在这个结构化数据和非结构化数据的数量都很庞大的年代,经常需要从数据库、XML/HTML 文件或其他数据源导入数据,并使数据可搜索。过去,要编写自定义代码才能创建到数据库、文件系统或 RSS 提要的自定义连接。但现在,Solr 的 DataImportHandler
(DIH)填补了这个空白,它使您能够从数据库(通过 JDBC)、RSS 提要、Web 页面和文件中导入数据。DIH 位于 apache-1.3.0/contrib/dataimporthandler 中,是 apache-1.3.0/dist/apache-solr-dataimporthandler-1.3.0.jar 中的一个 JAR 文件。
DataImportHandler
警告
DataImportHandler
不是文件 /Web 爬行器(crawler),它不直接支持从二进制文件格式中提取内容,比如 MS Office、Adobe PDF 或其他专有格式。本文没有详尽地介绍 DIH,如果要了解更多信息,请参见 参考资料。
在概念上,DIH 可以分解为几个简单的部分:
DataSource
:获取内容的数据库、Web 页面、RSS 提要或 XML 文件。- 文档 / 实体声明:指定
DataSource
的内容与 Solr 模式之间的映射。 - 导入:Solr 命令,使用它既可以进行完全导入,也可以只导入已经更改的实体的 增量导入。
EntityProcessor
:用于映射的代码。Solr 自带四个工具:FileListEntityProcessor
:在目录上迭代并导入文件。SqlEntityProcessor
:连接到一个数据库并导入记录。CachedSqlEntityProcessor
:将缓存添加到SqlEntityProcessor
。XPathEntityProcessor
:使用 XPath 语句从 XML 文件抽取内容。
Transformer
:用户定义的、可选的代码,用于在添加到 Solr 之前转换导入的内容。例如,DateFormatTransformer
能够标准化日期。- 变量替代:用运行时的值替代占位符变量。
首先,我需要设置一个 SolrRequestHandler
将 DIH 和 Solr 关联起来。该设置要在 solr-dw/rss/conf/solrconfig.xml 文件中进行,如清单 6 所示:
清单 6. 将 DIH 和 Solr 关联起来
<requestHandler name="/dataimport" class="org.apache.solr.handler.dataimport.DataImportHandler"> <lst name="defaults"> <str name="config">rss-data-config.xml</str> </lst> </requestHandler>
该配置表明:我可以通过 http://localhost:8983/solr/rss/dataimport 找到 DataImportHandler
实例;该实例必须使用一个名为 rss-data-config.xml 的配置文件(位于 solr_dw/rss/conf 目录)来获取它的设置信息。到目前为止,一切都相当简单。
拨开下一层面纱,rss-data-config.xml 文件就是声明和使用 DataSource
、实体和 Transformer
的地方。在这个例子中,首先遇到的 XML 标记(在根元素后面)为 DataSource
声明,如清单 7 所示:
清单 7. DataSource
声明
<dataSource name="ratings" driver="org.postgresql.Driver" url="jdbc:postgresql://localhost:5432/solr_dw" user="solr_dw" /> <dataSource name="rss" type="HttpDataSource" encoding="UTF-8"/>
清单 7 中的第一个声明设置一个与我的数据库相连接的 DataSource
。它被命名为 ratings
,因为我的评级信息就储存在里面。注意,虽然我没有为数据库用户设置密码,但实际可以向标记添加密码属性。如果了解 JDBC 设置的话,那么就应该很熟悉这个 DataSource
声明了。第二个DataSource
名为 rss
,它声明内容将要通过 HTTP 来获取。稍后将声明这个 DataSource
的 URL。
下一个值得讨论的标记是 <entity>
标记。它用来指定如何将 RSS 提要和数据库的内容映射到 Solr Document
。一个实体就是被索引为一个单一文档的内容单位。例如,在一个数据库中,实体声明规定了如何将每一行转换成 Document
中的 Field
。一个实体里又可以包含一个或多个实体,因此子实体就变成整体 Document
的 Field
结构。
至此,来自 rss-data-config.xml 的带注释的示例可以清楚地说明与实体相关的大部分信息。在这个例子中,主实体从一个 RSS 提要获取内容,并将其与数据库中的行相关联以获得评级。清单 8 是一个缩略的 RSS 提要示例:
清单 8. 缩略的 RSS 反提要
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:wfw="http://wellformedweb.org/CommentAPI/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom" > <channel> <title>Grant‘s Grunts: Lucene Edition</title> <link>http://lucene.grantingersoll.com</link> <description>Thoughts on Apache Lucene, Mahout, Solr, Tika and Nutch</description> <pubDate>Wed, 01 Oct 2008 12:36:02 +0000</pubDate> <item> <title>Charlotte JUG >> OCT 15TH - 6PM - Search and Text Analysis</title> <link>http://lucene.grantingersoll.com/2008/10/01/ charlotte-jug-%c2%bb-oct-15th-6pm-search-and-text-analysis/</link> <pubDate>Wed, 01 Oct 2008 12:36:02 +0000</pubDate> <category><![CDATA[Lucene]]></category> <category><![CDATA[Solr]]></category> <guid isPermaLink="false">http://lucene.grantingersoll.com/?p=112</guid> <description><![CDATA[Charlotte JUG >> OCT 15TH - 6PM - Search and Text Analysis I will be speaking at the Charlotte Java Users Group on Oct. 15th, covering things like Lucene, Solr, OpenNLP and Mahout, amongst other things. ]]></description> </item> </channel>
与此同时,数据库中的一行包含提要中的文章的 URL、一个评级(我随便编的)和一个修改日期。现在,我只需将它映射到 Solr 就可以了。为了完成此工作,我将逐行解释 rss-data-config.xml 中的实体声明,如清单 9 所示(它包含行数和换行符,以获得良好的格式):
