纪录:Solr6.4.2+Flume1.7.0 +morphline+kafka集成

     当前大多数企业版hadoop的solr版本都还停留在solr4.x，由于这个版本的solr本身的bug较多，使用起来会出很多奇怪的问题。如部分更新日期字段失败的问题。

     最新的solr版本不仅修复了以前的一些常见bug，还提供了更简便易用的功能，如ManagedSchema替代schema.xml来管理索引的schema。

    由于solr自带的接口和入库工具需要一些定制开发，所以通常用flume来作为数据采集的工具。数据流图如下：

具体见前文：《json数据处理实战:Kafka+Flume+Morphline+Solr+Hue数据组合索引》

在Cloudera等企业版hadoop中，Solr和Flume已经集成，并能互通。如果你目前的情况是使用Cloudera企业版,请看上面这篇文章。

然而由于集成的版本跟不上开源社区最新版本，还是很嫌弃的。于是就有了下面的配置最新版本的Solr和Flume互通:

 

1.Solr最新版服务部署及入门:

见solr官网quickstart。

http://lucene.apache.org/solr/quickstart.html

说明:创建Solr集合的部分，不是本章重点，所以这里没有介绍。

另，本例中和前文不同，使用的不是SolrCloud模式，而是单机的Solr。

 

2.Flume最新版部署及入门

下载地址:http://flume.apache.org/download.html

入门介绍:https://cwiki.apache.org//confluence/display/FLUME/Getting+Started

详细配置介绍:http://flume.apache.org/FlumeUserGuide.html

详细配置介绍中，需要关注的是KafkaSource和MorphlineSolrSink。

最终的flume.conf配置为:

kafka2solr.sources = source_from_kafka
kafka2solr.channels = customer_doc_channel
kafka2solr.sinks = solr_sink1

# For each one of the sources, the type is defined  
kafka2solr.sources.source_from_kafka.type = org.apache.flume.source.kafka.KafkaSource
kafka2solr.sources.source_from_kafka.channels = customer_doc_channel
kafka2solr.sources.source_from_kafka.batchSize = 100
kafka2solr.sources.source_from_kafka.useFlumeEventFormat=false
kafka2solr.sources.source_from_kafka.kafka.bootstrap.servers= kafkanode0:9092,kafkanode1:9092,kafkanode2:9092
kafka2solr.sources.source_from_kafka.kafka.topics = tablecardLogin
kafka2solr.sources.source_from_kafka.kafka.consumer.group.id = catering_customer_core_070327
kafka2solr.sources.source_from_kafka.kafka.consumer.auto.offset.reset=earliest

# Other config values specific to each type of channel(sink or source)  
# can be defined as well  
kafka2solr.channels.customer_doc_channel.type = file
kafka2solr.channels.customer_doc_channel.capacity=10000000
kafka2solr.channels.customer_doc_channel.checkpointDir = /home/arli/data/flume-ng/customer_doc/checkpoint
kafka2solr.channels.customer_doc_channel.dataDirs = /home/arli/data/flume-ng/customer_doc/data

kafka2solr.sinks.solr_sink1.type = org.apache.flume.sink.solr.morphline.MorphlineSolrSink
kafka2solr.sinks.solr_sink1.channel = customer_doc_channel
kafka2solr.sinks.solr_sink1.batchSize = 5000
kafka2solr.sinks.solr_sink1.batchDurationMillis = 2000
kafka2solr.sinks.solr_sink1.morphlineFile = /home/arli/flume-config/morphlines.conf
kafka2solr.sinks.solr_sink1.morphlineId=morphline1
kafka2solr.sinks.solr_sink1.isIgnoringRecoverableExceptions=true
#kafka2solr.sinks.solr_sink1.isProductionMode=true

 

3.新建一个Flume配置目录，下面四个文件是比较重要的。

flume.conf 来自上一节的配置。

flume-env.sh 来自安装目录conf下的flume-env.sh.template。需要改动。

log4j.properties 在调试过程中可以开启更低级别的日志打印。

morphline.conf 参考Morphline的文档：http://kitesdk.org/docs/current/morphlines/morphlines-reference-guide.html

 

4.接下来详细介绍上面的后三个配置文件。

1)flume-env.sh

需要改动的地方如上:

#默认的内存是不够的。需要扩大内存。
export JAVA_OPTS="-Xms100m -Xmx500m -Dcom.sun.management.jmxremote"

#Flume官方下载的包少了一些Solr相关的包，需要把solr的lib目录加到flume的classpath下。
FLUME_CLASSPATH="/xxx/solr-6.4.2/contrib/morphlines-core/lib/*:/xxxi/solr-6.4.2/dist/*:/xxx/solr-6.4.2/dist/solrj-lib/*:/xxx/solr-6.4.2/server/solr-webapp/webapp/WEB-INF/lib/*"

