干货 | 如何用Solr搭建大数据查询平台

0x00 开头照例扯淡

自从各种脱裤门事件开始层出不穷，在下就学乖了，各个地方的密码全都改成不一样的，重要帐号的密码定期更换，生怕被人社出祖宗十八代的我，甚至开始用起了假名字，我给自己起一新网名”兴才”，这个看起来还不错的名字，其实是我们家乡骂人土话，意思是脑残人士…. -_-|||额好吧，反正是假的，不要在意这些细节。

这只是名，至于姓氏么，每个帐号的注册资料那里，照着百家姓上赵钱孙李周吴郑王的依次往下排，什么张兴才、李兴才、王兴才……于是也不知道我这样”兴才”了多久，终于有一天，我接到一个陌生电话：您好，请问是马兴才先生吗?

好么，该来的终于还是来了，于是按名索骥，得知某某网站我用了这个名字，然后通过各种途径找，果然，那破站被脱裤子了。

果断Down了那个裤子，然后就一发不可收拾，走上了收藏裤子的不归路，直到有一天，我发现收藏已经非常丰富了，粗略估计得好几十亿条数据，拍脑袋一想，这不能光收藏啊，我也搭个社工库用吧……

0x01 介绍

社工库怎么搭呢，这种海量数据的东西，并不是简单的用mysql建个库，然后做个php查询select * from sgk where username like ‘%xxxxx%’这样就能完事的，也不是某些幼稚骚年想的随便找个4g内存，amd双核的破电脑就可以带起来的，上面这样的语句和系统配置，真要用于社工库查询，查一条记录恐怕得半小时。好在这个问题早就被一种叫做全文搜索引擎的东西解决了，更好的消息是，全文搜索引擎大部分都是开源的，不需要花钱。

目前网上已经搭建好的社工库，大部分是mysql+coreseek+php架构，coreseek基于sphinx，是一款优秀的全文搜索引擎，但缺点是比较轻量级，一旦数据量过数亿，就会有些力不从心，并且搭建集群做分布式性能并不理想，如果要考虑以后数据量越来越大的情况，还是得用其他方案，为此我使用了solr。

Solr的基础是著名的Lucene框架，基于java，通过jdbc接口可以导入各种数据库和各种格式的数据，非常适合开发企业级的海量数据搜索平台，并且提供完善的solr cloud集群功能，更重要的是，solr的数据查询完全基于http，可以通过简单的post参数，返回json,xml,php,python,ruby,csv等多种格式。

以前的solr，本质上是一组servlet，必须放进Tomcat才能运行，从solr5开始，它已经自带了jetty，配置的好，完全可以独立使用，并且应付大量并发请求，具体的架构我们后面会讲到，现在先来进行solr的安装配置。

0x02 安装和配置

以下是我整个搭建和测试过程所用的硬件和软件平台，本文所有内容均在此平台上完成：

软件配置: solr5.5,mysql5.7,jdk8,Tomcat8 Windows10/Ubuntu14.04 LTS

硬件配置: i7 4770k,16G DDR3,2T西数黑盘

2.1 mysql数据库

Mysql数据库的安装和配置我这里不再赘述，只提一点，对于社工库这种查询任务远远多于插入和更新的应用来说，最好还是使用MyISAM引擎。 搭建好数据库后，新建一个库，名为newsgk，然后创建一个表命名为b41sgk,结构如下：

id bigint 主键 自动增长 username varchar 用户名 email varchar 邮箱 password varchar 密码 salt varchar 密码中的盐或者第二密码 ip varchar ip、住址、电话等其他资料 site varchar 数据库的来源站点

接下来就是把收集的各种裤子全部导入这个表了，这里推荐使用navicat，它可以支持各种格式的导入，具体过程相当的枯燥乏味,需要很多的耐心，这里就不再废话了，列位看官自己去搞就是了，目前我初步导入的数据量大约是10亿条。

2.2 Solr的搭建和配置

首先下载solr：

解压缩：

安装jdk8：

因为是java跨平台的，Windows下和linux下solr是同一个压缩包，windows下jdk的安装这里不再说明。

进入解压缩后的solr文件夹的bin目录，solr.cmd和solr分别是windows和linux下的启动脚本：

因为社工库是海量大数据，而jvm默认只使用512m的内存，这远远不够，所以我们需要修改，打开solr.in.sh文件，找到这一行：

SOLR_HEAP="512m"

依据你的数据量，把它修改成更高，我这里改成4G，改完保存. 在windows下略有不同，需要修改solr.in.cmd文件中的这一行：

set SOLR_JAVA_MEM=-Xms512m -Xmx512m

同样把两个512m都修改成4G。

Solr的启动，重启和停止命令分别是：

在linux下还可以通过install_solr_service.sh脚本把solr安装为服务，开机后台自动运行。

Solr安装完成，现在我们需要从mysql导入数据，导入前，我们需要先创建一个core，core是solr的特有概念，每个core是一个查询、数据,、索引等的集合体，你可以把它想象成一个独立数据库，我们创建一个新core：

