前言

本文简单描述SolrCloud的特性，基本结构和入门，基于Solr4.5版本。

Lucene是一个Java语言编写的利用倒排原理实现的文本检索类库。Solr是以Lucene为基础实现的文本检索应用服务。

SolrCloud是Solr4.0版本开发出的具有开创意义的基于Solr和Zookeeper的分布式搜索方案，或者可以说，SolrCloud是Solr的一种部署方式。Solr可以以多种方式部署，例如单机方式，多机Master-Slaver方式，这些方式部署的Solr不具有SolrCloud的特色功能。

特色

SolrCloud有几个特色功能：

1. 集中式的配置信息

   使用ZK进行集中配置。启动时可以指定把Solr的相关配置文件上传Zookeeper，多机器共用。这些ZK中的配置不会再拿到本地缓存，Solr直接读取ZK中的配置信息。配置文件的变动，所有机器都可以感知到。

   另外，Solr的一些任务也是通过ZK作为媒介发布的。目的是为了容错。接收到任务，但在执行任务时崩溃的机器，在重启后，或者集群选出候选者时，可以再次执行这个未完成的任务。

2. 自动容错

   SolrCloud对索引分片，并对每个分片创建多个Replication。每个Replication都可以对外提供服务。一个Replication挂掉不会影响索引服务。

   更强大的是，它还能自动的在其它机器上帮你把失败机器上的索引Replication重建并投入使用。

3. 近实时搜索

   立即推送式的replication（也支持慢推送）。可以在秒内检索到新加入索引。

4. 查询时自动负载均衡

   SolrCloud索引的多个Replication可以分布在多台机器上，均衡查询压力。如果查询压力大，可以通过扩展机器，增加Replication来减缓。

5. 自动分发的索引和索引分片

   发送文档到任何节点，它都会转发到正确节点。

6. 事务日志

   事务日志确保更新无丢失，即使文档没有索引到磁盘。

其它值得一提的功能有：

1. 索引存储在HDFS上

   索引的大小通常在G和几十G，上百G的很少，这样的功能或许很难实用。但是，如果你有上亿数据来建索引的话，也是可以考虑一下的。我觉得这个功能最大的好处或许就是和下面这个“通过MR批量创建索引”联合实用。

2. 通过MR批量创建索引

   有了这个功能，你还担心创建索引慢吗？

3. 强大的RESTful API

   通常你能想到的管理功能，都可以通过此API方式调用。这样写一些维护和管理脚本就方便多了。

4. 优秀的管理界面

   主要信息一目了然；可以清晰的以图形化方式看到SolrCloud的部署分布；当然还有不可或缺的Debug功能。

概念

• Collection：在SolrCloud集群中逻辑意义上的完整的索引。它常常被划分为一个或多个Shard，它们使用相同的Config Set。如果Shard数超过一个，它就是分布式索引，SolrCloud让你通过Collection名称引用它，而不需要关心分布式检索时需要使用的和Shard相关参数。

• Config Set: Solr Core提供服务必须的一组配置文件。每个config set有一个名字。最小需要包括solrconfig.xml (SolrConfigXml)和schema.xml (SchemaXml)，除此之外，依据这两个文件的配置内容，可能还需要包含其它文件。它存储在Zookeeper中。Config sets可以重新上传或者使用upconfig命令更新，使用Solr的启动参数bootstrap_confdir指定可以初始化或更新它。

• Core: 也就是Solr Core，一个Solr中包含一个或者多个Solr Core，每个Solr Core可以独立提供索引和查询功能，每个Solr Core对应一个索引或者Collection的Shard，Solr Core的提出是为了增加管理灵活性和共用资源。在SolrCloud中有个不同点是它使用的配置是在Zookeeper中的，传统的Solr core的配置文件是在磁盘上的配置目录中。

• Leader: 赢得选举的Shard replicas。每个Shard有多个Replicas，这几个Replicas需要选举来确定一个Leader。选举可以发生在任何时间，但是通常他们仅在某个Solr实例发生故障时才会触发。当索引documents时，SolrCloud会传递它们到此Shard对应的leader，leader再分发它们到全部Shard的replicas。

• Replica: Shard的一个拷贝。每个Replica存在于Solr的一个Core中。一个命名为“test”的collection以numShards=1创建，并且指定replicationFactor设置为2，这会产生2个replicas，也就是对应会有2个Core，每个在不同的机器或者Solr实例。一个会被命名为test_shard1_replica1，另一个命名为test_shard1_replica2。它们中的一个会被选举为Leader。

• Shard: Collection的逻辑分片。每个Shard被化成一个或者多个replicas，通过选举确定哪个是Leader。

• Zookeeper: Zookeeper提供分布式锁功能，对SolrCloud是必须的。它处理Leader选举。Solr可以以内嵌的Zookeeper运行，但是建议用独立的，并且最好有3个以上的主机。

架构

• 索引（collection）的逻辑图

• 索引和Solr实体对照图

• 创建索引过程

• 检索过程

• Shard Splitting

入门

安装配置

前提，你需要先安装好Java，6.0+。 假设我们有5台机器要安装Solr。

1. 安装外部zookeeper

   Solr默认是用内置的Zookeeper，为了方便管理和维护，建议使用外部Zookeeper。

   
   

