全文检索引擎Solr系列——入门篇

jopen 10年前

原文出处： ImportNew

Solr采用Lucene搜索库为核心，提供全文索引和搜索开源企业平台，提供REST的HTTP/XML和JSON的API，如果你是Solr新手，那么就和我一起来入门吧！本教程以solr4.8作为测试环境，jdk版本需要1.7及以上版本。

准备

本文假设你对Java有初中级以上水平，因此不再介绍Java相关环境的配置。下载解压缩solr，在example目录有start.jar文件，启动：

java -jar start.jar

浏览器访问：http://localhost:8983/solr/，你看到的就是solr的管理界面

索引数据

服务启动后，目前你看到的界面没有任何数据，你可以通过POSTing命令向Solr中添加（更新）文档，删除文档，在exampledocs目录包含一些示例文件，运行命令：

    java -jar post.jar solr.xml monitor.xml

上面的命令是向solr添加了两份文档，打开这两个文件看看里面是什么内容，solr.xml里面的内容是：

    <add>      <doc>        <field name="id">SOLR1000</field>        <field name="name">Solr, the Enterprise Search Server</field>        <field name="manu">Apache Software Foundation</field>        <field name="cat">software</field>        <field name="cat">search</field>        <field name="features">Advanced Full-Text Search Capabilities using Lucene</field>        <field name="features">Optimized for High Volume Web Traffic</field>        <field name="features">Standards Based Open Interfaces - XML and HTTP</field>        <field name="features">Comprehensive HTML Administration Interfaces</field>        <field name="features">Scalability - Efficient Replication to other Solr Search Servers</field>        <field name="features">Flexible and Adaptable with XML configuration and Schema</field>        <field name="features">Good unicode support: h&#xE9;llo (hello with an accent over the e)</field>        <field name="price">0</field>        <field name="popularity">10</field>        <field name="inStock">true</field>        <field name="incubationdate_dt">2006-01-17T00:00:00.000Z</field>      </doc>      </add>

表示向索引中添加一个文档，文档就是用来搜索的数据源，现在就可以通过管理界面搜索关键字”solr”，具体步骤是：

点击页面下的Execute Query按钮后右侧就会显示查询结果，这个结果就是刚才导入进去的solr.xml的json格式的展示结果。solr支持丰富的查询语法，比如：现在想搜索字段name里面的关键字”Search”就可以用语法name:search，当然如果你搜索name:xxx就没有返回结果了，因为文档中没有这样的内容。

数据导入

导入数据到Solr的方式也是多种多样的：

  • 可以使用DIH(DataImportHandler)从数据库导入数据
  • 支持CSV文件导入，因此Excel数据也能轻松导入
  • 支持JSON格式文档
  • 二进制文档比如：Word、PDF
  • 还能以编程的方式来自定义导入

更新数据

如果同一份文档solr.xml重复导入会出现什么情况呢？实际上solr会根据文档的字段id来唯一标识文档，如果导入的文档的id已经存在solr中，那么这份文档就被最新导入的同id的文档自动替换。你可以自己尝试试验一下，观察替换前后管理界面的几个参数：Num Docs，Max Doc，Deleted Docs的变化。

  • numDocs：当前系统中的文档数量，它有可能大于xml文件个数，因为一个xml文件可能有多个<doc>标签。
  • maxDoc：maxDoc有可能比numDocs的值要大，比如重复post同一份文件后，maxDoc值就增大了。
  • deletedDocs：重复post的文件会替换掉老的文档，同时deltedDocs的值也会加1，不过这只是逻辑上的删除，并没有真正从索引中移除掉

删除数据

通过id删除指定的文档，或者通过一个查询来删除匹配的文档

    java -Ddata=args -jar post.jar "<delete><id>SOLR1000</id></delete>"      java -Ddata=args -jar post.jar "<delete><query>name:DDR</query></delete>"

此时solr.xml文档从索引中删除了，再次搜”solr”时不再返回结果。当然solr也有数据库中的事务，执行删除命令的时候事务自动提交了，文档就会立即从索引中删除。你也可以把commit设置为false，手动提交事务。

    java -Ddata=args  -Dcommit=false -jar post.jar "<delete><id>3007WFP</id></delete>"

执行完上面的命令时文档并没有真正删除，还是可以继续搜索相关结果，最后可以通过命令：

    java -jar post.jar -

提交事务，文档就彻底删除了。现在把刚刚删除的文件重新导入Solr中来，继续我们的学习。

删除所有数据：

        http://localhost:8983/solr/collection1/update?stream.body=<delete><query>*:*</query></delete>&commit=true

删除指定数据

    http://localhost:8983/solr/collection1/update?stream.body=<delete><query>title:abc</query></delete>&commit=true

多条件删除

    http://localhost:8983/solr/collection1/update?stream.body=<delete><query>title:abc AND name:zhang</query></delete>&commit=true

查询数据

查询数据都是通过HTTP的GET请求获取的，搜索关键字用参数q指定，另外还可以指定很多可选的参数来控制信息的返回，例如：用fl指定返回的字段，比如f1=name，那么返回的数据就只包括name字段的内容

    http://localhost:8983/solr/collection1/select?q=solr&fl=name&wt=json&indent=true
  • 排序

    Solr提供排序的功能，通过参数sort来指定，它支持正序、倒序，或者多个字段排序

    • q=video&sort=price desc
    • q=video&sort=price asc
    • q=video&sort=inStock asc, price desc
      默认条件下，Solr根据socre 倒序排列，socre是一条搜索记录根据相关度计算出来的一个分数。
    </li>
  • 高亮

    网页搜索中，为了突出搜索结果，可能会对匹配的关键字高亮出来，Solr提供了很好的支持，只要指定参数：

    • hl=true #开启高亮功能
    • hl.fl=name #指定需要高亮的字段
      • </ul> </li> </ul> 
      http://localhost:8983/solr/collection1/select?q=Search&wt=json&indent=true&hl=true&hl.fl=features
          返回的内容中包含：
                      "highlighting":{                         "SOLR1000":{                             "features":["Advanced Full-Text <em>Search</em> Capabilities using Lucene"]                         }                  }

      文本分析

      文本字段通过把文本分割成单词以及运用各种转换方法（如：小写转换、复数移除、词干提取）后被索引，schema.xml文件中定义了字段在索引中，这些字段将作用于其中.
      默认情况下搜索”power-shot”是不能匹配”powershot”的，通过修改schema.xml文件(solr/example/solr/collection1/conf目录)，把features和text字段替换成”text_en_splitting”类型，就能索引到了。

          <field name="features" type="text_en_splitting" indexed="true" stored="true" multiValued="true"/>      ...      <field name="text" type="text_en_splitting" indexed="true" stored="false" multiValued="true"/>

      修改完后重启solr，然后重新导入文档

          java -jar post.jar *.xml

      现在就可以匹配了

      • power-shot—>Powershot
      • features:recharing—>Rechargeable
      • 1 gigabyte –> 1G

      总结

      作为入门文章，本文没有引入太多概念。安装到部署，文档更新，对solr有了初步感性的认识，下一篇将介绍全文检索的基本原理。