在solr-5.5.0/server/solr子目录下面建立一个新文件夹，命名为solr_mysql，这个是core的名称，在下面创建两个子目录conf和data，把solr-5.5.0/solr-5.5.0/example/example-DIH/solr/db/conf下面的所有文件全部拷贝到我们创建的conf目录中.接下来的配置主要涉及到三个文件， solrconfig.xml， schema.xml和db-data-config.xml。

首先打开db-data-config.xml，修改为以下内容：

这个文件是负责配置导入数据源的，请按照mysql实际的设置修改datasource的内容，下面entity的内容必须严格按照mysql中社工库表的结构填写，列名要和数据库中的完全一样。

然后打开solrconfig.xml，先找到这一段：

把它全部注释掉，加上一行，改成这样：

这是因为solr5 以上默认使用managed-schema管理schema，需要更改为可以手动修改。

然后我们还需要关闭suggest，它提供搜索智能提示，在社工库中我们用不到这样的功能，重要的是，suggest会严重的拖慢solr的启动速度,在十几亿数据的情况下，开启suggest可能会导致solr启动加载core长达几个小时!

同样在solrconfig.xml中，找到这一段：

把这些全部删除，然后保存solrconfig.xml文件。

接下来把managed-schema拷贝一份，重命名为schema.xml (原文件不要删除)，打开并找到以下位置：

只保留_version_和_root_节点，然后把所有的field，dynamicField和copyField全部删除，添加以下的部分：

这里的uniqueKey是配置文件中原有的，用来指定索引字段，必须保留。新建了一个字段名为keyword，它的用途是联合查询，即当需要同时以多个字段做关键字查询时，可以用这一个字段名代替，增加查询效率，下面的copyField即用来指定复制哪些字段到keyword。注意keyword这样的字段，后面的multiValued属性必须为true。

username和email以及keyword这三个字段，用来检索查询关键字，它们的类型我们指定为text_ik，这是一个我们创造的类型，因为solr虽然内置中文分词，但效果并不好，我们需要添加IKAnalyzer中文分词引擎来查询中文。在https://github.com/EugenePig/ik-analyzer-solr5下载IKAnalyzer for solr5的源码包，然后使用Maven编译，得到一个文件IKAnalyzer-5.0.jar，把它放入solr-5.5.0/server/solr-webapp/webapp/WEB-INF/lib目录中，然后在solrconfig.xml的fieldType部分加入以下内容：

保存后，core的配置就算完成了，不过要导入mysql数据，我们还需要在mysql网站上下载mysql-connector-java-bin.jar库文件，连同solr-5.5.0/dist目录下面的solr-dataimporthandler-5.5.0.jar，solr-dataimporthandler-extras-5.5.0.jar两个文件，全部拷贝到solr-5.5.0/server/solr-webapp/webapp/WEB-INF/lib目录中，然后重启solr，就可以开始数据导入工作了。

2.3 数据导入

确保以上配置完全正确且solr已经运行，打开浏览器，访问http://localhost:8983/solr/#/ ，进入solr的管理页面，点击左侧Core Admin，然后Add Core：

name和instanceDir都填写前面我们命名的core名称solr_mysql，点击add core后，稍等片刻，core就建立完成了。此时在左边的下拉菜单选择创建的core，然后进一步选择Dataimport项，按照如下设置：

点击Execute，就会开始从mysql导入数据，选中Auto-Refresh Status会自动刷新进度，接下来就是漫长的等待……

导入完成后，我们就可以开始查询了，solr的查询全部使用post参数，比如：

http://localhost:8983/solr/solr_mysql/select?q=keyword:12345678&start=10&rows=100&wt=json&indent=true

因为前面已经建立了复合字段keyword，所以这里我们直接用keyword:12345678会自动查找username和email中包含12345678的所有结果，start=10&rows=100指定查询结果返回第11行到第110行的内容，因为solr采用的是分页查询，wt=json指定查询结果是json格式的,还可以是xml、php、python、ruby以及csv。

上图返回结果中的numfound：111892代表一共返回的结果数，不指定 start和rows的情况下默认只显示前十个结果。还需要注意IKAnalyzer引擎的几个问题，在以纯数字或者纯字母关键字查询时，IKAnalyzer会返回正确的结果，但在查询数字字母混合关键字时，需要在后面加*号，查询汉字时.默认会进行分词，即把一段关键字分成几个词查询，而社工库必须精确查询，所以汉字查询必须给关键字加双引号。

