使用solr構建hbase二級索引

@(HBASE)[hbase, solr]

• 使用solr構建hbase二級索引
• 一概述
  • 一業務場景描述
  • 二技術方案
    • 1技術方案一
    • 2技術方案二
    • 3關于索引的建議
• 二使用hbase-indexer構建hbase二級索引
  • 一 安裝環境準備
  • 二 配置solr
  • 三 配置hbase-solr
  • 四測試
    • 1hbase中創建測試表
    • 2添加配置文件用于將solr中的field映射為hbase中的qualifier
    • 3添加索引
    • 4搜索
  • 五使用solrJ搜素
• 三使用coprocessor構建hbase二級索引
  • • 見另一篇文章

一、概述

正常情況下，hbase適合用于根據rowkey取得一個value的應用場景，但如果是反過來的需求，如根據value值搜索有哪些rowkey滿足這個條件，類似于RDBMS的操作，則不是hbase擅長的領域，因為這會導致全表掃描。

（一）業務場景描述

有一些數據記錄了用戶的一些行為，比如是否玩過某款游戲，是否買過某本書，是否看過某個視頻等。現在需要查詢以下內容：
（1）根據用戶+標簽作為查詢條件，查詢用戶是否存在這個標簽。這個標簽可能是一個視頻名稱。
（2）根據用戶查詢該用戶的所有標簽。
（3）根據標簽條件，搜索符合某些標簽條件的用戶。
前2個應用場景需要實時快速查詢，最后一個場景可以離線查詢。
這是最典型的應用。其中前2個場景一般用于向用戶推薦商品，而第3個場景是搜索符合某些條件的用戶，然后進行廣告投放。

即：
（1）為用戶推薦時根據用戶id獲取用戶的信息，然后進行推薦，由于已經確認rowkey，此時進行hbase get操作是非常高效的。
（2）進行廣告投放時，先根據某些條件搜索hbase中的value值，得出符合條件的rowkey，然后進行投放。如果不是所有信息索引的話，還需要根據rowkey回hbase取出完整的用戶信息。

（二）技術方案

1、技術方案一

方案描述：由于應用場景1是最常用的場景，即判斷用戶的某個標簽是否存在。將用戶信息+標簽作為rowkey，這可以最快速的進行查詢。對于場景2可以通過Scan#setRowPrefixFilter(用戶id)來獲取某個用戶的所有標簽。對于場景3，將通過把hbase信息索引到solr，然后搜索某些符合標簽條件的所有用戶。
問題：為了將hbase中的內容添加至索引，需要將標簽名稱也作為內容保存到qualifier的value中，這會導致信息的冗余。

2、技術方案二

方案：另一個方案是直接以用戶id作為rowkey，每個標簽作為一個qualifier。對于場景1和2都可以直接get就行了，對于場景3同樣通過solr作索引。
問題：但用戶標簽可能很多，過百萬、千萬，有可能一行超過HFILE大小（默認10G，雖然可能性很小）。另外就是即使對于應用場景1，也需要將整行讀取出來，再選取其中的部分內容，這會將大量無用信息讀取到內存，很容易觸發GC。還有就是這種情形下將以標簽作為qualifier，這個標簽的名稱是無法事先確定的，而solr與hbase的結合只能以cf:qulifier與solr的一個Field作映射（當然這可以通過自己開發模塊去將整個cf索引，但這需要較多的人力。不存在這個問題了，已經可以索引整個cf）
建議：如果標簽類別數量較少，比如1000以內，則可以使用本方案，此時上面所述的三個問題都不存在了。而且這是一個比較典型的用戶畫像應用，建議通過歸類、聚類等算法更好控制標簽的數量。大量的推薦、廣告投放等應用均是使用類似的架構。缺點是信息經過整合后會丟失細節，但這部分數據可以保存在hdfs中，以備隨時重新提取有效信息。

3、關于索引的建議

（1）【強烈不建議】如果直接使用hbase來查詢，不管是否加上filter，這必需要進行全表Scan，雖然可以使用離線分析，但也會導致hbase需要將全表數據加載到內存，從而頻繁GC，導致集群負載過高。
（2）【可測試，無需引入solr，但性能待定】另一方式是為hbase表建倒排索引，重新索引回hbase中，以標簽作rowkey，以用戶id作值。此表可專用于應用場景3。
（3）【可測試，自由度高，最靈活，但工作量較大】使用coprocessor將數據索引至solr。
（4）【可測試】使用solr-index等開源工具將數據索引至solr。
CDH有一個hbase-solr的模塊，它是基于開源項目hbase-indexer的。問題是hbase-indexer基于0.94與0.98的，不清楚cdh是否有改進，沒文檔說明。但一般而言，它與CDH5.6同時發布，應該是不存在兼容性問題的。