清单 9. 实体声明
1. <entity name="solrFeed" 2.pk="link" 3.url="http://lucene.grantingersoll.com/category/solr/feed" 4.processor="XPathEntityProcessor" 5.forEach="/rss/channel | /rss/channel/item" 6. dataSource="rss" 7. transformer="DateFormatTransformer"> 8. <field column="source" xpath="/rss/channel/title" commonField="true" /> 9. <field column="source-link" xpath="/rss/channel/link" commonField="true" /> 10. <field column="title" xpath="/rss/channel/item/title" /> 11. <field column="link" xpath="/rss/channel/item/link" /> 12. <field column="description" xpath="/rss/channel/item/description" /> 13. <field column="category" xpath="/rss/channel/item/category" /> 14. <field column="content" xpath="/rss/channel/item/content" /> 15. <field column="date" xpath="/rss/channel/item/pubDate" dateTimeFormat="EEE, dd MMM yyyy HH:mm:ss Z" /> 16. <entity name="rating" pk="feed" query="select rating from feeds where feed = ‘${solrFeed.link}‘" 17. deltaQuery="select rating from feeds where feed = ‘${solrFeed.link}‘ AND last_modified > ‘${dataimporter.last_index_time}‘" 18. dataSource="ratings" 19. > 20. <field column="rating" name="rating"/> 21. </entity> 22. </entity>
- 第 1 行:实体名(
solrFeed
)。 - 第 2 行:该项的可选主键,只有在导入增量时才用得到。
- 第 3 行:将要获取的 URL —在这个用例中是我在 Solr 上的博客站点。
- 第 4 行:用于从原始源映射内容的
EntityProcessor
。 - 第 5 行:用于指定如何从 XML 获取记录的 XPath 表达。(XPath 提供一种在 XML 文件中指定特定元素或属性的方法。如果不熟悉 XPath 表达的话,请参阅 参考资料)。
- 第 6 行:要使用的
DataSource
的名称。 - 第 7 行:用于将字符串解析成
java.util.Date
的DateFormatTransformer
。 - 第 8 行:将通道名称(博客名称)映射到以 Solr 模式字段命名的数据源。此过程每个通道只发生一次,因此
commonField
属性指定该值必须用于每一个数据项。 - 第 9-14 行:将 RSS 提要的其他部分映射到 Solr
Field
。 - 第 15 行:映射出版日期,但使用
DateFormatTransformer
将值解析为一个java.util.Date
对象。 - 第 16-21 行:从数据库获取每一篇文章的评级的子实体。
- 第 16 行:
query
属性指定要运行的 SQL。${solrFeed.link}
值被代替变量解析为每一篇文章的 URL。 - 第 17 行:导入增量时要运行的查询。
${dataimporter.last_index_time}
由 DIH 提供。 - 第 18 行:使用 JDBC
DataSource
。 - 第 20 行:将数据库中的评级栏映射到评级字段。如果未指定名称属性,将默认使用栏名。
下一步是运行导入。这可以通过提交 HTTP 请求来实现:
http://localhost:8983/solr/rss/dataimport?command=full-import
该请求先将所有的文档从索引中移除,然后再进行完全导入。再强调一遍,这个请求首先从索引中移除全部文档,一定要警惕这一点。您可以随时浏览 http://localhost:8983/solr/rss/dataimport 获取 DIH 的状态。在这个用例中,我的输出如清单 10 所示:
清单 10. 导入结果
<response> <lst name="responseHeader"> <int name="status">0</int> <int name="QTime">0</int> </lst> <lst name="initArgs"> <lst name="defaults"> <str name="config">rss-data-config.xml</str> </lst> </lst> <str name="status">idle</str> <str name="importResponse"/> <lst name="statusMessages"> <str name="Total Requests made to DataSource">11</str> <str name="Total Rows Fetched">13</str> <str name="Total Documents Skipped">0</str> <str name="Full Dump Started">2008-10-03 10:51:07</str> <str name="">Indexing completed. Added/Updated: 10 documents. Deleted 0 documents.</str> <str name="Committed">2008-10-03 10:51:18</str> <str name="Optimized">2008-10-03 10:51:18</str> <str name="Time taken ">0:0:11.50</str> </lst> <str name="WARNING">This response format is experimental. It is likely to change in the future.</str> </response>
增量导入功能
使用数据库时,在完全导入之后,下一次只需导入那些改变了的记录。这个功能就叫做 增量导入。不幸的是,它还不能适用于 RSS 提要。要是可以的话,命令应该是这样的:http://localhost:8983/solr/rss/dataimport?command=delta-import
。
您为其创建索引的文档的数量可能与我不同(因为我有可能会把其他 Solr 文章添加到提要)。为文档创建索引之后,我就可以查询索引了,就像在http://localhost:8983/solr/rss/select/?q=*%3A*&version=2.2&start=0&rows=10&indent=on
中一样,它返回了带索引的全部文档,共 10 篇。
有了这些准备,您就可以使用 DIH 了。再深入一些,就是如何替换变量和如何编写Transformer
了。要想学习更多有关此话题的知识,请参见 参考资料中的DataImportHandler
wiki 页面链接。