Solr 7 部署与使用入门踩坑全记录
前言
Solr 是一种可供企业使用的、基于 Lucene 的搜索服务器，它支持层面搜索、命中醒目显示和多种输出格式。在这篇文章中，我将介绍 Solr 的部署和使用的基本操作，希望能让初次使用的朋友们少踩一些坑。
下载地址：https://lucene.apache.org/solr/downloads.html
本文中使用的 Solr 版本：7.7.2，因为我是用的是 Windows 系统，所以主要介绍的是 Windows 下的部署方法。
安装
Solr 内置了 Jetty，所以不需要任何安装任何 Web 容器即可运行。直接通过命令行就可以启动。
启动 Solr：
.\solr.cmd start
停止 Solr：
.\solr.cmd stop -all
创建 Core
首先在 server\solr 文件夹中创建一个新的目录，然后将 server\solr\configsets\_default 下的 conf 目录复制到刚刚创建的文件夹。
在浏览器中打开 http://localhost:8983/solr/ 点击左侧的 Core Admin 添加 Core。
name 和 instanceDir 都改成刚刚创建的目录名称。
创建好之后即可在左侧的 Core Selector 中找到这个 Core。
现在一个 Core 就创建好了，在 Core 的面板里可以对其进行一些基本操作。
Solr 的 Api 是支持通过调用接口添加数据的，但是在实际使用中我们都是从数据库中同步数据，所以我们需要为 Solr 配置数据源。
在 solrconfig.xml 文件中找到如下内容：
<!-- Request Handlers
http://wiki.apache.org/solr/SolrRequestHandler
Incoming queries will be dispatched to a specific handler by name
based on the path specified in the request.
If a Request Handler is declared with startup="lazy", then it will
not be initialized until the first request that uses it.
-->
添加一个 requestHandler 节点：
<requestHandler name="/dataimport" class="solr.DataImportHandler">
<lst name="defaults">
<str name="config">data-config.xml</str>
</lst>
</requestHandler>
data-config.xml 文件的大致结构如下：
稍后会对 data-config.xml 文件进行详细介绍。
配置数据源
使用 SQL Server 数据源
从微软官网下载 SQL Server 的 Microsoft SQL Server JDBC 驱动程序 4.1 驱动，复制到 server\solr-webapp\webapp\WEB-INF\lib 目录下。
这里需要注意的是把在下载的文件重命名为 sqljdbc4.jar，我之前没有改名死活加载不上。
使用 com.microsoft.sqlserver.jdbc.SQLServerDriver 驱动配置数据源：
<dataSource name="postData" driver="com.microsoft.sqlserver.jdbc.SQLServerDriver" url="jdbc:sqlserver://127.0.0.1:1433;SelectMethod=Cursor;DatabaseName=post;useLOBs=false;loginTimeout=60" user="charlestest" password="12345678" />
使用 MySQL 数据源
下载：mysql-connector-java-6.0.6.jar 复制到 server\solr-webapp\webapp\WEB-INF\lib 目录下。
从 dist 目录复制 solr-dataimporthandler-7.7.2.jar 到 server/solr-webapp/webapp/WEB-INF/lib 中。
配置 data-config.xml：
<dataConfig>
<dataSource name="postsData" type="JdbcDataSource" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost:3306/posts?useUnicode=true&useJDBCCompliantTimezoneShift=true&useLegacyDatetimeCode=false&serverTimezone=UTC" user="root" password="12345678" batchSize="-1" />
<document name="posts">
<entity name="Post" dataSource="postData" pk="Id" transformer="DateFormatTransformer,HTMLStripTransformer" rootEntity="true" query="SELECT Id, post_author, post_date, post_date_gmt, post_content, post_title, post_excerpt, post_status, comment_status, ping_status, post_password, post_name, to_ping, pinged, post_modified, post_modified_gmt, post_content_filtered, post_parent, guid, menu_order, post_type, post_mime_type, comment_count
FROM wp_posts"
deltaQuery="SELECT Id, post_author, post_date, post_date_gmt, post_content, post_title, post_excerpt, post_status, comment_status, ping_status, post_password, post_name, to_ping, pinged, post_modified, post_modified_gmt, post_content_filtered, post_parent, guid, menu_order, post_type, post_mime_type, comment_count
FROM wp_posts post_modified >'${dataimporter.last_index_time}' "
>
<field column="Id" />
<field column="post_author" />
<field column="post_date" dateTimeFormat='yyyy-MM-dd HH:mm:ss'/>
<field column="post_date_gmt" dateTimeFormat='yyyy-MM-dd HH:mm:ss'/>
<field column="post_content" />
<field column="post_title" />
<field column="post_excerpt" />
<field column="post_status" />
