1.6.6 De-Duplication(重复数据删除)

1. 重复数据删除

　　solr通过<Signature>类的类型来支持重复数据删除技术的.一个Signature可以通过以下几种方式实现:

方法	描述
MD5Signature	128位hash用于副本探测解析.
Lookup3Signature	64位hash用于副本探测解析.比MD5更快,索引更小.
TextProfileSignature	从Nutch中的模糊散列实现的近重复检测.它是可以调节的,对于长文本字段处理具有较好的效果.

　　注意:

　　　　添加副本处理将改变allowDups的设置,所以它用于update条目(这里使用signatureField)而不是更新唯一字段的条目.当然signatureField可以是唯一字段.

在一个文档添加时,将自动产生一个信息,使用指定的signatureField连接这个文档.

　1.1 Configuration Options

　　SignatureUpdateProcessorFactory在solrconfig.xml中注册,作为UpdateRequestProcessorChain:

<updateRequestProcessorChain name="dedupe">
    <processor class="solr.processor.SignatureUpdateProcessorFactory">
        <bool name="enabled">true</bool>
        <str name="signatureField">id</str>
        <bool name="overwriteDupes">false</bool>
        <str name="fields">name,features,cat</str>
        <str name="signatureClass">solr.processor.Lookup3Signature</str>
    </processor>
</updateRequestProcessorChain>

设置	默认	描述
signatureClass	org.apache.solr.update.processor.Lookup3Signature	生成一个Signature哈稀散列的Signature实现
fields	所有字段	The fields to use to generate the signature hash in a comma separated list. By default, all fields on the document will be used.
signatureField	signatureField	字段名称,用来保持指纹/签名.确保这个字段在schema.xml中定义.
enabled	true	enable/disable 副本工厂处理.

1.2 In schema.xml

　　如果使用指定的字段存储签名,必须使这个字段索引.

<field name="signature" type="string" stored="true" indexed="true"  multiValued="false" />

　　确保使用定义的chain更新句柄:

<requestHandler name="/update">
    <lst name="defaults">
        <str name="update.chain">dedupe</str>
    </lst>
</requestHandler>

注意:

　　这个更新处理同样也可以通过请求参数中设置update.chain=dedupe.