散仙,在上篇文章中介绍了,如何使用Apache Pig与Lucene集成,还不知道的道友们,可以先看下上篇,熟悉下具体的流程。 
在与Lucene集成过程中,我们发现最终还要把生成的Lucene索引,拷贝至本地磁盘,才能提供检索服务,这样以来,比较繁琐,而且有以下几个缺点:

(一)在生成索引以及最终能提供正常的服务之前,索引经过多次落地操作,这无疑会给磁盘和网络IO,带来巨大影响

(二)Lucene的Field的配置与其UDF函数的代码耦合性过强,而且提供的配置也比较简单,不太容易满足,灵活多变的检索需求和服务,如果改动索引配置,则有可能需要重新编译源码。

(三)对Hadoop的分布式存储系统HDFS依赖过强,如果使用与Lucene集成,那么则意味着你提供检索的Web服务器,则必须跟hadoop的存储节点在一个机器上,否则,无法从HDFS上下拉索引,除非你自己写程序,或使用scp再次从目标机传输,这样无疑又增加了,系统的复杂性。

鉴于有以上几个缺点,所以建议大家使用Solr或ElasticSearch这样的封装了Lucene更高级的API框架,那么Solr与ElasticSearch和Lucene相比,又有什么优点呢?

(1)在最终的写入数据时,我们可以直接最终结果写入solr或es,同时也可以在HDFS上保存一份,作为灾备。

(2)使用了solr或es,这时,我们字段的配置完全与UDF函数代码无关,我们的任何字段配置的变动,都不会影响Pig的UDF函数的代码,而在UDF函数里,唯一要做的,就是将最终数据,提供给solr和es服务。

(3)solr和es都提供了restful风格的http操作方式,这时候,我们的检索集群完全可以与Hadoop集群分离,从而让他们各自都专注自己的服务。

下面,散仙就具体说下如何使用Pig和Solr集成?

(1)依旧访问这个地址下载源码压缩包。 
(2)提取出自己想要的部分,在eclipse工程中,修改定制适合自己环境的的代码(Solr版本是否兼容?hadoop版本是否兼容?,Pig版本是否兼容?)。 
(3)使用ant重新打包成jar 
(4)在pig里,注册相关依赖的jar包,并使用索引存储

注意,在github下载的压缩里直接提供了对SolrCloud模式的提供,而没有提供,普通模式的函数,散仙在这里稍作修改后,可以支持普通模式的Solr服务,代码如下:

