全文检索引擎Solr系列（下）-java-火龙果软件工程

捐助

全文检索引擎Solr系列（下）

作者：刘志军来源：ImportNew 发布于 2016-1-7

3611 次浏览

全文检索引擎Solr系列——整合中文分词组件IKAnalyzer

IK Analyzer是一款结合了词典和文法分析算法的中文分词组件，基于字符串匹配，支持用户词典扩展定义，支持细粒度和智能切分，比如：

张三说的确实在理

智能分词的结果是：

张三 | 说的 | 确实 | 在理

最细粒度分词结果：

张三 | 三 | 说的 | 的确 | 的 | 确实 | 实在 | 在理

整合IK Analyzer比mmseg4j要简单很多，下载解压缩IKAnalyzer2012FF_u1.jar放到目录：E:\solr-4.8.0\example\solr-webapp\webapp\WEB-INF\lib，修改配置文件schema.xml，添加代码：

<field name="content" type="text_ik" indexed="true" stored="true"/> 
 
<fieldType name="text_ik" class="solr.TextField">
      <analyzer type="index" isMaxWordLength="false" class="org.wltea.analyzer.lucene.IKAnalyzer"/>
      <analyzer type="query" isMaxWordLength="true" class="org.wltea.analyzer.lucene.IKAnalyzer"/>
</fieldType>

查询采用IK自己的最大分词法,索引则采用它的细粒度分词法

此时就算配置完成了，重启服务：java -jar start.jar，来看看IKAnalyzer的分词效果怎么样，打开Solr管理界面，点击左侧的Analysis页面

默认分词器进行最细粒度切分。IKAnalyzer支持通过配置IKAnalyzer.cfg.xml 文件来扩充您的与有词典以及停止词典（过滤词典），只需把IKAnalyzer.cfg.xml文件放入class目录下面，指定自己的词典mydic.dics

<?xml version="1.0" encoding="UTF-8"?> 
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">   
<properties>   
  <comment>IK Analyzer 扩展配置</comment> 
  <!--用户可以在这里配置自己的扩展字典  -->  
  <entry key="ext_dict">/mydict.dic; 
/com/mycompany/dic/mydict2.dic;</entry>  
  
   <!--用户可以在这里配置自己的扩展停止词字典--> 
  <entry key="ext_stopwords">/ext_stopword.dic</entry>    
</properties>

事实上前面的FieldType配置其实存在问题，根据目前最新的IK版本IK Analyzer 2012FF_hf1.zip，索引时使用最细粒度分词，查询时最大分词（智能分词）实际上是不生效的。

据作者linliangyi说，在2012FF_hf1这个版本中已经修复，经测试还是没用，详情请看此贴。

解决办法：重新实现IKAnalyzerSolrFactory

package org.wltea.analyzer.lucene;
    
   import java.io.Reader;
   import java.util.Map;
    
   import org.apache.lucene.analysis.Tokenizer;
   import org.apache.lucene.analysis.util.TokenizerFactory;
   //lucene:4.8之前的版本
   //import org.apache.lucene.util.AttributeSource.AttributeFactory;
   //lucene:4.9
   import org.apache.lucene.util.AttributeFactory;
    
   public class IKAnalyzerSolrFactory extends TokenizerFactory{
        
       private boolean useSmart;
        
       public boolean useSmart() {
           return useSmart;
       }
        
       public void setUseSmart(boolean useSmart) {
           this.useSmart = useSmart;
       }
        
        public IKAnalyzerSolrFactory(Map<String,String> args) {
            super(args);
            assureMatchVersion();
            this.setUseSmart(args.get("useSmart").toString().equals("true"));
          }
    
    
       @Override
       public Tokenizer create(AttributeFactory factory, Reader input) {
           Tokenizer _IKTokenizer = new IKTokenizer(input , this.useSmart);
           return _IKTokenizer;
       }
    
   }

重新编译后更新jar文件，更新schema.xml文件：

<fieldType name="text_ik" class="solr.TextField" >
        <analyzer type="index">
            <tokenizer class="org.wltea.analyzer.lucene.IKAnalyzerSolrFactory" useSmart="false"/>
        </analyzer> 
        <analyzer type="query">
            <tokenizer class="org.wltea.analyzer.lucene.IKAnalyzerSolrFactory" useSmart="true"/>
        </analy

全文检索引擎Solr系列——整合MySQL、MongoDB

MySQL

拷贝mysql-connector-java-5.1.25-bin.jar到E:\solr-4.8.0\example\solr-webapp\webapp\WEB-INF\lib目录下面
配置E:\solr-4.8.0\example\solr\collection1\conf\solrconfig.xml

<requestHandler name="/dataimport"
     class="org.apache.solr.handler.dataimport.DataImportHandler"> 
       <lst name="defaults"> 
          <str name="config">data-config.xml</str> 
       </lst> 
</requestHandler>

导入依赖库文件：

<lib dir="../../../dist/" regex="solr-dataimporthandler-\d.*\.jar"/>

加在

<lib dir="../../../dist/" regex="solr-cell-\d.*\.jar" />

前面。

创建E:\solr-4.8.0\example\solr\collection1\conf\data-config.xml，指定MySQL数据库地址，用户名、密码以及建立索引的数据表

