作者:余枫

文档编写目的

在上一篇《0700-6.2.0-使用Solr7对多种格式文件建立全文索引》中介绍了如何在CDH6.2.0中使用Solr7对多种格式的文件进行全文索引,测试中使用的主要是非结构化的word、ppt、pdf等非结构化的数据,很多时候需要使用Solr对结构化的数据进行索引,根据其中某些字段进行精准的查询或者范围查询,本文档将介绍如何使用Solr对csv文件建立全文索引。

  • 内容概述

1.准备测试数据

2.建立索引

3.进行查询验证

4.总结

  • 测试环境

1.CM和CDH版本为6.2.0

2.Solr版本为7.4.0

3.集群未启用kerberos

4.采用root用户

  • 前置条件

1.CDH集群已安装成功并正常运行

2.集群已添加Solr服务

准备测试数据

1.本次测试准备生成一个1GB左右大小的csv文件,该数据文件共有十个字段,其中有int、double、string、date以及中文文本和英文文本等类型,多一些数据类型方便测试,下面是生成数据的Java代码

https://github.com/fayson/cdhproject/blob/master/generatedata/src/main/java/com/cloudera/solr/GenerateSolrTestData.java

生成的数据一共60W条,大小1.1GB,十个字段分别为number,firstDouble,firstNo,secondDouble,secondNo,jarName,enText,cnText,firstTime,secondTime




tocsv 不带索引_内部jar包如何生成索引文件


建立索引

在Solr Web页面,选择左侧的【Collections】,然后单击【Add collection】。创建一个Collection


tocsv 不带索引_sql索引的建立与使用_02


Collection创建成功


tocsv 不带索引_jar_03


将准备好的csv文件导入到Solr中,Solr自带的post.jar提供了这个功能,下面是post.jar的用法


tocsv 不带索引_内部jar包如何生成索引文件_04


参考help命令,使用下面的命令将csv文件导入到Solr中,并建立全文索引

java -Durl=http://localhost:8983/solr/test0723/update -Dtype=text/csv -Dc=test0723 -jar post.jar /tmp/solr/file/data.csv


tocsv 不带索引_sql索引的建立与使用_05


csv文件导入成功,下一步在Solr上进行查询验证

进行查询验证

1.进入query界面


tocsv 不带索引_内部jar包如何生成索引文件_06


2.根据单个字段查询

  • number


tocsv 不带索引_建立了索引怎么使用_07


  • jarName


tocsv 不带索引_tocsv 不带索引_08


  • 时间字段范围查询


tocsv 不带索引_tocsv 不带索引_09


3.根据英文文本中的内容查找


tocsv 不带索引_sql索引的建立与使用_10


4.根据中文文本中的内容进行查找


tocsv 不带索引_内部jar包如何生成索引文件_11


5.使用字段的组合进行查找

  • 在某个时间范围内的number在1到10000之间的英文文本中包含Cloudera的记录


tocsv 不带索引_建立了索引怎么使用_12


  • 在number30000到40000的记录中,firstDouble大于200,secondDouble小于500的记录


tocsv 不带索引_jar_13


  • jarName以spark开头,且中文文本中包含“查询”的记录


tocsv 不带索引_sql索引的建立与使用_14


总结

1.与上篇文档中使用的dataimport的方式导入数据建立索引不同,本文档使用Solr自带的post.jar将csv文件导入并创建索引,经过查询测试,该方式能够正常使用。

2.Solr在使用时间格式进行查询时,只能使用UTC格式,Solr只能识别这种格式的时间,例如2018-03-06T02:37:02Z。

3.在使用多条件查询时,可以使用fq,在fq中可以添加多个检索条件,其中范围检索可以使用{}、[]、TO搭配来实现,例如firstTime:[2018-01-01T00:00:00Z TO 2018-01-31T23:59:59Z],表示firstTime在1月1日到1月31日之间的数据。

4.Solr的query页面还有许多参数可以使用,例如sort可以对字段进行排序,start、rows可以定义分页的数量,wt可以指定检索结果的格式等等。