SolrOutputFormat函数 

  1. package com.pig.support.solr;
  2. import java.io.IOException;
  3. import java.util.ArrayList;
  4. import java.util.List;
  5. import java.util.concurrent.Executors;
  6. import java.util.concurrent.ScheduledExecutorService;
  7. import java.util.concurrent.TimeUnit;
  8. import org.apache.hadoop.io.Writable;
  9. import org.apache.hadoop.mapreduce.JobContext;
  10. import org.apache.hadoop.mapreduce.OutputCommitter;
  11. import org.apache.hadoop.mapreduce.RecordWriter;
  12. import org.apache.hadoop.mapreduce.TaskAttemptContext;
  13. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  14. import org.apache.solr.client.solrj.SolrServer;
  15. import org.apache.solr.client.solrj.SolrServerException;
  16. import org.apache.solr.client.solrj.impl.CloudSolrServer;
  17. import org.apache.solr.client.solrj.impl.HttpSolrServer;
  18. import org.apache.solr.common.SolrInputDocument;
  19. /**
  20. * @author qindongliang
  21. * 支持SOlr的SolrOutputFormat
  22. * 如果你想了解,或学习更多这方面的
  23. * 知识,请加入我们的群:
  24. *
  25. * 搜索技术交流群(2000人):324714439
  26. * 大数据技术1号交流群(2000人):376932160  (已满)
  27. * 大数据技术2号交流群(2000人):415886155
  28. * 微信公众号:我是攻城师(woshigcs)
  29. *
  30. * */
  31. public class SolrOutputFormat extends
  32. FileOutputFormat<Writable, SolrInputDocument> {
  33. final String address;
  34. final String collection;
  35. public SolrOutputFormat(String address, String collection) {
  36. this.address = address;
  37. this.collection = collection;
  38. }
  39. @Override
  40. public RecordWriter<Writable, SolrInputDocument> getRecordWriter(
  41. TaskAttemptContext ctx) throws IOException, InterruptedException {
  42. return new SolrRecordWriter(ctx, address, collection);
  43. }
  44. @Override
  45. public synchronized OutputCommitter getOutputCommitter(
  46. TaskAttemptContext arg0) throws IOException {
  47. return new OutputCommitter(){
  48. @Override
  49. public void abortTask(TaskAttemptContext ctx) throws IOException {
  50. }
  51. @Override
  52. public void commitTask(TaskAttemptContext ctx) throws IOException {
  53. }
  54. @Override
  55. public boolean needsTaskCommit(TaskAttemptContext arg0)
  56. throws IOException {
  57. return true;
  58. }
  59. @Override
  60. public void setupJob(JobContext ctx) throws IOException {
  61. }
  62. @Override
  63. public void setupTask(TaskAttemptContext ctx) throws IOException {
  64. }
  65. };
  66. }
  67. /**
  68. * Write out the LuceneIndex to a local temporary location.<br/>
  69. * On commit/close the index is copied to the hdfs output directory.<br/>
  70. *
  71. */
  72. static class SolrRecordWriter extends RecordWriter<Writable, SolrInputDocument> {
  73. /**Solr的地址*/
  74. SolrServer server;
  75. /**批处理提交的数量**/
  76. int batch = 5000;
  77. TaskAttemptContext ctx;
  78. List<SolrInputDocument> docs = new ArrayList<SolrInputDocument>(batch);
  79. ScheduledExecutorService exec = Executors.newSingleThreadScheduledExecutor();
  80. /**
  81. * Opens and forces connect to CloudSolrServer
  82. *
  83. * @param address
  84. */
  85. public SolrRecordWriter(final TaskAttemptContext ctx, String address, String collection) {
  86. try {
  87. this.ctx = ctx;
  88. server = new HttpSolrServer(address);
  89. exec.scheduleWithFixedDelay(new Runnable(){
  90. public void run(){
  91. ctx.progress();
  92. }
  93. }, 1000, 1000, TimeUnit.MILLISECONDS);
  94. } catch (Exception e) {
  95. RuntimeException exc = new RuntimeException(e.toString(), e);
  96. exc.setStackTrace(e.getStackTrace());
  97. throw exc;
  98. }
  99. }
  100. /**
  101. * On close we commit
  102. */
  103. @Override
  104. public void close(final TaskAttemptContext ctx) throws IOException,
  105. InterruptedException {
  106. try {
  107. if (docs.size() > 0) {
  108. server.add(docs);
  109. docs.clear();
  110. }
  111. server.commit();
  112. } catch (SolrServerException e) {
  113. RuntimeException exc = new RuntimeException(e.toString(), e);
  114. exc.setStackTrace(e.getStackTrace());
  115. throw exc;
  116. } finally {
  117. server.shutdown();
  118. exec.shutdownNow();
  119. }
  120. }
  121. /**
  122. * We add the indexed documents without commit
  123. */
  124. @Override
  125. public void write(Writable key, SolrInputDocument doc)
  126. throws IOException, InterruptedException {
  127. try {
  128. docs.add(doc);
  129. if (docs.size() >= batch) {
  130. server.add(docs);
  131. docs.clear();
  132. }
  133. } catch (SolrServerException e) {
  134. RuntimeException exc = new RuntimeException(e.toString(), e);
  135. exc.setStackTrace(e.getStackTrace());
  136. throw exc;
  137. }
  138. }
  139. }
  140. }

