如何使用Spark大规模并行构建索引

使用Spark构建索引非常简单，因为spark提供了更高级的抽象rdd分布式弹性数据集，相比以前的使用Hadoop的MapReduce来构建大规模索引，Spark具有更灵活的api操作，性能更高，语法更简洁等一系列优点。

先看下，整体的拓扑图：

然后，再来看下，使用scala写的spark程序：

Java代码  

1. package com.easy.build.index
2. import java.util
3. import org.apache.solr.client.solrj.beans.Field
4. import org.apache.solr.client.solrj.impl.HttpSolrClient
5. import org.apache.spark.rdd.RDD
6. import org.apache.spark.{SparkConf, SparkContext}
7. import scala.annotation.meta.field
8. /**
9. * Created by qindongliang on 2016/1/21.
10. */
11. //注册model,时间类型可以为字符串，只要后台索引配置为Long即可，注解映射形式如下
12. case class Record(
13. @(Field@field)("rowkey")     rowkey:String,
14. @(Field@field)("title")  title:String,
15. @(Field@field)("content") content:String,
16. @(Field@field)("isdel") isdel:String,
17. @(Field@field)("t1") t1:String,
18. @(Field@field)("t2")t2:String,
19. @(Field@field)("t3")t3:String,
20. @(Field@field)("dtime") dtime:String
21. )
22. /***
23. * Spark构建索引==>Solr
24. */
25. object SparkIndex {
26. //solr客户端
27. val client=new  HttpSolrClient("http://192.168.1.188:8984/solr/monitor");
28. //批提交的条数
29. val batchCount=10000;
30. def main2(args: Array[String]) {
31. val d1=new Record("row1","title","content","1","01","57","58","3");
32. val d2=new Record("row2","title","content","1","01","57","58","45");
33. val d3=new Record("row3","title","content","1","01","57","58",null);
34. client.addBean(d1);
35. client.addBean(d2)
36. client.addBean(d3)
37. client.commit();
38. println("提交成功！")
39. }
40. /***
41. * 迭代分区数据（一个迭代器集合），然后进行处理
42. * @param lines 处理每个分区的数据
43. */
44. def  indexPartition(lines:scala.Iterator[String] ): Unit ={
45. //初始化集合，分区迭代开始前，可以初始化一些内容，如数据库连接等
46. val datas = new util.ArrayList[Record]()
47. //迭代处理每条数据，符合条件会提交数据
48. lines.foreach(line=>indexLineToModel(line,datas))
49. //操作分区结束后，可以关闭一些资源，或者做一些操作，最后一次提交数据
50. commitSolr(datas,true);
51. }
52. /***
53. *  提交索引数据到solr中
54. *
55. * @param datas 索引数据
56. * @param isEnd 是否为最后一次提交
57. */
58. def commitSolr(datas:util.ArrayList[Record],isEnd:Boolean): Unit ={
59. //仅仅最后一次提交和集合长度等于批处理的数量时才提交
60. if ((datas.size()>0&&isEnd)||datas.size()==batchCount) {
61. client.addBeans(datas);
62. client.commit(); //提交数据
63. datas.clear();//清空集合，便于重用
64. }
65. }
66. /***
67. * 得到分区的数据具体每一行，并映射
68. * 到Model，进行后续索引处理
69. *
70. * @param line 每行具体数据
71. * @param datas 添加数据的集合，用于批量提交索引
72. */
73. def indexLineToModel(line:String,datas:util.ArrayList[Record]): Unit ={
74. //数组数据清洗转换
75. val fields=line.split("\1",-1).map(field =>etl_field(field))
76. //将清洗完后的数组映射成Tuple类型
77. val tuple=buildTuble(fields)
78. //将Tuple转换成Bean类型
79. val recoder=Record.tupled(tuple)
80. //将实体类添加至集合，方便批处理提交
81. datas.add(recoder);
82. //提交索引到solr
83. commitSolr(datas,false);
84. }
85. /***
86. * 将数组映射成Tuple集合，方便与Bean绑定
87. * @param array field集合数组
88. * @return tuple集合
89. */
90. def buildTuble(array: Array[String]):(String, String, String, String, String, String, String, String)={
91. array match {
92. case Array(s1, s2, s3, s4, s5, s6, s7, s8) => (s1, s2, s3, s4, s5, s6, s7,s8)
93. }
94. }
95. /***
96. *  对field进行加工处理
97. * 空值替换为null,这样索引里面就不会索引这个字段
98. * ,正常值就还是原样返回
99. *
100. * @param field 用来走特定规则的数据
101. * @return 映射完的数据
102. */
103. def etl_field(field:String):String={
104. field match {
105. case "" => null
106. case _ => field
107. }
108. }
109. /***
110. * 根据条件清空某一类索引数据
111. * @param query 删除的查询条件
112. */
113. def deleteSolrByQuery(query:String): Unit ={
114. client.deleteByQuery(query);
115. client.commit()
116. println("删除成功!")
117. }
118. def main(args: Array[String]) {
119. //根据条件删除一些数据
120. deleteSolrByQuery("t1:03")
121. //远程提交时，需要提交打包后的jar
122. val jarPath = "target\\spark-build-index-1.0-SNAPSHOT.jar";
123. //远程提交时，伪装成相关的hadoop用户，否则，可能没有权限访问hdfs系统
124. System.setProperty("user.name", "webmaster");
125. //初始化SparkConf
126. val conf = new SparkConf().setMaster("spark://192.168.1.187:7077").setAppName("build index ");
127. //上传运行时依赖的jar包
128. val seq = Seq(jarPath) :+ "D:\\tmp\\lib\\noggit-0.6.jar" :+ "D:\\tmp\\lib\\httpclient-4.3.1.jar" :+ "D:\\tmp\\lib\\httpcore-4.3.jar" :+ "D:\\tmp\\lib\\solr-solrj-5.1.0.jar" :+ "D:\\tmp\\lib\\httpmime-4.3.1.jar"
129. conf.setJars(seq)
130. //初始化SparkContext上下文
131. val sc = new SparkContext(conf);
132. //此目录下所有的数据，将会被构建索引,格式一定是约定好的
133. val rdd = sc.textFile("hdfs://192.168.1.187:9000/user/monitor/gs/");
134. //通过rdd构建索引
135. indexRDD(rdd);
136. //关闭索引资源
137. client.close();
138. //关闭SparkContext上下文
139. sc.stop();
140. }
141. /***
142. * 处理rdd数据，构建索引
143. * @param rdd
144. */
145. def indexRDD(rdd:RDD[String]): Unit ={
146. //遍历分区，构建索引
147. rdd.foreachPartition(line=>indexPartition(line));
148. }
149. }

ok，至此，我们的建索引程序就写完了，本例子中用的是远程提交模式，实际上它也可以支持spark on yarn （cluster 或者 client ）  模式，不过此时需要注意的是，不需要显式指定setMaster的值，而由提交任务时，通过--master来指定运行模式，另外，依赖的相关jar包，也需要通过--jars参数来提交到集群里面，否则的话，运行时会报异常，最后看下本例子里面的solr是单机模式的，所以使用spark建索引提速并没有达到最大值，真正能发挥最大威力的是，多台search集群正如我画的架构图里面，每台机器是一个shard，这就是solrcloud的模式，或者在elasticsearch里面的集群shard，这样以来，才能真正达到高效批量的索引构建