Solr学习之二-Solr基础知识

一 基本说明

简单来说Solr是基于Lucene的高性能的，开源的Java企业搜索服务器。Solr可以看作一个Web app，运行在tomcat或Jetty这类HTTP服务器上，

底层是一个基于Lucene的搜索引擎，还附加一个Solr的基本管理界面。Solr提供HTTP服务，通过Get方法进行查询,通过Post方法进行索引的添加/删除管理。

一般来说Solr的查询时通过Get方法请求到HTTP服务器的solr这个app下的/select对应的servlet上去，而添加等操作时通过POST方法到HTTP服务器的

Solr这个app下的/update对应的servlet方法上去。

Solr作为搜索引擎，提供基于切面/高亮/多种输出格式/复杂的语法搜索规则等功能。

与Lucene的区别是：Lucene是一些类API是个工具包，通过这些API我们可以创建索引/通过索引查询；而Solr是在此基础上的封装，通过简单的配置

就可以直接使用的开源搜索服务器。

 

二  基本概念

在Solr学习一中了解到搜索引擎的核心是建立索引，然后利用索引进行搜索。

在Solr中索引涉及到的概念有：

1 、 Core     ： 在Solr的单节点部署或者Master-Salve方式部署下标示一个完整索引。Core都是由多个文件组成，建立索引的时候是先分段，然后再合并的方式。

  一个Solr可以包含一个或多个Core，每个Core的配置可以不同；在SolrCoud部署下标示索引的一部分。

2、Collection： 在SolrCould部署模式下，指的是一个索引的逻辑概念。可以把Solr中的Core或Collection看做一个Oracle的实例。一个SolrCould可以包含多个Collection。

一个Collection可以切分成多个Shard，切分的数量大小和机器节点数和副本数有关系，要求shard数量*副本数<节点数*numShards 。注意一个节点标示启动一个HTTP服务器，

一台机器可以起多个Solr节点（这种情况必须设置不同的端口），一个Collection的内容是由每个shard中的信息组成。一个shard的信息对应组成它的一个副本的信息。

3、Shard    ： 标示切片，在SolrColud 部署模式下，将一个逻辑索引Collection切割成多个分片， 每个Shard是由多个副本Replica组成。

4、Replica  ： 副本。多个副本组成一个Shard、注意一个Shard中的replica 包含的内容逻辑上应该是一样的，Shard的数据只是其中一份Replica，不是这些副本的组合。

这些副本中有一个副本会被选择为Leader，负责写索引。

5、Zookeeper：另外一个开源的软件，在solrCloud部署模式下是必须的，主要作用是：

1）配置的统一存储和分发；2）shard中副本的Leader的选取；3）负责监控集群状态，发生改变时候通知相关的监听器，比如挂了一台机器，这台机器上如果有shard的leader节点，剩余的同一个shard的其他副本会竞选Leader，且solrColud会知道这台机器挂掉，在处理请求的时候就不发请求给这台机器。

6、Config Set:配置组，存储配置信息，每个Collection都有，至少包含solrconfig.xml这个是配置这个collection基本配置，比如使用的Lucene的版本、使用的查询组件、缓存相关信息等；还必须包含Schema.Xml 这个配置文件配置的是Collection存在的文档的字段，包括字段的类型，是否需要存储，是否需要分词等。

7、文档： 在Solr中建立索引是通过文档添加的方式进行，如果将索引看成一张表，那么文档可以看成是一条记录，那么Schema.xml可以看成这个表的定义。

一个文档由多个字段定义，这些是在Schema.xml中定义的，不是所有定义的字段文档中都必须有，但是反过来文档中有的字段必须在Schema.xml中定义，

比如：   <field name="subAcctName" type="string" indexed="true" stored="true" /> 标示定义一个字段为string类型，名称为：subAcctName

是被索引的，而且是存储的。当然也可以通过一种叫动态定义的方法进行字段的模糊匹配，比如 <dynamicField name="*_i"  type="int"    indexed="true"  stored="true"/>就表示所有以_i结尾的字段都当成int来处理。

注意这里面的类型不同于java的类型，只是相似，对于每个类型，solr会定义其相关的处理规则等。比如：

    <fieldType name="string" class="solr.StrField" sortMissingLast="true" />

标示string类型，对应的类为StrField类，如果缺失这个字段，默认在搜索的时候是排在最后的。

 

 

Schema.xml 在定义文档的字段时候会定义一个唯一值字段，似于表的主键，形如： <uniqueKey>id</uniqueKey>，作用是用于在solrCloud

