由于工作需要,对lucene和hadoop的整合做了一些笔记,在此备忘。
由于水平有限,不到位之处,请海涵。
另外,网上关于此类的文章也不多,大多是老外关于几个开源框架的说法,希望有更好的技术方案,请不吝指教一二。
首先Cloudera的hadoop0.20.2自带了一个hadoop-index-0.20.2-cdh3u4.jar的工具包,提供了lucene和hadoop整合的一些方法。网上大多数版本都是基于此,所以我先对此做了一些熟悉。
一 先说一下目前得出的几点个人的结论。
1, lucene是支持随机读写的,而hdfs只支持随机读,换言之,但凡有用到lucene处理的随机写的方法的时候,hdfs都不能处理。这里不讨论性能问题。只是说可行性。所以,直接将索引建立在hdfs是不可行的。
2, 目前能做到的如果不借助于local的文件而写入hdfs,唯一的方法就是把索引写入内存再写入hdfs。
(这是hadoop提供的结合lucene的源码)
二 说明一下上述结论。
1,
我们知道lucene创建索引离不开Directory类,这个是所有read/write索引文件的基类,而如果要写入hdfs,显而易见,我们必须继
承这个基类,并重写里面的一些方法,所以就有了上图中FileSystemDirectory.java这个文件,以及网上一些其他类似的版本。上图是
hadoop contrib
提供的与lucene结合的源码结构,包括m/r的实现等等。而网上大部分的patch也好,分享也好都是基于此实现,只不过在不同的lucene版本上
做了一些微小的修改和调整。
2,先看一下FileSystemDirectory的内部类FileSystemIndexoutput
所有的写索引的操作都在这个里面。我们看一下下面这个方法
seek,这是不支持的,为什么不支持,因为hdfs不支持随机写,当然也不存在seek了。
当然我尝试过把这个方法注销掉,然后运行了自己的测试方法,很顺利的写入了hdfs,然而拉到本地却是无法读取,随后我用代码读取,得到了checksum错误,看上去只是校验码的错误,每次只差1,但是很遗憾,我在源码里注销掉校验码的判别,发现程序是没有问题了,但是确得不
到任何有效的索引。我估计是索引文件压根就没有正常写入所导致的。
当然我也尝试了一下用lucene本身的NIODirectory(直接写入本地),我将写文件过程中涉及到的seek全部注销掉。最后得到了和上面一样的结果,seek是lucene写索引过程中不可缺少的,而hdfs是无法支持的,当然也就无法直接写了。
3,那么大家也许会问,那这个FileSystemDirectory有什么作用呢?是提供读索引文件的。虽然hdfs不支持随机写,但是是支持随机读的。而hadoop提供的包中,写文件是另一个类,看下图:
上述英文的描述大家看一下就明白了,重点说到:FileSystemDirectory是一个只读的文件,索引文件因为hdfs只支持序列化的写所以无法被直接存在FileSystemDirectory上,所以会被存在lucene的本地目录上。
4,当然这个不带public的MixedDirectory是无法直接引用的,而是被下面这个类所引用:
从
名字上来看这是和map/reduce相关的累,源码中,这是跑在一个reduce上写索引的类。我们看下上面的英文注解,重点部分是:perm
dir和temp dir,即永久地址和临时地址,很明显,temp dir是我们每次写索引的地方,而perm
dir可以是hdfs上某个位置,而每次在temp dir上创建一个新的索引版本之后,会将temp dir move到perm
dir,随后删除temp dir。
结论:现在我们知道了,hadoop提供的这个和lucene结合的实质,是将索引写到本地文件,再传到hdfs上。
5,下面我跑了一下自带的测试类,而lucene的版本是2.3。看一下文件结构:
目录表示的很清楚,在map/reduce过程中会产生local的toBeDeleted文件夹,而在hdfs上的数据都是从local move得来的。
6,
我在搜索资料的过程中,了解到几种开源产品,诸如blur , nutch ,
katta等用于整合lucene和hadoop,虽然我没有详细看过他们源码,但是从网友的讨论中得知,nutch也是基于先写本地再写hdfs,其他
两个被使用的比较少,具体实现还不知道。
7,在这个实现中,索引的更新当然是无法直接写到hdfs上的,而是会借助于内存,然后就牵扯到了map/reduce的partition等等一些概念和一些具体的map/reduce的过程。个中细节我不是太熟悉,总之update的操作会借助到内存。
8,最后我尝试了一下写内存再写hdfs的过程,没什么问题。
三 抛砖引玉。
1,就目前来看,写索引到hdfs我们为何要直接去写?一方面lucene的设计本身就是随机的读写和hdfs顺序读写是完全不同的。另一方面,索引基于内存或者本地的效率往往是比较高。
2,我以为,用分布式去做索引的初衷是没有问题,甚至可以用m/r去搜索然后合并等等都没有问题。但是在读写索引的过程中,lucene和hdfs本身差别太大,直接读写hdfs困难重重。何不用内存和local tmp去做更为简便和高效?
最后,可能因为研究的时间还是比较仓促,网上诸如此类的资料也不是太多,所以可能会理解上不够全面,如果大家有其他意见的话还是请一起讨论。
- 大小: 7.6 KB
- 大小: 3.2 KB
- 大小: 18 KB
- 大小: 5.6 KB
- 大小: 6.2 KB
分享到:
相关推荐
lucene+hadoop_分布式搜索运行框架.
NULL 博文链接:https://catastiger.iteye.com/blog/811985
hadoop+lucene 包含和solr、solrcloud对比
NULL 博文链接:https://qindongliang.iteye.com/blog/2088076
Hibernate 与 Lucene 的整合框架
lucene.NET使用教程整合 lucene.NET使用教程整合 lucene.NET使用教程整合 lucene.NET使用教程整合 lucene.NET使用教程整合 lucene.NET使用教程整合
hadoop框架,mapreduce利用Lucene构建倒排索引的源码!
基于新发布的Lucene3.5的学习,对部分模块的研究及学习心得。
Lucene与javaWeb整合测试
Hadoop是Apache Lucene的创始人 Doung Cutting 创建的, Hadoop起源于Apache Nutch, 一个开源的网络搜索引擎,也是Apache的Lucene项目的一部分。Hadoop是创始人Doung Cutting的儿子给一头大象起的名字。 Hadoop的子...
拥有强大的搜索和统计功能,Elasticsearch已经越来越流行。但是如果用它来做复杂的数据分析工具,它能打败hadoop或spark吗?
基于Lucene的搜索策略研究
实例是一个java实例,可直接导入到MyEclipse中使用。 其中是lucene3.0整合了庖丁解牛分词法,添加了...因为lucene3.0无法整合paoding-analysis.jar 所以我已经把paoding-analysis中的源码整合进来了避免无法整合问题
基于Lucene的全文检索系统研究与开发基于Lucene的全文检索系统研究与开发基于Lucene的全文检索系统研究与开发
Hadoop+HBase+Hive+lucene分布式搜索引擎分析系统
一个专业搜索公司关于lucene和solar资料,挺厚的,写的挺详细的,建议大家看看
一种基于Lucene检索引擎的全文数据库的研究与实现一种基于Lucene检索引擎的全文数据库的研究与实现一种基于Lucene检索引擎的全文数据库的研究与实现
一个例子学懂搜索引擎(lucene).doc 中文搜索引擎技术揭密.doc 九大开源搜索引擎介绍.txt 基于Nutch的搜索引擎技术.pdf 基于开源工具搭建小型搜索引擎.pdf 整合开源工具的小型搜索引擎构建.pdf 用_Hadoop_进行分布式...
springMVC集成lucene完整代码