自学大数据：基于Solr实现HBase的文本索引

前言
最近接触的项目中，需要针对HBase的数据进行索引查询，主要支持中文查询，分页查询等。在此情况下，学习了搜索服务器solr。总结了一些方法和经验，正好可以分享个大家，鼓励自己，共同学习。

使用目的
HBase目前只支持对rowkey的一级索引，对于二级索引还不支持，当然可以把所有要索引的字段都拼接到rowkey中，根据hbase的filter功能进行查询，但是这样操作数据会涉及到全表扫描，效率很低，速度慢，不利于后期扩展。并且，通过HBase自己的索引，实现数据量统计，分页，中文索引几乎不可能。所以，基于solr为HBase创建索引，就显得更有价值。

名词解析

Solr： Solr是一个高性能，采用Java5开发，基于Lucene的全文搜索服务器。同时对其进行了扩展，提供了比Lucene更为丰富的查询语言，同时实现了可配置、可扩展并对查询性能进行了优化，并且提供了一个完善的功能管理界面，是一款非常优秀的全文搜索引擎。Solr是一个独立的企业级搜索应用服务器，它对外提供类似于Web-service的API接口。用户可以通过http请求，向搜索引擎服务器提交一定格式的XML文件，生成索引；也可以通过Http
Get操作提出查找请求，并得到XML格式的返回结果。

原理

基于Solr的HBase多条件查询原理很简单，将HBase表中涉及条件过滤的字段和rowkey在Solr中建立索引，通过Solr的多条件查询快速获得符合过滤条件的rowkey值，拿到这些rowkey之后在HBASE中通过指定rowkey进行查询。



环境搭建

基于tomcat服务器搭建solr的运行环境，参照slor官网
Solr with Apache Tomcat

建立索引实现方式

目前主流的通过solr在HBase之上建立索引，有三种方式：

1、 第一种方案是通过HBase的普通API获取数据建立索引



优点：HBase与Solr彼此没有任何耦合，通过外部java程序来控制索引的创建修改，整个系统的高可用性和容错性有保证。
缺点：效率较低。每秒处理125条数据（加大线程可以提高效率）

基于本人PC测试：

线程数设置为10个，每秒可以处理294条数据

线程数设置为20个，每秒可以处理410条数据

线程数设置为25个，每秒可以处理376条数据

线程数设置为30个，每秒可以处理382条数据

2、 第二种方案是用到HBase的Mapreduce框架



优点：分布式并行执行效率特别高，处理1000万条数据仅需5分钟

缺点：但是这种高并发需要对Solr服务器进行配置调优，不然会抛出服务器无法响应的异常。适合批量处理，数据量较小时不适合。

3、 第三种方案是在往HBase写数据的过程中，触发HBase的coprocessor的observer功能调用solr服务，建立solr索引。是在Base的中实现。



优点：外部调用端不需要考虑solr索引的建立问题，只需要调用HBase操作数据，索引的建立交给HBase调用Solr实现。

缺点：协处理器运行在和RegionServer相同的进程空间里，出错的协处理器有潜在可能使进程崩溃，导致HBase的数据出错。

综上所述，考虑到HBase集群的高可用性、容错性、扩展性等，建议主要使用第一种方案建立索引，第二种方案为辅助。