<field column="comment_status" />
<field column="ping_status" />
<field column="post_password" />
<field column="post_name" />
<field column="to_ping" />
<field column="pinged" />
<field column="post_modified" dateTimeFormat='yyyy-MM-dd HH:mm:ss'/>
<field column="post_modified_gmt" dateTimeFormat='yyyy-MM-dd HH:mm:ss'/>
<field column="post_content_filtered" />
<field column="post_parent" />
<field column="guid" />
<field column="menu_order" />
<field column="post_type" />
<field column="post_mime_type" />
<field column="comment_count" />
<entity name="PostAuthor" dataSource="authordata" pk="Id" query="SELECT Id, user_login, user_pass, user_nicename, user_email, user_url, user_registered, user_activation_key, user_status, display_name
FROM wp_users where id=${Post.post_author}">
<field column="Id" />
<field column="user_login"/>
<field column="user_pass"/>
<field column="user_nicename"/>
<field column="user_email"/>
<field column="user_url"/>
<field column="user_registered"/>
<field column="user_activation_key"/>
<field column="user_status"/>
<field column="display_name"/>
</entity>
</entity>
</document>
</dataConfig>
entity 中的一些常用属性：
- query：查询只对第一次全量导入有作用，对增量同步不起作用。
- deltaQuery：的意思是，查询出所有经过修改的记录的 Id 可能是修改操作，添加操作，删除操作产生的（此查询只对增量导入起作用，而且只能返回 Id 值）
- deletedPkQuery：此操作值查询那些数据库里伪删除的数据的 Id、solr 通过它来删除索引里面对应的数据（此查询只对增量导入起作用，而且只能返回 Id 值）。
- deltaImportQuery：是获取以上两步的 Id，然后把其全部数据获取，根据获取的数据对索引库进行更新操作，可能是删除，添加，修改（此查询只对增量导入起作用，可以返回多个字段的值，一般情况下，都是返回所有字段的列）。
- parentDeltaQuery：从本 entity 中的 deltaquery 中取得参数。
dataSource 中 batchSize 属性的作用是可以在批量导入的时候限制连接数量。
配置完成后重新加载一下 Core。
中文分词
将 contrib\analysis-extras\lucene-libs 目录中的 lucene-analyzers-smartcn-7.7.2.jar 复制到 server\solr-webapp\webapp\WEB-INF\lib 目录下，否则会报错。
在 managed-shchema 中添加如下代码：
<!-- 配置中文分词器 -->
<fieldType name="text_cn" class="solr.TextField">
<analyzer type="index">
<tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory" />
</analyzer>
<analyzer type="query">
<tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory" />
</analyzer>
</fieldType>
把需要使用中文分词的字段类型设置成 text_cn：
<field name="Remark" type="text_cn" indexed="true" stored="true" multiValued="false"/>
主从部署
Solr 复制模式，是一种在分布式环境下用于同步主从服务器的一种实现方式，因之前提到的基于 rsync 的 SOLR 不同方式部署成本过高，被 Solr 1.4 版本所替换，取而代之的就是基于 HTTP 协议的索引文件传输机制，该方式部署简单，只需配置一个文件即可。Solr 索引同步的是 Core 对 Core，以 Core 为基本同步单元。
主服务器 solrconfig.xml 配置：
<requestHandler name="/replication" class="solr.ReplicationHandler">
<lst name="master">
<!-- 执行 commit 操作后进行 replicate 操作同样的设置'startup', 'commit', 'optimize'-->
<str name="replicateAfter">commit</str>
<!-- 执行 startup 操作后进行 replicate 操作 -->
<str name="replicateAfter">startup</str>
<!-- 复制索引时也同步以下配置文件 -->
<str name="confFiles">schema.xml,stopwords.txt</str>
<!-- 每次 commit 之后，保留增量索引的周期时间，这里设置为 5 分钟。 -->
<str name="commitReserveDuration">00:05:00</str>
<!-- 验证信息，由用户自定义用户名-->
<!-- <str name="httpBasicAuthUser">root</str> -->
<!-- 验证信息，由用户自定义密码 -->
<!-- <str name="httpBasicAuthPassword">password</str> -->
</lst>
<!--
<lst name="slave">
<str name="masterUrl">http://your-master-hostname:8983/solr</str>
<str name="pollInterval">00:00:60</str>
</lst>
-->
</requestHandler>
从服务器 solrconfig.xml 配置：
<requestHandler name="/replication" class="solr.ReplicationHandler">
<lst name="slave">
<!-- 主服务器的同步地址 -->
<str name="masterUrl">http://192.168.1.135/solr/posts</str>
<!-- 从服务器同步间隔，即每隔多长时间同步一次主服务器 -->