到这一步，如果只是搭建一个本地库，供自己使用，那么我们接下来只需写一个查询程序，post关键字，然后显示返回的结果即可，比如这样：

秒查，速度非常快，但如果要架设成服务器，提供给其他人使用，我们还有很多工作要做。

0x03 服务器架构和数据增量更新

尽管solr现在已经自带了jetty，jetty并不弱于tomcat，且没有后者那么臃肿，但是很多人在构建web应用时还是喜欢用以前的习惯，把solr整合进tomcat，然后和后台程序一锅乱炖，坦白说，在下并不喜欢这样的架构，对于大数据应用来说，各个功能组件各自独立，互相配合远比大杂烩要有效率和易于维护的多，所以，我理想中的社工库查询服务器，应该是以下的架构：

以上架构中，mysql只负责存储整理好的数据，并不提供查询服务，整理和导入新数据库时，只需操作mysql，solr利用自带的jetty独立运行,定期从mysql导入增量更新的数据，Tomcat作为应用服务器，运行提供查询的servlet应用，此应用通过http向solr post数据并获取结果，返回给前端页面，相互独立又相辅相成。

并且，solr并不依赖于mysql，它本身就是数据库可以独立运行，而社工库这种东西，并不是经常有新数据的，获取新数据的间隔可能很长，所以上面的定时增量更新可以改为手动增量更新，没有新数据时mysql完全可以关闭以节约资源。

那么我们先开始着手增量更新的设置，我们现在已有的数据表b41sgk并不动，在此基础上建立一个和b41sgk结构基本相同的表b41new，不同之处是增加了一个字段updatetime，用来自动存储添加数据的时间，以后的新数据全写入这个表，b41sgk不再做更新：

CREATE TABLE b41new (

id bigint NOT NULL auto_increment,

username varchar(255),

email varchar(255),

password varchar(255),

salt varchar(255),

ip varchar(255),

site varchar(255),

updatetime timestamp NOT NULL ON UPDATE CURRENT_TIMESTAMP DEFAULT CURRENT_TIMESTAMP,

PRIMARY KEY ('id')

)

用和前面同样的步骤建立一个core命名为solr_newsgk，在db-data-config.xml中做如下设置：

last_index_time和delta.id是两个自动变化的参数，分别记录最后一次导入数据的时间和已导入的最大id值，存储于当前core的conf目录下dataimporter.properties文件中，以上设置保存后,提交如下链接：

http://localhost:8983/solr/solr_newsgk/dataimport?command=delta-import&clean=false&commit=true

如果此时数据表b41new中已经添加了新数据，就会自动增量同步到solr中，如果要每天定时自动增量更新，执行：

增加一条：

保存后执行：

Solr就会在每天的零时自动增量导入数据，如果是windows系统，可以利用powershell和计划任务达到同样的目的。

现在我们的服务器搭建还剩下最后一件事：既然现在我们准备把solr查询提供给别人用，那么问题来了，我们只希望别人通过tomcat里的servlet查询,而不希望直接调用solr，我们需要屏蔽外部查询：

如果把solr和tomcat放在不同的服务器，只需把127.0.0.1改成tomcat服务器的ip地址。接下来保存：

编辑/etc/network/interfaces，加入下面这行：

pre-up iptables-restore < /etc/iptables.up.rules

0x04 编写查询应用

Solr除了可以通过http post数据来查询之外，还提供了一套完整的api solrj，其实solrj底层还是通过http访问的，但如果你是用java开发，使用它会比直接http访问方便的多。

我们启动eclipse，配置好和tomcat的连接，新建一个项目sgk，在构建路径中添加solr-5.5.0/dist/solrj-lib下的全部jar包，然后添加solr-5.5.0/server/lib/ext中的log4j-1.2.17.jar，slf4j-api-1.7.7.jar，slf4j-log4j12-1.7.7.jar三个包。

在web.xml中添加如下设置：

新建一个servlet命名为searcher：

<查看更多代码，阅读原文>

编译运行，提交http://localhost:8080/sgk/searcher?keyword=xxxxxxxxxxxx这样的地址,就会返回json数据，接下来只需写一个前端页面，解析并显示这些结果即可.

0x05尾声

终于全都完成了，我在把狐朋狗友加基友加妹纸在社工库里查了个遍之后，心满意足的睡觉去了，梦中，我经过一条小河上的独木桥，刚走到桥正中，突然腰带一松，裤子掉进了河里，我正在发愁的时候,河面上冒出了一个猥琐的河神，手中拿着三件东西笑眯眯的问我:

“善良的少年哟! 你掉的，是这条金裤子，还是这条银裤子，还是这个装满了裤子的硬盘呢?”

“哈哈哈哈哈哈哈…..”

我对着河神哈哈大笑，笑着笑着，猛然从梦中醒来，睁眼一看，已经天光大亮了，回头看床头时钟，妈蛋! 上班要迟到了!!!.....

*作者b41k3r，本文属FreeBuf原创奖励计划，未经许可禁止转载