SolrStore函数

  1. package com.pig.support.solr;
  2. import java.io.IOException;
  3. import java.util.Properties;
  4. import org.apache.hadoop.fs.Path;
  5. import org.apache.hadoop.io.Writable;
  6. import org.apache.hadoop.mapreduce.Job;
  7. import org.apache.hadoop.mapreduce.OutputFormat;
  8. import org.apache.hadoop.mapreduce.RecordWriter;
  9. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  10. import org.apache.pig.ResourceSchema;
  11. import org.apache.pig.ResourceSchema.ResourceFieldSchema;
  12. import org.apache.pig.ResourceStatistics;
  13. import org.apache.pig.StoreFunc;
  14. import org.apache.pig.StoreMetadata;
  15. import org.apache.pig.data.Tuple;
  16. import org.apache.pig.impl.util.UDFContext;
  17. import org.apache.pig.impl.util.Utils;
  18. import org.apache.solr.common.SolrInputDocument;
  19. /**
  20. *
  21. * Create a lucene index
  22. *
  23. */
  24. public class SolrStore extends StoreFunc implements StoreMetadata {
  25. private static final String SCHEMA_SIGNATURE = "solr.output.schema";
  26. ResourceSchema schema;
  27. String udfSignature;
  28. RecordWriter<Writable, SolrInputDocument> writer;
  29. String address;
  30. String collection;
  31. public SolrStore(String address, String collection) {
  32. this.address = address;
  33. this.collection = collection;
  34. }
  35. public void storeStatistics(ResourceStatistics stats, String location,
  36. Job job) throws IOException {
  37. }
  38. public void storeSchema(ResourceSchema schema, String location, Job job)
  39. throws IOException {
  40. }
  41. @Override
  42. public void checkSchema(ResourceSchema s) throws IOException {
  43. UDFContext udfc = UDFContext.getUDFContext();
  44. Properties p = udfc.getUDFProperties(this.getClass(),
  45. new String[] { udfSignature });
  46. p.setProperty(SCHEMA_SIGNATURE, s.toString());
  47. }
  48. public OutputFormat<Writable, SolrInputDocument> getOutputFormat()
  49. throws IOException {
  50. // not be used
  51. return new SolrOutputFormat(address, collection);
  52. }
  53. /**
  54. * Not used
  55. */
  56. @Override
  57. public void setStoreLocation(String location, Job job) throws IOException {
  58. FileOutputFormat.setOutputPath(job, new Path(location));
  59. }
  60. @Override
  61. public void setStoreFuncUDFContextSignature(String signature) {
  62. this.udfSignature = signature;
  63. }
  64. @SuppressWarnings({ "unchecked", "rawtypes" })
  65. @Override
  66. public void prepareToWrite(RecordWriter writer) throws IOException {
  67. this.writer = writer;
  68. UDFContext udc = UDFContext.getUDFContext();
  69. String schemaStr = udc.getUDFProperties(this.getClass(),
  70. new String[] { udfSignature }).getProperty(SCHEMA_SIGNATURE);
  71. if (schemaStr == null) {
  72. throw new RuntimeException("Could not find udf signature");
  73. }
  74. schema = new ResourceSchema(Utils.getSchemaFromString(schemaStr));
  75. }
  76. /**
  77. * Shamelessly copied from : https://issues.apache.org/jira/secure/attachment/12484764/NUTCH-1016-2.0.patch
  78. * @param input
  79. * @return
  80. */
  81. private static String stripNonCharCodepoints(String input) {
  82. StringBuilder retval = new StringBuilder(input.length());
  83. char ch;
  84. for (int i = 0; i < input.length(); i++) {
  85. ch = input.charAt(i);
  86. // Strip all non-characters
  87. // http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Noncharacter_Code_Point=True:]
  88. // and non-printable control characters except tabulator, new line
  89. // and carriage return
  90. if (ch % 0x10000 != 0xffff && // 0xffff - 0x10ffff range step
  91. // 0x10000
  92. ch % 0x10000 != 0xfffe && // 0xfffe - 0x10fffe range
  93. (ch <= 0xfdd0 || ch >= 0xfdef) && // 0xfdd0 - 0xfdef
  94. (ch > 0x1F || ch == 0x9 || ch == 0xa || ch == 0xd)) {
  95. retval.append(ch);
  96. }
  97. }
  98. return retval.toString();
  99. }
  100. @Override
  101. public void putNext(Tuple t) throws IOException {
  102. final SolrInputDocument doc = new SolrInputDocument();
  103. final ResourceFieldSchema[] fields = schema.getFields();
  104. int docfields = 0;
  105. for (int i = 0; i < fields.length; i++) {
  106. final Object value = t.get(i);
  107. if (value != null) {
  108. docfields++;
  109. doc.addField(fields[i].getName().trim(), stripNonCharCodepoints(value.toString()));
  110. }
  111. }
  112. try {
  113. if (docfields > 0)
  114. writer.write(null, doc);
  115. } catch (InterruptedException e) {
  116. Thread.currentThread().interrupt();
  117. return;
  118. }
  119. }
  120. }

