作为媒介发布的。目的是为了容错。接收到任务，但在执行任务时崩溃的机器，在重启后，或者集群选出候选者时，可以再次执行这个未完成的任务。

2. 自动容错

   SolrCloud对索引分片，并对每个分片创建多个Replication。每个Replication都可以对外提供服务。一个Replication挂掉不会影响索引服务。

   更强大的是，它还能自动的在其它机器上帮你把失败机器上的索引Replication重建并投入使用。

3. 近实时搜索

   立即推送式的replication（也支持慢推送）。可以在秒内检索到新加入索引。

4. 查询时自动负载均衡

   SolrCloud索引的多个Replication可以分布在多台机器上，均衡查询压力。如果查询压力大，可以通过扩展机器，增加Replication来减缓。

5. 自动分发的索引和索引分片

   发送文档到任何节点，它都会转发到正确节点。

6. 事务日志

   事务日志确保更新无丢失，即使文档没有索引到磁盘。

其它值得一提的功能有：

1. 索引存储在HDFS上

   索引的大小通常在G和几十G，上百G的很少，这样的功能或许很难实用。但是，如果你有上亿数据来建索引的话，也是可以考虑一下的。我觉得这个功能最大的好处或许就是和下面这个“通过MR批量创建索引”联合实用。

2. 通过MR批量创建索引

   有了这个功能，你还担心创建索引慢吗？

3. 强大的RESTful API

   通常你能想到的管理功能，都可以通过此API方式调用。这样写一些维护和管理脚本就方便多了。

4. 优秀的管理界面

   主要信息一目了然；可以清晰的以图形化方式看到SolrCloud的部署分布；当然还有不可或缺的Debug功能。

概念

• Collection：在SolrCloud集群中逻辑意义上的完整的索引。它常常被划分为一个或多个Shard，它们使用相同的Config Set。如果Shard数超过一个，它就是分布式索引，SolrCloud让你通过Collection名称引用它，而不需要关心分布式检索时需要使用的和Shard相关参数。

• Config Set: Solr Core提供服务必须的一组配置文件。每个config set有一个名字。最小需要包括solrconfig.xml (SolrConfigXml)和schema.xml (SchemaXml)，除此之外，依据这两个文件的配置内容，可能还需要包含其它文件。它存储在Zookeeper中。Config sets可以重新上传或者使用upconfig命令更新，使用Solr的启动参数bootstrap_confdir指定可以初始化或更新它。

• Core: 也就是Solr Core，一个Solr中包含一个或者多个Solr Core，每个Solr Core可以独立提供索引和查询功能，每个Solr Core对应一个索引或者Collection的Shard，Solr Core的提出是为了增加管理灵活性和共用资源。在SolrCloud中有个不同点是它使用的配置是在Zookeeper中的，传统的Solr core的配置文件是在磁盘上的配置目录中。

• Leader: 赢得选举的Shard replicas。每个Shard有多个Replicas，这几个Replicas需要选举来确定一个Leader。选举可以发生在任何时间，但是通常他们仅在某个Solr实例发生故障时才会触发。当索引documents时，SolrCloud会传递它们到此Shard对应的leader，leader再分发它们到全部Shard的replicas。

• Replica: Shard的一个拷贝。每个Replica存在于Solr的一个Core中。一个命名为“test”的collection以numShards=1创建，并且指定replicationFactor设置为2，这会产生2个replicas，也就是对应会有2个Core，每个在不同的机器或者Solr实例。一个会被命名为test_shard1_replica1，另一个命名为test_shard1_replica2。它们中的一个会被选举为Leader。

• Shard: Collection的逻辑分片。每个Shard被化成一个或者多个replicas，通过选举确定哪个是Leader。

• Zookeeper: Zookeeper提供分布式锁功能，对SolrCloud是必须的。它处理Leader选举。Solr可以以内嵌的Zookeeper运行，但是建议用独立的，并且最好有3个以上的主机。

架构

• 索引（collection）的逻辑图

• 索引和Solr实体对照图

• 创建索引过程

• 检索过程

• Shard Splitting

入门

安装配置

前提，你需要先安装好Java，6.0+。 假设我们有5台机器要安装Solr。

1. 安装外部zookeeper

   Solr默认是用内置的Zookeeper，为了方便管理和维护，建议使用外部Zookeeper。

   wget http://apache.dataguru.cn/zookeeper/zookeeper-3.4.3/zookeeper-3.4.3.tar.gz
   tar -zxvf zookeeper-3.4.3.tar.gz
   Java的程序解压后就可以运行，不需要安装。
   修改或者创建配置文件$ZOOKEEPER_HOME/conf/zoo.cfg，内容如下：
   # 注意修改为你的真实路径
   dataDir=/home/hadoop/zookeeper-3.4.3/data
   clientPort=2181
   # 编号从1开始，solr1-3每个是一台主机，共3个
   server.1=solr1:2888:3888
   server.2=solr2:2888:3888
   server.3=solr3:2888:3888