模式下进行路由，Solr通过一定的算法对每个文档的ID进行计算，得到的一个Hash值，然后看下这个Hash值是属于哪个shard，就把文档发到哪个shard上去。

通过这个算法可以保证shard之间数量的均衡，在建索引可以起到负载均衡的作用。

如果你要制定文档存储的shard，有三个办法：

1）通过特殊的ID，这个ID必须有两部分组成，两部分之间用！号分隔，solr在计算hash的时候，会利用！前面的16bit做hash，并且利用后面16个bit做hash，

然后把它组合起来，这样可以保证这类文档都发到特定的shard上，注意这个特定的shard上，而不知道是具体是哪一个shard上。

2）通过_shard_字段来指定具体的shard上，这个字段设置为shard1、shard2等。

3） 在建collection的时候路由器设置为：implicit方式，在建索引的时候，文档添加一个_route_字段，值为：shard1、shard2等。

具体的语句举例： http://x.x.x.x:xxx/solr-5.0.0-web/admin/collections?action=CREATE&name=testimplicit&router.name=implicit&shards=shard1,shard2,shard3

 

文档在添加时候，如果以xml格式添加，内容类似：

<add><doc>

  <field name=“id”>05991</field>

  <field name=“name”>Peter Parker</field>

  <field name=“supername”>Spider-Man</field>

  <field name=“category”>superhero</field>

  <field name=“powers”>agility</field>

  <field name=“powers”>spider-sense</field>

</doc></add>

8、域（Field）：类似于数据库表的字段，有类型，有处理方式。注意我在Solr学习之一讲的倒排索引中的词典中的词不同于字段。

域只有指明被索引后，然后被分词器进行分词（在solr中string等基本类型是不会被分词的，text类型标示复杂类型，需要分词），之后才会存储在词典中

域有几个非常重要的属性：

indexed： 标示是否被索引，简单来说，只有被索引的字段，在查询时候才可以通过这个字段的值进行匹配查询。

stored：   如果这个设置为true标示在索引中也存储这个字段信息；如果不存在这个信息，这查询的结果中不会显示，这适用于内容非常多的场景，

我们通过查询到的ID，再到其他存储中，比如数据库中把对应的这个字段信息再抽出来。

域中有个特殊的域叫拷贝域，它的作用是，可以将其他域的值拷贝到这个域中，搜索的时候只要搜索这个域就可以了。

<copyField source="title" dest="text"/>

<copyField source="content" dest="text"/>

 将域title和content内容拷贝到text域里面。

9、段（Segment）

• 多个段组成索引，一个段由多个文件组成，新添加的文档可以生产新的段，不同的段之间可以合并。
• 在index目录下以相同数字的文件开头的属于一个段.
•  segments.gen和segments_* 属于段的元数据信息，保存段的基本属性。

10、词(Term)

     第一部分介绍组成词典的部分，是词法分析语法分析后得到的字符串。

     term由一对值组成：field name(string)和field value(bytes)，同一个value在不同的field中有不同的含义。

 

文档、索引、字段、词之间的关系可以用下图描述：

《网上借来的图》

一个索引是由多个段组成，在实际中段是一些列文件，一个段又是由多个文档组成的，一个文档又是由多个字段组成。

段独立存在，作为一个子索引，可以被单独搜索。

一个字段中的内容经过分词变成Team 存储在倒排索引中。

 Lucene保存的索引信息，既包括正向信息又包含反向信息。

正向信息：按照从属关系：索引(Index) –> 段(segment) –> 文档(Document) –> 域(Field) –> 词(Term)

一般上层不光包含自己的信息还包含部分的下层信息。

保存正向信息的文件有:

• segments_N                       保存了此索引包含多少个段，每个段包含多少篇文档。
• XXX.fnm                            保存了此段包含了多少个域，每个域的名称及索引方式。
• XXX.fdx，XXX.fdt               保存了此段包含的所有文档，每篇文档包含了多少域，每个域保存了那些信息。
• XXX.tvx，XXX.tvd，XXX.tvf 保存了此段包含多少文档，每篇文档包含了多少域，每个域包含了多少词，每个词的字符串，位置等信息。

反向信息：

      词典到索引的映射，也即我们说的倒排索引。

• XXX.tis，XXX.tii          保存了词典(Term Dictionary)，也即此段包含的所有的词按字典顺序的排序。
• XXX.frq                      保存了倒排表，也即包含每个词的文档ID列表。
• XXX.prx                      保存了倒排表中每个词在包含此词的文档中的位置。