 

2)log4j.properties

100MB改成10MB，以防打日志太多日志文件过大。

在调试阶段，加上如下两行会省心很多，调试完再去掉。

log4j.logger.org.apache.flume.sink.solr=DEBUG
log4j.logger.org.kitesdk.morphline=TRACE

 

3)morphline.conf

大部分和前文：《json数据处理实战:Kafka+Flume+Morphline+Solr+Hue数据组合索引》雷同。由于我使用的是单机版本的Solr，所以在配置时如下。

注意solrUrl和solrHomeDir的配置，在官网中没有介绍(因为morphline是cloudera开发并开源的，cloudera的solr默认是solrCloud)，但是在源码阅读时可以看到这两个单机solr配置参数。

SOLR_LOCATOR : {
   solrUrl : "http:\/\/localhost:8983\/solr\/catering_customer_core1"
   solrHomeDir : "/xxx/server/solr/catering_customer_core1/conf"
}

morphlines : [
  {
    #customer morphline
    id : morphline1
    
    # Import all morphline commands in these java packages and their subpackages.
    # Other commands that may be present on the classpath are not visible to this morphline.
    importCommands : ["org.kitesdk.**", "org.apache.solr.**"]
    
    commands : [                 
    { 
        readJson {}
    } 
    
    {
        tryRules 
        {
            catchExceptions : false
            throwExceptionIfAllRulesFailed : true
            rules : [
            {
              commands : [
                { 
                    contains {topic : [tablecardLogin] } 
                }
                
                #field need to be indexed from json.
                {
                    extractJsonPaths {
                      flatten : false
                      paths : {
                        account:/account         
                        customer_id:/customerId
                        history_signin_dates:/opt_time
                        history_signin_timestamps:/opt_time
                        name:/name
                        sex:/sex
                        }
                    }
                }
              ]
              
            }
            

            # if desired, the last rule can serve as a fallback mechanism 
            # for records that don't match any rule:
            {
                    commands : [
                    { logWarn { format : "Ignoring record with unsupported input format: {}", args : ["@{}"] } }
                    { dropRecord {} }    
                    ]
            }
          ]
        }
    }

    {
        convertTimestamp {
            field : history_signin_dates
            inputFormats : ["yyyy-MM-dd HH:mm:ss"]
            inputTimezone : Asia/Shanghai
            outputFormat : "yyyy-MM-dd'T'HH:mm:ss'Z/SECOND'"
            outputTimezone : Asia/Shanghai
            }
    }

    {
        convertTimestamp {
            field : history_signin_timestamps
            inputFormats : ["yyyy-MM-dd HH:mm:ss"]
            inputTimezone : Asia/Shanghai
            outputFormat : "unixTimeInMillis"
            outputTimezone : UTC
            }
    }

    {
        java {
            imports : "import java.util.*;import org.kitesdk.morphline.api.Command;import org.kitesdk.morphline.api.Record;"
            code:     """
                            Object customerId = record.getFirstValue("customer_id");
                            Object account = record.getFirstValue("account");
                            record.put("id", account + "@" + customerId);
                            return child.process(record);
                    """
            }
    }
    
    {sanitizeUnknownSolrFields {solrLocator : ${SOLR_LOCATOR}}}

    #将数据导入到solr中
    {loadSolr {solrLocator : ${SOLR_LOCATOR}}}

     ]
  }
]

 

4.Morphline中的sanitizeUnknownSolrFields命令需要有schema.xml才能使用。

Solr6.4.2的schema默认是用managed-schema文件管理的。如果上面配置中的solrHomeDir目录下没有shema.xml文件，则会报错。

好在managed-schema和之前schema.xml文件内容几乎一致。执行如下命令即可。

cp managed-schema schema.xml

 

5.解决Flume1.7.0和solr6.4.2的jar包冲突问题。

Flume1.7在编译时使用的是Solr4.10.1的包，而其中lib目录下，Solrj依赖的httpcore-4.1.3包已与最新的Solrj不兼容，因此在solr目录dist/solrj-lib下找到对应的包然后替换。

另外还需要清理的两种包:1.Flume的lib目录老的solr版本相关的包，2.若存在kite-morphline-solr-core(因为solr自己发布的版本已经包含了等价的solr-morphline-core包)则需要清理。(由于本文在写作时相应的包都已经清理了，所以记录的不够细节，望见谅。)

 

6.启动flume。调试时可以先在控制台启动，去掉最后的&。

bin/flume-ng agent --conf ~/flume-config/ -f ~/flume-config/flume.conf  -n kafka2solr &