   在3台机器上都同样安装。

   另外，还需要在$dataDir中配置myid，zookeeper是以此文件确定本机身份。

   # 注意每台机器上的不一样
   echo "1" > myid #在solr1上
   echo "2" > myid #在solr2上
   echo "3" > myid #在solr3上

   启动， 需要在3台机器上分别启动

   $ZOOKEEPER_HOME/bin/zkServer.sh start
   # 查看状态，确认启动成功
   $ZOOKEEPER_HOME/bin/zkServer.sh status

2. Solr安装下载

   在5台机上做同样操作

   wget http://apache.mirrors.pair.com/lucene/solr/4.5.0/solr-4.5.0.tgz 
   tar -xzf solr-4.5.0.tgz
   cd solr-4.5.0
   cp -r example node1
   cdo node1
   # 第一条solr机器
   java -Dbootstrap_confdir=./solr/collection1/conf -Dcollection.configName=myconf -DnumShards=2 -DzkHost=solr1:2181,solr2:2181,solr3:2181 -jar start.jar
   # 其它solr机器
   java -DzkHost=solr1:2181,solr2:2181,solr3:2181 -jar start.jar

   启动成功后，你可以通过浏览器8983看到solr的Web页面。

3. 索引

   cd $SOLR_HOME/node1/exampledocs
   java -Durl=http://solr1:8983/solr/collection1/update -jar post.jar ipod_video.xml

4. 检索

   你可以在web界面选定一个Core，然后查询。solr有查询语法文档。

5. 如果要想把数据写到HDFS

   在$SOLR_HOME/node1/solr/collection1/conf/solrconfig.xml 增加

   <directoryFactory name="DirectoryFactory" class="solr.HdfsDirectoryFactory">
       <str name="solr.hdfs.home">hdfs://mycluster/solr</str>
       <bool name="solr.hdfs.blockcache.enabled">true</bool>
       <int name="solr.hdfs.blockcache.slab.count">1</int>
       <bool name="solr.hdfs.blockcache.direct.memory.allocation">true</bool>
       <int name="solr.hdfs.blockcache.blocksperbank">16384</int>
       <bool name="solr.hdfs.blockcache.read.enabled">true</bool>
       <bool name="solr.hdfs.blockcache.write.enabled">true</bool>
       <bool name="solr.hdfs.nrtcachingdirectory.enable">true</bool>
       <int name="solr.hdfs.nrtcachingdirectory.maxmergesizemb">16</int>
       <int name="solr.hdfs.nrtcachingdirectory.maxcachedmb">192</int>
       <str name="solr.hdfs.confdir">${user.home}/local/hadoop/etc/hadoop</int>
   </directoryFactory>

   重新启动

   java -Dsolr.directoryFactory=HdfsDirectoryFactory -Dsolr.lock.type=hdfs -Dsolr.data.dir=hdfs://mycluster/solr -Dsolr.updatelog=hdfs://mycluster/solrlog -jar start.jar

   可以增加如下参数设定直接内存大小，优化Hdfs读写速度。

   -XX:MaxDirectMemorySize=1g

其它

• NRT 近实时搜索

  Solr的建索引数据是要在提交时写入磁盘的，这是硬提交，确保即便是停电也不会丢失数据；为了提供更实时的检索能力，Solr设定了一种软提交方式。

  软提交（soft commit）：仅把数据提交到内存，index可见，此时没有写入到磁盘索引文件中。

  一个通常的用法是：每1-10分钟自动触发硬提交，每秒钟自动触发软提交。

• RealTime Get 实时获取

  允许通过唯一键查找任何文档的最新版本数据，并且不需要重新打开searcher。这个主要用于把Solr作为NoSQL数据存储服务，而不仅仅是搜索引擎。

  Realtime Get当前依赖事务日志，默认是开启的。另外，即便是Soft Commit或者commitwithin，get也能得到真实数据。 注：commitwithin是一种数据提交特性，不是立刻，而是要求在一定时间内提交数据

参考文档

• Solr查询语法
• 入门
• 详细入门文档
• 详细文档
• solrCloud 索引更新逻辑学习笔记
• 官方文档
• SolrReplication