Pig脚本如下:

  1. --注册依赖文件的jar包
  2. REGISTER ./dependfiles/tools.jar;
  3. --注册solr相关的jar包
  4. REGISTER  ./solrdependfiles/pigudf.jar;
  5. REGISTER  ./solrdependfiles/solr-core-4.10.2.jar;
  6. REGISTER  ./solrdependfiles/solr-solrj-4.10.2.jar;
  7. REGISTER  ./solrdependfiles/httpclient-4.3.1.jar
  8. REGISTER  ./solrdependfiles/httpcore-4.3.jar
  9. REGISTER  ./solrdependfiles/httpmime-4.3.1.jar
  10. REGISTER  ./solrdependfiles/noggit-0.5.jar
  11. --加载HDFS数据,并定义scheaml
  12. a = load '/tmp/data' using PigStorage(',') as (sword:chararray,scount:int);
  13. --存储到solr中,并提供solr的ip地址和端口号
  14. store d into '/user/search/solrindextemp'  using com.pig.support.solr.SolrStore('http://localhost:8983/solr/collection1','collection1');
  15. ~
  16. ~
  17. ~

配置成功之后,我们就可以运行程序,加载HDFS上数据,经过计算处理之后,并将最终的结果,存储到Solr之中,截图如下:

成功之后,我们就可以很方便的在solr中进行毫秒级别的操作了,例如各种各样的全文查询,过滤,排序统计等等!

同样的方式,我们也可以将索引存储在ElasticSearch中,关于如何使用Pig和ElasticSearch集成,散仙也会在后面的文章中介绍,敬请期待! 

玩转大数据系列之Apache Pig如何与Apache Solr集成(二)的更多相关文章

  1. 玩转大数据系列之Apache Pig高级技能之函数编程(六)

    原创不易,转载请务必注明,原创地址,谢谢配合! http://qindongliang.iteye.com/ Pig系列的学习文档,希望对大家有用,感谢关注散仙! Apache Pig的前世今生 Ap ...

  2. 玩转大数据之Apache Pig如何与Apache Lucene集成

     在文章开始之前,我们还是简单来回顾下Pig的的前尘往事: 1,Pig是什么? Pig最早是雅虎公司的一个基于Hadoop的并行处理架构,后来Yahoo将Pig捐献给Apache(一个开源软件的基金组 ...

  3. 大数据系列(2)——Hadoop集群坏境CentOS安装

    前言 前面我们主要分析了搭建Hadoop集群所需要准备的内容和一些提前规划好的项,本篇我们主要来分析如何安装CentOS操作系统,以及一些基础的设置,闲言少叙,我们进入本篇的正题. 技术准备 VMwa ...

  4. 大数据系列之并行计算引擎Spark介绍

    相关博文:大数据系列之并行计算引擎Spark部署及应用 Spark: Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎. Spark是UC Berkeley AMP lab ( ...

