开源大数据索引项目hive-solr

github地址：https://github.com/qindongliang/hive-solr 欢迎大家fork和使用 关于这个项目的介绍，请参考散仙前面的文章： http://qindongliang.iteye.com/blog/2283862 最新更新： （1）添加了对solrcloud集群的支持 （2）修复了在反序列时对于hive中null列和空值的处理bug （3）优化了在构建索引时对于null值和空值的忽略 一些测试： 数据量：约一千二百万，8个字段，其中一个是大文本，2个是分词字段，索引前数据体积约20G 索引总耗时：约15分钟 索引后体积：每个shard约6G，共约18G Hive：限制最大并发map数为30个，怕影响Hbase服务，注意使用Hive建完索引后，需要手动commit一次，使内存索引flush到磁盘上 批处理：每个map里面10万数据，批量处理提交一次，不commit，这个值根据情况设定，太大了容易solrcloud容易丢数据，太小了会影响速度 solrcloud集群版本为5.1使用3台机器，每台一个shard，无副本，jetty的内存给了10G CPU：24核，注意大文本分词字段非常耗cpu solr的jvm参数调整： （1） 调大 SurvivorRatio 区占比，降低survivor区的内存空间 （2）调小NewRatio区占比，增大新生代的内存空间 （3）调大永久代MaxPermSize内存至256M （4）调整MaxTenuringThreshold=0 ，使大对象加速进入老年代，避免在survivor和eden区来回拷贝，使用YGC次数变多 其他参数还是默认配置 solr服务端配置： （1）关闭自动commit （2）设置ramBufferSizeMB为1000 ，约等1G （3）设置maxBufferedDocs等-1，禁用maxBufferDocs （4）设置mergeFactor为100

回复关键词：索引，可查看这个项目的介绍