如何使用Spark大规模并行构建索引

使用Spark构建索引非常简单，因为spark提供了更高级的抽象rdd分布式弹性数据集，相比以前的使用Hadoop的MapReduce来构建大规模索引，Spark具有更灵活的api操作，性能更高，语法更简洁等一系列优点。 先看下，整体的拓扑图：

然后，再来看下，使用scala写的spark程序：

Java代码

1. package com.easy.build.index
3. import java.util
5. import org.apache.solr.client.solrj.beans.Field
6. import org.apache.solr.client.solrj.impl.HttpSolrClient
7. import org.apache.spark.rdd.RDD
8. import org.apache.spark.{SparkConf, SparkContext}
10. import scala.annotation.meta.field
11. /**
12. * Created by qindongliang on 2016/1/21.
13. */
15. //注册model,时间类型可以为字符串，只要后台索引配置为Long即可，注解映射形式如下
16. case class Record(
17. @(Field@field)("rowkey") rowkey:String,
18. @(Field@field)("title") title:String,
19. @(Field@field)("content") content:String,
20. @(Field@field)("isdel") isdel:String,
21. @(Field@field)("t1") t1:String,
22. @(Field@field)("t2")t2:String,
23. @(Field@field)("t3")t3:String,
24. @(Field@field)("dtime") dtime:String
27. )
29. /***
30. * Spark构建索引==>Solr
31. */
32. object SparkIndex {
34. //solr客户端
35. val client=new HttpSolrClient("http://192.168.1.188:8984/solr/monitor");
36. //批提交的条数
37. val batchCount=10000;
39. def main2(args: Array[String]) {
41. val d1=new Record("row1","title","content","1","01","57","58","3");
42. val d2=new Record("row2","title","content","1","01","57","58","45");
43. val d3=new Record("row3","title","content","1","01","57","58",null);
44. client.addBean(d1);
45. client.addBean(d2)
46. client.addBean(d3)
47. client.commit();
48. println("提交成功！")
51. }
54. /***
55. * 迭代分区数据（一个迭代器集合），然后进行处理
56. * @param lines 处理每个分区的数据
57. */
58. def indexPartition(lines:scala.Iterator[String] ): Unit ={
59. //初始化集合，分区迭代开始前，可以初始化一些内容，如数据库连接等
60. val datas = new util.ArrayList[Record]()
61. //迭代处理每条数据，符合条件会提交数据
62. lines.foreach(line=>indexLineToModel(line,datas))
63. //操作分区结束后，可以关闭一些资源，或者做一些操作，最后一次提交数据
64. commitSolr(datas,true);
65. }
67. /***
68. * 提交索引数据到solr中
69. *
70. * @param datas 索引数据
71. * @param isEnd 是否为最后一次提交
72. */
73. def commitSolr(datas:util.ArrayList[Record],isEnd:Boolean): Unit ={
74. //仅仅最后一次提交和集合长度等于批处理的数量时才提交
75. if ((datas.size()>0&&isEnd)||datas.size()==batchCount) {
76. client.addBeans(datas);
77. client.commit(); //提交数据
78. datas.clear();//清空集合，便于重用
79. }
80. }
83. /***
84. * 得到分区的数据具体每一行，并映射
85. * 到Model，进行后续索引处理
86. *
87. * @param line 每行具体数据
88. * @param datas 添加数据的集合，用于批量提交索引
89. */
90. def indexLineToModel(line:String,datas:util.ArrayList[Record]): Unit ={
91. //数组数据清洗转换
92. val fields=line.split("\1",-1).map(field =>etl_field(field))
93. //将清洗完后的数组映射成Tuple类型
94. val tuple=buildTuble(fields)
95. //将Tuple转换成Bean类型
96. val recoder=Record.tupled(tuple)
97. //将实体类添加至集合，方便批处理提交
98. datas.add(recoder);
99. //提交索引到solr
100. commitSolr(datas,false);
101. }
104. /***
105. * 将数组映射成Tuple集合，方便与Bean绑定
106. * @param array field集合数组
107. * @return tuple集合
108. */
109. def buildTuble(array: Array[String]):(String, String, String, String, String, String, String, String)={
110. array match {
111. case Array(s1, s2, s3, s4, s5, s6, s7, s8) => (s1, s2, s3, s4, s5, s6, s7,s8)
112. }
113. }
116. /***
117. * 对field进行加工处理
118. * 空值替换为null,这样索引里面就不会索引这个字段
119. * ,正常值就还是原样返回
120. *
121. * @param field 用来走特定规则的数据
122. * @return 映射完的数据
123. */
124. def etl_field(field:String):String={
125. field match {
126. case "" => null
127. case _ => field
128. }
129. }
131. /***
132. * 根据条件清空某一类索引数据
133. * @param query 删除的查询条件
134. */
135. def deleteSolrByQuery(query:String): Unit ={
136. client.deleteByQuery(query);
137. client.commit()
138. println("删除成功!")
139. }
142. def main(args: Array[String]) {
143. //根据条件删除一些数据
144. deleteSolrByQuery("t1:03")
145. //远程提交时，需要提交打包后的jar
146. val jarPath = "target\\spark-build-index-1.0-SNAPSHOT.jar";
147. //远程提交时，伪装成相关的hadoop用户，否则，可能没有权限访问hdfs系统
148. System.setProperty("user.name", "webmaster");
149. //初始化SparkConf
150. val conf = new SparkConf().setMaster("spark://192.168.1.187:7077").setAppName("build index ");
151. //上传运行时依赖的jar包
152. val seq = Seq(jarPath) :+ "D:\\tmp\\lib\\noggit-0.6.jar" :+ "D:\\tmp\\lib\\httpclient-4.3.1.jar" :+ "D:\\tmp\\lib\\httpcore-4.3.jar" :+ "D:\\tmp\\lib\\solr-solrj-5.1.0.jar" :+ "D:\\tmp\\lib\\httpmime-4.3.1.jar"
153. conf.setJars(seq)
154. //初始化SparkContext上下文
155. val sc = new SparkContext(conf);
156. //此目录下所有的数据，将会被构建索引,格式一定是约定好的
157. val rdd = sc.textFile("hdfs://192.168.1.187:9000/user/monitor/gs/");
158. //通过rdd构建索引
159. indexRDD(rdd);
160. //关闭索引资源
161. client.close();
162. //关闭SparkContext上下文
163. sc.stop();
166. }
169. /***
170. * 处理rdd数据，构建索引
171. * @param rdd
172. */
173. def indexRDD(rdd:RDD[String]): Unit ={
174. //遍历分区，构建索引
175. rdd.foreachPartition(line=>indexPartition(line));
176. }
180. }

ok，至此，我们的建索引程序就写完了，本例子中用的是远程提交模式，实际上它也可以支持spark on yarn （cluster 或者 client ） 模式，不过此时需要注意的是，不需要显式指定setMaster的值，而由提交任务时，通过--master来指定运行模式，另外，依赖的相关jar包，也需要通过--jars参数来提交到集群里面，否则的话，运行时会报异常，最后看下本例子里面的solr是单机模式的，所以使用spark建索引提速并没有达到最大值，真正能发挥最大威力的是，多台search集群正如我画的架构图里面，每台机器是一个shard，这就是solrcloud的模式，或者在elasticsearch里面的集群shard，这样以来，才能真正达到高效批量的索引构建