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


package com.easy.build.index

import java.util

import org.apache.solr.client.solrj.beans.Field

import org.apache.solr.client.solrj.impl.HttpSolrClient

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

import scala.annotation.meta.field

/**

* Created by qindongliang on 2016/1/21.

*/

//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

case class Record(

@(Field@field)("rowkey") rowkey:String,

@(Field@field)("title") title:String,

@(Field@field)("content") content:String,

@(Field@field)("isdel") isdel:String,

@(Field@field)("t1") t1:String,

@(Field@field)("t2")t2:String,

@(Field@field)("t3")t3:String,

@(Field@field)("dtime") dtime:String

)

/***

* Spark构建索引==>Solr

*/

object SparkIndex {

//solr客户端

val client=new HttpSolrClient("http://192.168.1.188:8984/solr/monitor");

//批提交的条数

val batchCount=10000;

def main2(args: Array[String]) {

val d1=new Record("row1","title","content","1","01","57","58","3");

val d2=new Record("row2","title","content","1","01","57","58","45");

val d3=new Record("row3","title","content","1","01","57","58",null);

client.addBean(d1);

client.addBean(d2)

client.addBean(d3)

client.commit();

println("提交成功！")

}

/***

* 迭代分区数据（一个迭代器集合），然后进行处理

* @param lines 处理每个分区的数据

*/

def indexPartition(lines:scala.Iterator[String] ): Unit ={

//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

val datas = new util.ArrayList[Record]()

//迭代处理每条数据，符合条件会提交数据

lines.foreach(line=>indexLineToModel(line,datas))

//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

commitSolr(datas,true);

}

/***

* 提交索引数据到solr中

*

* @param datas 索引数据

* @param isEnd 是否为最后一次提交

*/

def commitSolr(datas:util.ArrayList[Record],isEnd:Boolean): Unit ={

//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

if ((datas.size()>0&&isEnd)||datas.size()==batchCount) {

client.addBeans(datas);

client.commit(); //提交数据

datas.clear();//清空集合，便于重用

}

}

/***

* 得到分区的数据具体每一行，并映射

* 到Model，进行后续索引处理

*

* @param line 每行具体数据

* @param datas 添加数据的集合，用于批量提交索引

*/

def indexLineToModel(line:String,datas:util.ArrayList[Record]): Unit ={

//数组数据清洗转换

val fields=line.split("\1",-1).map(field =>etl_field(field))

//将清洗完后的数组映射成Tuple类型

val tuple=buildTuble(fields)

//将Tuple转换成Bean类型

val recoder=Record.tupled(tuple)

//将实体类添加至集合，方便批处理提交

datas.add(recoder);

//提交索引到solr

commitSolr(datas,false);

}

/***

* 将数组映射成Tuple集合，方便与Bean绑定

* @param array field集合数组

* @return tuple集合

*/

def buildTuble(array: Array[String]):(String, String, String, String, String, String, String, String)={

array match {

case Array(s1, s2, s3, s4, s5, s6, s7, s8) => (s1, s2, s3, s4, s5, s6, s7,s8)

}

}

/***

* 对field进行加工处理

* 空值替换为null,这样索引里面就不会索引这个字段

* ,正常值就还是原样返回

*

* @param field 用来走特定规则的数据

* @return 映射完的数据

*/

def etl_field(field:String):String={

field match {

case "" => null

case _ => field

}

}

/***

* 根据条件清空某一类索引数据

* @param query 删除的查询条件

*/

def deleteSolrByQuery(query:String): Unit ={

client.deleteByQuery(query);

client.commit()

println("删除成功!")

}

def main(args: Array[String]) {

//根据条件删除一些数据

deleteSolrByQuery("t1:03")

//远程提交时，需要提交打包后的jar

val jarPath = "target\\spark-build-index-1.0-SNAPSHOT.jar";

//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

System.setProperty("user.name", "webmaster");

//初始化SparkConf

val conf = new SparkConf().setMaster("spark://192.168.1.187:7077").setAppName("build index ");

//上传运行时依赖的jar包

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"

conf.setJars(seq)

//初始化SparkContext上下文

val sc = new SparkContext(conf);

//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

val rdd = sc.textFile("hdfs://192.168.1.187:9000/user/monitor/gs/");

//通过rdd构建索引

indexRDD(rdd);

//关闭索引资源

client.close();

//关闭SparkContext上下文

sc.stop();

}

/***

* 处理rdd数据，构建索引

* @param rdd

*/

def indexRDD(rdd:RDD[String]): Unit ={

//遍历分区，构建索引

rdd.foreachPartition(line=>indexPartition(line));

}

}

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