Key-Value Store Indexer(Lily HBase Indexer) 小型采坑

环境：

Cloudera Express 5.12.1
JDK 1.8.0_92
CentOS 7

步骤1:数据导入到Hbase中(非正题，跳过)

hbase中表为allDoc,两个Family：fulltext，fileInfo
fulltext中就一列：fulltext
fileInfo中有如下几列serialNumber，verdictType，hashCode，fileName

步骤2:生成实体配置文件（我这里用的root账户）

solrctl instancedir --create /root/config/

　　

步骤3:配置/root/config/conf/schema.xml，增加分词器

<fields></fields>下增加字段,其中id为hbase的row_key，_version_字段必须有，否则报错，我这里只加了fulltext和serialnumber，这里的是solr中的schema

<field name="id" type="string" indexed="true" stored="true" required="true" multiValued="false" />
<field name="serialnumber" type="string" indexed="true" stored="true" required="true" multiValued="false" />
<field name="fulltext" type="text_ch" indexed="true" stored="true" required="true" multiValued="false" />
<field name="_version_" type="long" indexed="true" stored="true"/>

　　

增加中文分词器，下载对应版本的分词器：
下载地址：https://repository.cloudera.com/artifactory/cdh-releases-rcs/org/apache/lucene/lucene-analyzers-smartcn/
我用的是：https://repository.cloudera.com/artifactory/cdh-releases-rcs/org/apache/lucene/lucene-analyzers-smartcn/4.10.3-cdh5.12.1/lucene-analyzers-smartcn-4.10.3-cdh5.12.1.jar
下载之后记得放到目录下/opt/cloudera/parcels/CDH-5.12.1-1.cdh5.12.1.p0.3/lib/solr/webapps/solr/WEB-INF/lib/lucene-analyzers-smartcn-4.10.3-cdh5.12.1.jar
然后schema.xml加入text_ch

<fieldType name="text_ch" class="solr.TextField" positionIncrementGap="100">
    <analyzer type="index">
        <tokenizer class="solr.SmartChineseSentenceTokenizerFactory"/>
        <filter class="solr.SmartChineseWordTokenFilterFactory"/>
    </analyzer>
</fieldType>

　　步骤4:根据实体配置文件在Solr中建立collection

solrctl instancedir --create hbase-collection /root/config/
solrctl collection --create hbase-collection

　　步骤5:创建 Lily HBase Indexer 配置，下面两个文件我都放到了root文件夹下

新建一个XML文件morphline-hbase-mapper.xml，内容如下：(其中allDoc是hbase中的表名称)

<?xml version="1.0"?>
<indexer table="allDoc" mapper="com.ngdata.hbaseindexer.morphline.MorphlineResultToSolrMapper">
    <param name="morphlineFile" value="morphlines.conf"/>
</indexer>

　　创建morphlines.conf,内容如下:（这里是hbase到solr的映射）

morphlines : [
    {
            id : morphline
            importCommands : [
            "org.kitesdk.**",
            "com.ngdata.**"
        ]
            commands : [
            {
                extractHBaseCells {
                mappings : [
                        {
                    inputColumn : "fulltext:fulltext"
                    outputField : "fulltext"
                    type : string
                    source : value
                        },
                        {
                    inputColumn : "fileInfo:serialNumber"
                    outputField : "serialnumber"
                    type : string
                    source : value
                        }
                    ]
                }
            }
            { logDebug { format : "output record: {}", args : [
                        "@{}"
                    ]
                }
            }
        ]
    }
]

步骤6: 注册 Lily HBase Indexer配置

hbase-indexer delete-indexer -n docIndex
hbase-indexer add-indexer -n docIndex -c /root/morphline-hbase-mapper.xml -cp solr.zk=gs-server-5002:2181,gs-server-5001:2181,gs-server-5000:2181/solr -cp solr.collection=hbase-collection8 -z gs-server-5002:2181,gs-server-5001:2181,gs-server-5000:2181
hbase-indexer list-indexers   #查看是否正常运行

步骤7: 批量导入:

Shell脚本：（lucene-analyzers-smartcn-4.10.3-cdh5.12.1.jar 在root目录中也有一份，这个脚本也放到了root目录中）

COLLECTION='hbase-collection'
ZK='gs-server-5002:2181,gs-server-5001:2181,gs-server-5000:2181'
echo 'Delete previous docs...'
solrctl collection --deletedocs $COLLECTION
echo 'Lily HBase MapReduce indexing...'
config="/etc/hadoop/conf.cloudera.yarn"
parcel="/opt/cloudera/parcels/CDH"
jar="$parcel/lib/hbase-solr/tools/hbase-indexer-mr-*-job.jar"
hbase_conf="/etc/hbase/conf/hbase-site.xml"
opts="'mapred.child.java.opts=-Xmx1024m'"
log4j="$parcel/share/doc/search*/examples/solr-nrt/log4j.properties"
zk="$ZK/solr"
libjars="lucene-analyzers-smartcn-4.10.3-cdh5.12.1.jar"
export HADOOP_OPTS="-Djava.security.auth.login.config=conf/jaas.conf"
hadoop --config $config jar $jar --conf $hbase_conf --libjars $libjars -D $opts --log4j $log4j --hbase-indexer-file morphline-hbase-mapper.xml --verbose --go-live --zk-host $zk --collection $COLLECTION

　　

ZK为Zookeeper集群地址,修改COLLECTION为之前生成的，生效基本都保持不变morphline-hbase-mapper.xml是步骤5配置生成的xml文件

总体来说不算太难，但是有很多坑。。

因为批量导入采用的是MapReduce，经常出现OOM，或者exit Code 154，Map 阶段154这个忽略了，因为重试之后几乎都可以通过(调整容器内存可以直接避免这个问题)，在调整Map Reduce的内存过程中花了好多时间，另外还有就是编码问题，出现SolrServerException: org.apache.solr.client.solrj.SolrServerException: java.lang.RuntimeException: [was class java.io.CharConversionException] Invalid UTF-8 character 0xffff at char #18928, byte #47990)

这个问题暂时未解决，查阅资料说可以用如下方法解决，正在尝试（数据导入估计得2-3天，慢慢等等看了）：

 public static String stripNonCharCodepoints(String input) {
        StringBuilder retval = new StringBuilder();
        char ch;

        for (int i = 0; i < input.length(); i++) {
            ch = input.charAt(i);

            // Strip all non-characters
            // http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Noncharacter_Code_Point=True:]
            // and non-printable control characters except tabulator, new line and
            // carriage return
            if (ch % 0x10000 != 0xffff && // 0xffff - 0x10ffff range step 0x10000
                    ch % 0x10000 != 0xfffe && // 0xfffe - 0x10fffe range
                    (ch <= 0xfdd0 || ch >= 0xfdef) && // 0xfdd0 - 0xfdef
                    (ch > 0x1F || ch == 0x9 || ch == 0xa || ch == 0xd)) {

                retval.append(ch);
            }
        }

        return retval.toString();
    }

　　

资料参考：

http://www.aboutyun.com/thread-24447-1-1.html

http://fbinbin.iteye.com/blog/2357294

https://blog.csdn.net/d6619309/article/details/51304135?locationNum=1&fps=1

https://github.com/apache/nutch/blob/master/src/plugin/indexer-solr/src/java/org/apache/nutch/indexwriter/solr/SolrUtils.java#L76

https://blog.csdn.net/vegetable_bird_001/article/details/53420131