<str name="pollInterval">00:00:60</str>
<!-- 压缩机制，来传输索引，可选 internal|external，internal：内网，external：外网 -->
<str name="compression">internal</str>
<!-- 设置连接超时（单位：毫秒） -->
<str name="httpConnTimeout">50000</str>
<!-- 如果设置同步索引文件过大，则应适当提高此值。（单位：毫秒） -->
<str name="httpReadTimeout">500000</str>
<!-- 验证用户名，需要和 master 服务器一致 -->
<!-- <str name="httpBasicAuthUser">root</str> -->
<!-- 验证密码，需要和 master 服务器一致 -->
<!-- <str name="httpBasicAuthPassword">password</str> -->
</lst>
</requestHandler>
Solr 主从同步是通过 Slave 周期性轮询来检查 Master 的版本，如果 Master 有新版本的索引文件，Slave 就开始同步复制。
- 1、Slave 发出一个 filelist 命令来收集文件列表。这个命令将返回一系列元数据（size、lastmodified、alias 等信息）。
- 2、Slave 查看它本地是否有这些文件，然后它会开始下载缺失的文件（使用命令 filecontent）。如果与 Master 连接失败，就会重新连接，如果重试 5 次还是没有成功，就会 Slave 停止同步。
- 3、文件被同步到了一个临时目录（
index.时间戳格式的文件夹名称，例如：index.20190614133600008）。旧的索引文件还存放在原来的文件夹中，同步过程中出错不会影响到 Slave，如果同步过程中有请求访问，Slave 会使用旧的索引。 - 4、当同步结束后，Slave 就会删除旧的索引文件使用最新的索引。
我们项目中 6.7G 的索引文件（279 万条记录），大概只用了 12 分钟左右就同步完成了，平均每秒的同步速度大约在 10M 左右。
注意事项： 如果主从的数据源配置的不一致，很可能导致从服务器无法同步索引数据。
在项目中使用 Solr
在 Java 项目中使用 Solr
SolrJ 是 Solr 的官方客户端，文档地址：https://lucene.apache.org/solr/7_7_2/solr-solrj/。
使用 maven 添加：
<!-- https://mvnrepository.com/artifact/org.apache.solr/solr-solrj -->
<dependency>
<groupId>org.apache.solr</groupId>
<artifactId>solr-solrj</artifactId>
<version>7.7.2</version>
</dependency>
查询索引文档：
String keyword = "苹果";
Map<String, String> queryParamMap = new HashMap<String, String>();
queryParamMap.put("q", "*:*");
queryParamMap.put("fq", keyword);
MapSolrParams queryParams = new MapSolrParams(queryParamMap);
QueryResponse queryResponse = client.query("posts", queryParams);
SolrDocumentList results = queryResponse.getResults();
添加和更新索引文档：
// 通过 属性 添加到索引中
SolrInputDocument doc = new SolrInputDocument();
doc.addField("id", "10000");
doc.addField("post_title", "test-title");
doc.addField("post_name", "test-name");
doc.addField("post_excerpt", "test-excerpt");
doc.addField("post_content", "test-content");
doc.addField("post_date", "2019-06-18 14:56:55");
client.add("posts", doc);
// 通过 Bean 添加到索引中
Post post = new Post();
post.setId(10001);
post.setPost_title("test-title-10001");
post.setPost_name("test-name");
post.setPost_excerpt("test-excerpt");
post.setPost_content("test-content");
post.setPost_date(new Date());
client.addBean("posts", post);
client.commit("posts");
具体代码可以参考我 GitHub 中的示例，这里就不详细列出了。
在 DotNet 项目中使用 Solr
SolrNet：https://github.com/mausch/SolrNet
通过 Nuget 添加 SolrNet：
Install-Package SolrNet
首先定义一个索引对象 PostDoc：
/// <summary>
/// 文章 doc。
/// </summary>
[Serializable]
public class PostDoc
{
[SolrUniqueKey("id")]
public int Id { get; set; }
[SolrField("post_title")]
public string Title { get; set; }
[SolrField("post_name")]
public string Name { get; set; }
[SolrField("post_excerpt")]
public string Excerpt { get; set; }
[SolrField("post_content")]
public string Content { get; set; }
[SolrField("post_date")]
public DateTime PostDate { get; set; }
}
在项目的 Startup 类中初始化 SolrNet：
SolrNet.Startup.Init<PostDoc>("http://localhost:8983/solr/posts");
添加或更新文档操作：
// 同步添加文档
solr.Add(
new PostDoc()
{
Id = 30001,
Name = "This SolrNet Name",
Title = "This SolrNet Title",
Excerpt = "This SolrNet Excerpt",
Content = "This SolrNet Content 30001",
PostDate = DateTime.Now
}
);
// 异步添加文档（更新）
await solr.AddAsync(
new PostDoc()
{
Id = 30001,
Name = "This SolrNet Name",
Title = "This SolrNet Title",
Excerpt = "This SolrNet Excerpt",
