Solr Dataimport配置

参考资料：

https://cwiki.apache.org/confluence/display/solr/Uploading+Structured+Data+Store+Data+with+the+Data+Import+Handler

https://wiki.apache.org/solr/DataImportHandler

http://wiki.apache.org/solr/TikaEntityProcessor

Solr 通过Dataimport可以对各种文件类型（包括邮件）建索引，也可以对关系型数据库建索引。

前提依赖Jar包

Dataimport从关系型数据库建索引时，依赖以下jar包，这些Jar包位于Solr安装包下面的solr-6.1.0\dist\目录下目录下：

本实例是SQL Server关系型数据库，所以还要添加sqljdbc42.jar到指定路径下。

Dataimport为普通文件建索引时，依赖以下jar包，这些jar包位于Solr安装包的solr-6.1.0\contrib\extraction\lib目录下

这些jar包在本机上的统一存放位置为：/var/lib/solr/lib/

在solrconfig.xml文件中添加以上jar包的引用。

<lib dir="/var/lib/solr/lib/" regex=".*\.jar" />

一、配置solrconfig.xml

  <requestHandler name="/dataimport" class="solr.DataImportHandler">
    <lst name="defaults">
      <str name="config">tika-data-config.xml</str>
      <str name="update.chain">uuid</str>
    </lst>
  </requestHandler>

二、配置tika-data-config.xml

在文件solrconfig.xml同级目录下，新建文件tika-data-config.xml，tika-data-config.xml文件中的内容配置如下：

<dataConfig>  
         <!--可以配置多个dataSource，每个都有唯一一个name-->
         <dataSource  name="sqldb2" driver="com.microsoft.sqlserver.jdbc.SQLServerDriver" url="jdbc:sqlserver://10.2.8.170:1433" user="xxx" password="xxxxxxx"/>
         <dataSource type="BinFileDataSource" name="f1"/>
         <dataSource type="FileReaderDataSource" name="f2"/>

         <document> 
           <!--可以配置多个Entity，每个Entity通过name属性来区分-->
           <!--Entity数据源为文件-->
            <entity name="files" dataSource="f1"    rootEntity="false"
                    processor="FileListEntityProcessor"
                    baseDir="/usr/local/solr/files/"
                    fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)|(txt)|(pptx)|(xlsx)|(xml)|(csv)|(json)|(html)|(sh)|(css)|(png)"
                    recursive="true"> 

                <field    column="fileAbsolutePath" name="url" />
                <field    column="fileSize" name="size" />
                <field    column="fileLastModified" name="lastModified" />
                <field    column="file" name="fname"/>
                <entity
                       name="documentImport"
                       processor="TikaEntityProcessor"
                       url="${files.fileAbsolutePath}"
                       format="text">
                    <field    column="Author" name="author" meta="true"/>
                    <field    column="title" name="title" meta="true"/>
                    <field    column="subject" name="subject" meta="true"/>
                    <field    column="Content-Type" name="content_type"  meta="true"/>
                    <field    column="text" name="content"/>
                </entity>
            </entity>

          <!--Entity数据源为SQL Server数据库-->
           <entity name="DimOrganization" dataSource="sqldb2"
                  query="SELECT [物料类型名称] as 名称 FROM [GreeBGDW].[dbo].[Dim_MaterielType]">
                <field column="名称" name="name"/>
           </entity>

         <!--Entity数据源为SQL Server数据库-->

           <entity name="" dataSource="sqldb2" 
                   query="SELECT  [name] as name , [name] as cat ,name as manu FROM [GreeBGDW].[dbo].[180119]">
                <field  column="name" name="name"/>
                <field  column="cat" name="cat"/>
                <field column="manu" name="manu"/>
          </entity>

  </document>
</dataConfig>  

 

文件实体属于简介 

一个简单的实体处理程序,可以用于枚举标准文件系统中的文件列表,它不需要使用DataSource.属性如下:

• fileName:(必填) 用正则表达式来标记文件名
• baseDir:(必填) 基础目录,绝对路径.
• recursive:是否递归文件列表,默认为false.
• excludes:不包括的文件名的正则表达式
• newerThan:日期参数,格式: (yyyy-MM-dd HH:mm:ss),它也可以是一个数学日期,如('NOW-3DAYS'),其中的单引号是必填的.也可以是一个有效的变量格式,如(${var.name}).
• olderThan :日期格式,规则同上.
• biggerThan:整型参数.
• smallerThan:整型参数.
• rootEntity:它一般情况下都是false(除非你只索引文件名).直属于<document>下的实体才是根实体.那就意味着,根实体发出的每一行都会被solr/lucene创建.但是在这种情况下,我们不希望一个文件对应一个文档(document).我们希望生成一个文档(document),每一行的发出都是由下面的实体'x'来完成的.因为实体'f'包含了rootEntity=false,直属实体f下的实体就变成了一个根实体.
• dataSource:数据源

 

错误记录

【错误一】 org.apache.zookeeper.KeeperException$NoNodeException: KeeperErrorCode = NoNode for /configs/collection2/dataimport.properties

【解决方法】在配置文件conf/目录下添加一个空的dataimport.propertie文件。