HBase中创建索引

hbasene(https://github.com/akkumar/hbasene)是开源项目，在hbase存储上封装使用Lucene来创建索引，代码API非常简单，熟悉lucene的朋友可以很方便地创建。



    以下为测试代码，完成读取一张hbase上记录url和用户id的表，对其创建索引并进行简单的基于url的索引的代码。当取到search的结果后，就可以拿到想要的数据了。由于分词后将原始内容进行了反向索引，所以匹配就转化为了查询，速度相当快。



    其中getDocumentFromHTable为读取一张hbase上己有的表，将url字段提取出来创建content索引。



    创建索引的实质是用了HBaseIndexWriter和HBaseIndexReader两个分别继承自IndexWriter和IndexReader的类来做索引的读取和写入。同时使用了HBaseIndexStore来做存储。



    而创建索引使用的分词等仍然是使用标准的lucene API。



    注意hbasene使用的是hbase-0.20.5，需要修改少量源代码才能运行在0.90.x以上的版本中。



    这里对创建索引表使用到的结构做下简单的说明，因为是lucene入门级水平，所以各位请尽管拍砖讨论。



    索引表由以下几个CF构成:

• fm.sequence: 记录sequenceId，在执行createLuceneIndexTable时需要写死该CF的row为sequenceId,qulifier为qual.sequence，值为-1。可以不用理会
• fm.doc2int: DocumentId,每个document都会有一个这样的id,如果Field.Store设置为YES，则能在索引表中查询到该id并得到完整的内容。
• fm.termVector: 向量偏移，用于模糊查找，记录偏移量等信息
• fm.termFrequency:分词后的关键词在每个document中出现的频率，qulifier为documentId，value为出现次数
• fm.fields:记录了content内容，row为documentId，value为document的全文内容，它和fm.docint是相反的，后者是反向索引。
• fm.payloads:扩展CF，目前还没有用到

1. import java.io.IOException;
2. import org.apache.hadoop.conf.Configuration;
3. import org.apache.hadoop.hbase.HBaseConfiguration;
4. import org.apache.hadoop.hbase.client.HTable;
5. import org.apache.hadoop.hbase.client.HTablePool;
6. import org.apache.hadoop.hbase.client.Result;
7. import org.apache.hadoop.hbase.client.ResultScanner;
8. import org.apache.hadoop.hbase.client.Scan;
9. import org.apache.lucene.analysis.standard.StandardAnalyzer;
10. import org.apache.lucene.document.Document;
11. import org.apache.lucene.document.Field;
12. import org.apache.lucene.document.Fieldable;
13. import org.apache.lucene.index.IndexReader;
14. import org.apache.lucene.index.Term;
15. import org.apache.lucene.search.IndexSearcher;
16. import org.apache.lucene.search.ScoreDoc;
17. import org.apache.lucene.search.TermQuery;
18. import org.apache.lucene.search.TopDocs;
19. import org.apache.lucene.util.Version;
20. import org.hbasene.index.HBaseIndexReader;
21. import org.hbasene.index.HBaseIndexStore;
22. import org.hbasene.index.HBaseIndexWriter;
23. public class test{
24. static final String indexName = "myindex";
25. static final String dataName = "t1";
26. public static void main(String[] args) throws IOException {
27. try{
28. Configuration conf = HBaseConfiguration.create(); //hbase-site.xml in the classpath
29. conf.set("hbase.rootdir", "hdfs://192.168.0.1:9000/hbase");
30. conf.set("hbase.zookeeper.quorum", "192.168.0.1,192.168.0.2,192.168.0.3");
31. HTablePool tablePool = new HTablePool(conf, 10);
32. HBaseIndexStore.createLuceneIndexTable(indexName, conf, true);
33. //Write
34. HBaseIndexStore hbaseIndex = new HBaseIndexStore(tablePool, conf, indexName);
35. HBaseIndexWriter writer = new HBaseIndexWriter(hbaseIndex, "content"); //Name of the primary key field.
36. getDocument(writer);
37. writer.close();
38. //Read/Search
39. IndexReader reader = new HBaseIndexReader(tablePool, indexName, "f");
40. IndexSearcher searcher = new IndexSearcher(reader);
41. Term term = new Term("content", "item.taobao.com");
42. TermQuery termQuery = new TermQuery(term);
43. TopDocs docs = searcher.search(termQuery, 3);
44. searcher.close();
45. }catch(IOException e){
46. e.printStackTrace();
47. throw e;
48. }
49. }
50. private static void getDocument(HBaseIndexWriter writer) throws IOException{
51. Document doc = new Document();
52. doc.add(new Field("content", "some content some dog", Field.Store.YES,
53. Field.Index.ANALYZED));
54. writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
55. doc = new Document();
56. doc.add(new Field("content", "some id", Field.Store.NO, Field.Index.ANALYZED));
57. writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
58. doc = new Document();
59. doc.add(new Field("content", "hot dog", Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS));
60. writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
61. }
62. private static void getDocumentFromHTable(HTablePool tablePool, HBaseIndexWriter writer) throws IOException  {
63. Document doc = new Document();
64. Scan scan = new Scan();
65. HTable htable = (HTable)tablePool.getTable(dataName);
66. ResultScanner results = htable.getScanner(scan);
67. Result row;
68. while((row = results.next()) != null){
69. doc = new Document();
70. String value = new String(row.getValue("test".getBytes(), null));
71. String url = value.split("\"")[2];
72. doc.add(new Field("content", url, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_OFFSETS));
73. writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
74. }
75. }
76. }

以下为运行后查看表的中情况：