Content = "This SolrNet Content Updated 30001",
PostDate = DateTime.Now
}
);
// 提交
ResponseHeader responseHeader = await solr.CommitAsync();
删除文档操作：
// 使用文档 Id 删除
await solr.DeleteAsync("300001");
// 直接删除文档
await solr.DeleteAsync(new PostDoc()
{
Id = 30002,
Name = "This SolrNet Name",
Title = "This SolrNet Title",
Excerpt = "This SolrNet Excerpt",
Content = "This SolrNet Content 30002",
PostDate = DateTime.Now
});
// 提交
ResponseHeader responseHeader = await solr.CommitAsync();
搜索并对结果进行排序，在不传入分页参数的情况下 SolrNet 会返回所有满足条件的结果。
// 排序
ICollection<SortOrder> sortOrders = new List<SortOrder>() {
new SortOrder("id", Order.DESC)
};
// 使用查询条件并排序
SolrQueryResults<PostDoc> docs = await solr.QueryAsync("post_title:索尼", sortOrders);
使用字段筛选的另一种方式：
// 使用条件查询
SolrQueryResults<PostDoc> posts = solr.Query(new SolrQueryByField("id", "30000"));
分页查询并对高亮关键字：
SolrQuery solrQuery = new SolrQuery("苹果");
QueryOptions queryOptions = new QueryOptions
{
// 高亮关键字
Highlight = new HighlightingParameters
{
Fields = new List<string> { "post_title" },
BeforeTerm = "<font color='red'><b>",
AfterTerm = "</b></font>"
},
// 分页
StartOrCursor = new StartOrCursor.Start(pageIndex * pageSize),
Rows = pageSize
};
SolrQueryResults<PostDoc> docs = await solr.QueryAsync(solrQuery, queryOptions);
var highlights = docs.Highlights;
高亮关键字需要在返回结果中单独获取，docs.Highlights 是一个 IDictionary<string, HighlightedSnippets> 对象，每个 key 对应文档的 id，HighlightedSnippets 中也是一个 Dictionary，存储高亮处理后的字段和内容。
在 Python 项目中使用 Solr
PySolr：https://github.com/django-haystack/pysolr
使用 pip 安装 pysolr：
pip install pysolr
简单的操作：
# -*- coding: utf-8 -*-
import pysolr
SOLR_URL = 'http://localhost:8983/solr/posts'
def add():
"""
添加
"""
result = solr.add([
{
'id': '20000',
'post_title': 'test-title-20000',
'post_name': 'test-name-20000',
'post_excerpt': 'test-excerpt-20000',
'post_content': 'test-content-20000',
'post_date': '2019-06-18 14:56:55',
},
{
'id': '20001',
'post_title': 'test-title-20001',
'post_name': 'test-name-20001',
'post_excerpt': 'test-excerpt-20001',
'post_content': 'test-content-20001',
'post_date': '2019-06-18 14:56:55',
}
])
solr.commit()
results = solr.search(q='id: 20001')
print(results.docs)
def delete():
"""
删除
"""
solr.delete(q='id: 20001')
solr.commit()
results = solr.search(q='id: 20001')
print(results.docs)
def update():
"""
更新
"""
solr.add([
{
'id': '20000',
'post_title': 'test-title-updated',
'post_name': 'test-name-updated',
'post_excerpt': 'test-excerpt-updated',
'post_content': 'test-content-updated',
'post_date': '2019-06-18 15:00:00',
}
])
solr.commit()
results = solr.search(q='id: 20000')
print(results.docs)
def query():
"""
查询
"""
results = solr.search('苹果')
print(results.docs)
if __name__ == "__main__":
solr = pysolr.Solr(SOLR_URL)
add()
delete()
update()
query()
需要注意的是在使用 solr.add() 和 solr.delete 方法以后需要执行一下 solr.commit() 方法，否则文档的变更不会提交。
如果想获取添加或更新是否成功可以通过判断 solr.commit() 方法返回结果，solr.commit() 方法的返回结果是一个 xml 字符串：
<xml version="1.0" encoding="UTF-8">
<response>
<lst name="responseHeader">
<int name="status">0</int>
<int name="QTime">44</int>
</lst>
</response>
</xml>
status 的值如果是 0 就表示提交成功了。
总结
通过简单使用和测试，就会发现搜索结果并不是很精准，比如搜索“微软”这个关键字，搜索出来的数据中有完全不包含这个关键字的内容，所以要想让搜索结果更加准确就必须对 Sorl 进行调优，Solr 中还有很多高级的用法，例如设置字段的权重、自定义中文分词词库等等，有机会我会专门写一篇这样的文章来介绍这些功能。
我在 sql 目录里提供了数据库脚本，方便大家创建测试数据，数据是以前做的一个小站从网上抓取过来的科技新闻。
项目地址：https://github.com/weisenzcharles/SolrExample