<?xml version="1.0" encoding="UTF-8" ?>
      <dataConfig>  
              <dataSource type="JdbcDataSource"
                          driver="com.mysql.jdbc.Driver"
                          url="jdbc:mysql://localhost:3306/django_blog"
                          user="root"
                          password=""/>  
                  <document name="blog">  
                          <entity name="blog_blog" pk="id"
                                  query="select id,title,content from blog_blog"
                                  deltaImportQuery="select id,title,content from blog_blog where ID='${dataimporter.delta.id}'" 
                                  deltaQuery="select id  from blog_blog where add_time > '${dataimporter.last_index_time}'"  
                                  deletedPkQuery="select id  from blog_blog where id=0">  
                               <field column="id" name="id" />  
                               <field column="title" name="title" />  
                               <field column="content" name="content"/>  
                          </entity>  
                 </document> 
      </dataConfig>

query 用于初次导入到索引的sql语句。

考虑到数据表中的数据量非常大，比如千万级，不可能一次索引完，因此需要分批次完成，那么查询语句query要设置两个参数：${dataimporter.request.length} ${dataimporter.request.offset}

query=”select id,title,content from blog_blog limit  ${dataimporter.request.length} offset
${dataimporter.request.offset}”

请求：http://localhost:8983/solr/collection2/dataimport?command=full-import&commit=true&clean=false&offset=0&length=10000

deltaImportQuery 根据ID取得需要进入的索引的单条数据。

deltaQuery 用于增量索引的sql语句，用于取得需要增量索引的ID。

deletedPkQuery 用于取出需要从索引中删除文档的的ID

为数据库表字段建立域（field），编辑E:\solr-4.8.0\example\solr\collection1\conf\schema.xml:

<!-- mysql -->
   <field name="id" type="string" indexed="true" stored="true" required="true" /> 
   <field name="title" type="text_cn" indexed="true" stored="true" termVectors="true" termPositions="true" termOffsets="true"/> 
   <field name="content" type="text_cn" indexed="true" stored="true" termVectors="true" termPositions="true" termOffsets="true"/> 
<!-- mysql -->

Mongodb

安装mongo-connector，最好使用手动安装方式：

<code>git clone https://github.com/10gen-labs/mongo-connector.git cd mongo-connector #安装前修改mongo_connector/constants.py的变量：设置DEFAULT_COMMIT_INTERVAL = 0 python setup.py install </code>

默认是不会自动提交了，这里设置成自动提交，否则mongodb数据库更新，索引这边没法同时更新，或者在命令行中可以指定是否自动提交，不过我现在还没发现。

配置schema.xml，把mongodb中需要加上索引的字段配置到schema.xml文件中：

<?xml version="1.0" encoding="UTF-8" ?>
 <schema name="example" version="1.5">
     <field name="_version_" type="long" indexed="true" stored="true"/>
     <field name="_id" type="string" indexed="true" stored="true" required="true" multiValued="false" /> 
     <field name="body" type="string" indexed="true" stored="true"/>
     <field name="title" type="string" indexed="true" stored="true" multiValued="true"/>
     <field name="text" type="text_general" indexed="true" stored="false" multiValued="true"/>   
     <uniqueKey>_id</uniqueKey>
     <defaultSearchField>title</defaultSearchField>
     <solrQueryParser defaultOperator="OR"/> 
     <fieldType name="string" class="solr.StrField" sortMissingLast="true" />
     <fieldType name="long" class="solr.TrieLongField" precisionStep="0" positionIncrementGap="0"/>
     <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">
       <analyzer type="index">
         <tokenizer class="solr.StandardTokenizerFactory"/>
         <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
         <filter class="solr.LowerCaseFilterFactory"/>
       </analyzer>
       <analyzer type="query">
         <tokenizer class="solr.StandardTokenizerFactory"/>
         <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
         <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
         <filter class="solr.LowerCaseFilterFactory"/>
       </analyzer>
     </fieldType>
 </schema>

启动Mongod：

<code>mongod --replSet myDevReplSet --smallfiles </code>

初始化:rs.initiate()

启动mongo-connector:

<code>E:\Users\liuzhijun\workspace\mongo-connector\mongo_connector
\doc_managers&gt;mongo-connector -m localhost:27017 -t
 http://localhost:8983/solr/collection2 -n s_soccer.person -u id -d ./solr_doc_manager.py </code>

-m：mongod服务

-t：solr服务

-n：mongodb命名空间，监听database.collection，多个命名空间逗号分隔

-u：uniquekey

-d：处理文档的manager文件

注意：mongodb通常使用_id作为uniquekey，而Solrmore使用id作为uniquekey，如果不做处理，索引文件时将会失败，有两种方式来处理这个问题：

指定参数--unique-key=id到mongo-connector，Mongo Connector 就可以翻译把_id转换到id。

把schema.xml文件中的:

<code>&lt;uniqueKey&gt;id&lt;uniqueKey&gt; </code>

替换成

<code>&lt;uniqueKey&gt;_id&lt;/uniqueKey&gt; </code>

同时还要定义一个_id的字段：

<code>&lt;field name="_id" type="string" indexed="true" stored="true" /&gt; </code>

启动时如果报错：

<code>2014-06-18 12:30:36,648 - ERROR - OplogThread: Last entry no longer in 
oplog cannot recover! Collection(Database(MongoClient('localhost', 27017), u'local'), u'oplog.rs') </code>

清空E:\Users\liuzhijun\workspace\mongo-connector\mongo_connector\doc_managers\config.txt中的内容，需要删除索引目录下的文件重新启动

测试

mongodb中的数据变化都会同步到solr中去。

3611 次浏览