  5. 大数据系列之Flume+kafka 整合

    相关文章: 大数据系列之Kafka安装 大数据系列之Flume--几种不同的Sources 大数据系列之Flume+HDFS 关于Flume 的 一些核心概念: 组件名称     功能介绍 Agent ...

  6. 大数据系列(4)——Hadoop集群VSFTP和SecureCRT安装配置

    前言 经过前三篇文章的介绍,已经通过VMware安装了Hadoop的集群环境,当然,我相信安装的过程肯定遇到或多或少的问题,这些都需要自己解决,解决的过程就是学习的过程,本篇的来介绍几个Hadoop环 ...

  7. 大数据系列之数据仓库Hive命令使用及JDBC连接

    Hive系列博文,持续更新~~~ 大数据系列之数据仓库Hive原理 大数据系列之数据仓库Hive安装 大数据系列之数据仓库Hive中分区Partition如何使用 大数据系列之数据仓库Hive命令使用 ...

  8. 大数据系列之分布式计算批处理引擎MapReduce实践-排序

    清明刚过,该来学习点新的知识点了. 上次说到关于MapReduce对于文本中词频的统计使用WordCount.如果还有同学不熟悉的可以参考博文大数据系列之分布式计算批处理引擎MapReduce实践. ...

  9. 大数据系列之数据仓库Hive原理

    Hive系列博文,持续更新~~~ 大数据系列之数据仓库Hive原理 大数据系列之数据仓库Hive安装 大数据系列之数据仓库Hive中分区Partition如何使用 大数据系列之数据仓库Hive命令使用 ...

随机推荐

  1. PHPSTORM 2016.2 注册

    1.由于 http://idea.qinxi1992.cn/ OR http://us.idea.lanyus.com/ 都已经被禁掉了,所以就不能再用License server 去注册了. 如图所 ...

  2. try install gitlab ce at docker ce

    sudo docker run --detach \ --env GITLAB_OMNIBUS_CONFIG="external_url 'http://192.168.1.30:8087/ ...

  3. 牛客多校第六场 J Upgrading Technology dp

    题意: 有n个技能,一开始都是0级,第i个技能从j-1级升到j级,花费$c_{i,j}$,但是花费不一定是正的 所有的技能升到j级时,奖励$d_j$但是奖励也不一定是正的 题解: 用sum[i][j] ...

  4. <每日一题>题目1:简单的注册和登录1.0

    #版本1.0,最基本的注册登录'''1.注册,将账号和密码分别写在不同的文档里面2.登录,分别从账户文档和密码文档进行读取并登录''' #注册 Identity = input("请输入您想 ...

  5. Spring 基于Aspectj切面表达式(6)

    1 package com.proc; 2 3 import org.aspectj.lang.JoinPoint; 4 import org.aspectj.lang.ProceedingJoinP ...

  6. jmeter-测试https请求

    找了一个HTTPS请求的网站尝试. 我用的是chrome,点这个小锁(如果是IE也可以在网页上右键,属性,高级,证书) 或 看到下图,点击“复制到文件” 或 把导出的证书打成.store 用此命令进行 ...

  7. Java多线程设计模式系列

    通过几天的认真阅读,发现这是一本难得一见的好书,为了加深巩固学习成功,我打算将书中的例子全部自己实现一遍,特此记录下来也方便其他朋友学习. 第一章,java语言的线程 单线程程序:打印10000次go ...

  8. Carthage使用

    # carthage 包管理 ## 安装过程 1) 安装homebrew ``` ruby$ /usr/bin/ruby -e "$(curl -fsSL https://raw.githu ...

  9. nginx源码分析-源码结构

    本文主要简单介绍nginx源码目录结构.程序编译流程.如何构建学习nginx的环境等.本文以及后续nginx源码分析文章是基于nginx当前(2009-02-27)的稳定版本0.6.35进行的分析,该 ...

  10. Python中else的用法

    Python中else除了可以与if组成条件语句外,还可以和while .for .try一起串联使用. else和while配合使用: count=0 while count>12: if ( ...