   1 2 3 4 5 6 7 8 9 10 11 12

   wget http://apache.dataguru.cn/zookeeper/zookeeper-3.4.3/zookeeper-3.4.3.tar.gz tar-zxvf zookeeper-3.4.3.tar.gz Java的程序解压后就可以运行，不需要安装。 修改或者创建配置文件$ZOOKEEPER_HOME/conf/zoo.cfg，内容如下： # 注意修改为你的真实路径 dataDir=/home/hadoop/zookeeper-3.4.3/data clientPort=2181 # 编号从1开始，solr1-3每个是一台主机，共3个 server.1=solr1:2888:3888 server.2=solr2:2888:3888 server.3=solr3:2888:3888

   
   

   在3台机器上都同样安装。

   另外，还需要在$dataDir中配置myid，zookeeper是以此文件确定本机身份。

   
   

   1 2 3 4 5

   # 注意每台机器上的不一样 echo"1">myid#在solr1上 echo"2">myid#在solr2上 echo"3">myid#在solr3上

   
   

   启动， 需要在3台机器上分别启动

   
   

   1 2 3 4

   $ZOOKEEPER_HOME/bin/zkServer.sh start # 查看状态，确认启动成功 $ZOOKEEPER_HOME/bin/zkServer.sh status

   
   

2. Solr安装下载

   在5台机上做同样操作

   
   

   1 2 3 4 5 6 7 8 9 10

   wget http://apache.mirrors.pair.com/lucene/solr/4.5.0/solr-4.5.0.tgz tar-xzf solr-4.5.0.tgz cd solr-4.5.0 cp-rexample node1 cdo node1 # 第一条solr机器 java-Dbootstrap_confdir=./solr/collection1/conf-Dcollection.configName=myconf-DnumShards=2-DzkHost=solr1:2181,solr2:2181,solr3:2181-jar start.jar # 其它solr机器 java-DzkHost=solr1:2181,solr2:2181,solr3:2181-jar start.jar

   
   

   启动成功后，你可以通过浏览器8983看到solr的Web页面。

3. 索引

   
   

   1 2 3

   cd$SOLR_HOME/node1/exampledocs java-Durl=http://solr1:8983/solr/collection1/update -jar post.jar ipod_video.xml

   
   

4. 检索

   你可以在web界面选定一个Core，然后查询。solr有查询语法文档。

5. 如果要想把数据写到HDFS

   在$SOLR_HOME/node1/solr/collection1/conf/solrconfig.xml 增加

   
   

   1 2 3 4 5 6 7 8 9 10 11 12 13 14

   <directoryFactory name="DirectoryFactory"class="solr.HdfsDirectoryFactory">    <str name="solr.hdfs.home">hdfs://mycluster/solr</str>    <boolname="solr.hdfs.blockcache.enabled">true</bool>    <intname="solr.hdfs.blockcache.slab.count">1</int>    <boolname="solr.hdfs.blockcache.direct.memory.allocation">true</bool>    <intname="solr.hdfs.blockcache.blocksperbank">16384</int>    <boolname="solr.hdfs.blockcache.read.enabled">true</bool>    <boolname="solr.hdfs.blockcache.write.enabled">true</bool>    <boolname="solr.hdfs.nrtcachingdirectory.enable">true</bool>    <intname="solr.hdfs.nrtcachingdirectory.maxmergesizemb">16</int>    <intname="solr.hdfs.nrtcachingdirectory.maxcachedmb">192</int>    <str name="solr.hdfs.confdir">${user.home}/local/hadoop/etc/hadoop</int> </directoryFactory>

   
   

   重新启动

   
   

   1 2	java-Dsolr.directoryFactory=HdfsDirectoryFactory-Dsolr.lock.type=hdfs-Dsolr.data.dir=hdfs://mycluster/solr -Dsolr.updatelog=hdfs://mycluster/solrlog -jar start.jar

   
   

   可以增加如下参数设定直接内存大小，优化Hdfs读写速度。

   
   

   1 2	-XX:MaxDirectMemorySize=1g

   
   

其它

• NRT 近实时搜索

  Solr的建索引数据是要在提交时写入磁盘的，这是硬提交，确保即便是停电也不会丢失数据；为了提供更实时的检索能力，Solr设定了一种软提交方式。

  软提交（soft commit）：仅把数据提交到内存，index可见，此时没有写入到磁盘索引文件中。

  一个通常的用法是：每1-10分钟自动触发硬提交，每秒钟自动触发软提交。

• RealTime Get 实时获取

  允许通过唯一键查找任何文档的最新版本数据，并且不需要重新打开searcher。这个主要用于把Solr作为NoSQL数据存储服务，而不仅仅是搜索引擎。

  Realtime Get当前依赖事务日志，默认是开启的。另外，即便是Soft Commit或者commitwithin，get也能得到真实数据。 注：commitwithin是一种数据提交特性，不是立刻，而是要求在一定时间内提交数据

参考文档

• Solr查询语法

• 入门

• 详细入门文档

• 详细文档

• solrCloud 索引更新逻辑学习笔记

• 官方文档

• SolrReplication

建议继续学习：

1. 分布式缓存系统 Memcached 入门    (阅读：14723)
2. Zookeeper工作原理    (阅读：10400)
3. GFS, HDFS, Blob File System架构对比    (阅读：9383)
4. Zookeeper研究和应用    (阅读：8521)
5. 分布式日志系统scribe使用手记    (阅读：8043)
6. 一致性哈希算法及其在分布式系统中的应用    (阅读：7933)
7. 分布式哈希和一致性哈希    (阅读：7662)
8. HBase技术介绍    (阅读：6760)
9. 分布式系统的事务处理    (阅读：5999)
10. Memcache分布式部署方案    (阅读：5446)