二、使用hbase-indexer構建hbase二級索引

以下介紹如何使用hbase-indexer將hbase中的數據同步索引至solr中。
其基本原理是根據hbase的log來將操作重寫在solr中執行一次。

（一） 安裝環境準備

本文在現有的集群環境上進行部署，jdk版本選用1.7，其中hbase集群使用的版本為hbase-1.0.0-cdh5.6.0

solr與hbase整合需要的軟件如下：

• 1、solr-4.10.3-cdh5.6.0
• 2、hbase-solr-1.5-cdh5.6.0

（二） 配置solr

將solr解壓，cd到exampe目錄下，使用solrCloud模式在每臺節點上執行：

java -Dbootstrap_confdir=./solr/collection1/conf -Dcollection.configName=myconf -DzkHost={zk_host}/solr -jar start.jar

即可啟動solr，上面命令會將solr中的配置文件上傳到zk中，供集群其他節點讀取使用。
其中，conf目錄下有collection1的配置文件，主要有兩個可能需要修改的文件：

① schema.xml文件
② solrconfig.xml文件

其中，在schema.xml文件中，可以定義一些自己的field, fieldType，分詞器，copyField
solrconfig.xml文件中對應對索引進行一些通用設置，比如設置軟、硬提交

啟動之后，可以訪問http://{your_host}:8983/solr/，進入solr查詢頁面。

（三） 配置hbase-solr

解壓habse-solr之后，需要做一些配置，才能使用，否則啟動出錯。

（1）修改conf/hbase-indexer-site.xml文件，添加內容如下：

<property><name>hbaseindexer.zookeeper.connectstring</name><value>zookeeperhost</value> </property> <property><name>hbase.zookeeper.quorum</name><value>zookeeperhost</value> </property>

（2）配置hbase，開啟habse的replication功能，在hbase的hbase-site.xml文件中，修改內容如下:

<!-- added by hwyn3816 on 2016/07/04 --><property><name>hbase.replication</name><value>true</value><description>SEP is basically replication, so enable it</description></property><property><name>replication.source.ratio</name><value>1.0</value><description>Source ratio of 100% makes sure that each SEP consumer is actually used (otherwise, some can sit idle, especially with small clusters)</description></property><property><name>replication.source.nb.capacity</name><value>1000</value><description>Maximum number of hlog entries to replicate in one go. If this is large, and a consumer takes a while to process the events, the HBase rpc call will time out.</description></property><property><name>replication.replicationsource.implementation</name><value>com.ngdata.sep.impl.SepReplicationSource</value><description>A custom replication source that fixes a few things and adds some functionality (doesn't interfere with normal replication usage).</description></property>

（3）復制一些額外的jar到habse中的lib目錄下，

cp lib/hbase-sep-* $HBASE_HOME/lib

（4）重啟hbase集群，使得配置生效，執行：

cd ${HBASE_HOME} bin/rolling-restart.sh

（5）啟動habse-index服務

bin/hbase-indexer server

（四）測試

1、hbase中創建測試表

$ hbase shell hbase> create 'indexdemo-user', { NAME => 'info', REPLICATION_SCOPE => '1' }# 在表中添加一些數據 hbase> put 'indexdemo-user', 'row1', 'info:firstname', 'John' hbase> put 'indexdemo-user', 'row1', 'info:lastname', 'Smith'

2、添加配置文件，用于將solr中的field映射為hbase中的qualifier

<?xml version="1.0"?> <indexer table="indexdemo-user"><field name="firstname_s" value="info:firstname"/><field name="lastname_s" value="info:lastname"/><field name="age_i" value="info:age" type="int"/> </indexer>

注意，上面兩個字段名，還需要在solr的schema.xml文件事先定義，才能使用。

3、添加索引

定義好上面文件后，在solr-hbase中創建indexer,執行：

./bin/hbase-indexer add-indexer -n myindexer -c indexdemo-indexer.xml \-cp solr.zk={zk_host}/solr -cp solr.collection=collection1 -z {zk_host}

4、搜索

執行完成后，如果沒有出錯，就可以去solr查詢頁面中，查詢到已經對habse定義的字段數據進行了索引：

{"responseHeader": {"status": 0,"QTime": 1,"params": {"indent": "true","q": "*:*","_": "1467685845733","wt": "json"}},"response": {"numFound": 3,"start": 0,"docs": [{"firstname_s": "hwyn3816","lastname_s": "huanghe","id": "row1","_version_": 1538978729496150000},{"firstname_s": "John","lastname_s": "Smith","id": "row2","_version_": 1538978814854430700},{"firstname_s": "John","lastname_s": "Smith","id": "row3","_version_": 1538979512969068500}]} }

（五）使用solrJ搜素

三、使用coprocessor構建hbase二級索引

見另一篇文章

總結

以上是生活随笔為你收集整理的使用solr构建hbase二级索引的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。