solr-wiki----solr分布式索引

What is Distributed Search?

         当一个索引越来越大，达到一个单一的系统无法满足磁盘需求的时候，或者一次简单的查询实在要耗费很多的时间的时候，我们就可以使用solr的分布式索引了。在分布式索引中，原来的大索引，将会分成多个小索引（索引并不定规模小，之前称之为小索引相对于之前的整个索引来讲的），solr可以将从这些小索引返回的结果合并，然后返回给客户端。

        

         如果当前的solr查询请求能够很快被处理，而你只是希望整个搜索系统的处理能力，那么你可以看看这篇文章http://wiki.apache.org/solr/CollectionDistribution。

         

 Distributed Searching

          参数“shards”能够使请求被分发到shards所指定的小索引上。

          shards 的格式  ：host:port/base_url[,host:port/base_url]*

          目前只有查询请求才能够被分发。能够处理这种要求分发的请求的组件包括standard request handler 、以及它的子类、任何使用 支持分发的组件的其他handler。

 

           目前支持分布式查询的组件有：

•     查询组件-----根据一个请求返回一个文档集。
•     面查询组件-----目前只支持排序的数字类的域。solr1.4将可以支持字符类型的域
•     高亮显示组件
•     debug组件。

           对于分布式搜索组件，你也可以参考   WritingDistributedSearchComponents 。

  

Distributed Searching Limitations

•     索引的文档必须有一个 唯一键
•     当拥有相同的id的文档被查询到时，solr将选择第一个文档。其他的结果将被丢弃。
•     No distributed idf
•     不支持“竞价排名”组件 QueryElevationComponent
•      在处理的过程中，也即是 stage过程中，索引是有可能发生变化的。这样在索引更新的时刻，可能会发现搜索的结果跟索引不匹配的现象。
•     目前并不支持 时间类型的 facetting搜索。（将在solr1.4被支持）
•     目前只支持 能够排序的域的 facet搜索
•      shard 的数量会受到get请求的方法的限制，大多数的web 服务器，只支持4000个字符左右的get请求。
•     当“start”这个参数很大的时候，效率比较低下。举个例子，你发起一个请求，参数start=50000 ，rows=25 .被请求的索引的每个shard有500，000个文档。这时候，就会导致500，000条记录，在网络上被传输。

Distributed Deadlock

       每个小索引，都有可能既接收顶级的 查询请求，也 向其他的小索引发出次级的查询请求。在这里，你就要小心了，http服务器中设置的能够处理的http请求的线程数一定要大于 这个小索引所接收到的 顶级请求和次级请求的总和。如果配置没有这样配好的话，一个由分发而产生的死锁很有可能会发生。

       现在我们来试想下一种最简单的情况，只有两个小索引，每个小索引只能够起一个线程来处理Http 请求。两个索引都能接收顶级请求，并将请求分发给另一个索引。因为它们没有多余的线程可以处理多于一个的请求，所以 servlet容器就会阻塞 刚来的请求，这种情况一直持续到正在处理的请求被处理完毕。（但是，那个正在处理的请求永远也不会被处理完毕，因为它正在等待它分发出去的请求的回应，而这个分发出去的请求被阻塞了）。

        关于死锁，目前笔者想到的方法是设定分发请求的超时时间。这个应该不难实现。

 

Distributed Indexing

      怎样建立小索引，这点随用户的喜好而定。一种很简单的方法决定那条记录放在那个索引上可以使用类似这样的一种公式 uniqueId.hashCode() % numServers。

Example

     出于测试目的，我们在一台机器的两个不同的端口启动 solr 服务。

    

#make a copy 
cd solr
cp -r example example7574

#change the port number
perl -pi -e s/8983/7574/g example7574/etc/jetty.xml  example7574/exampledocs/post.sh

#in window 1, start up the server on port 8983
cd example
java -server -jar start.jar

#in window 2, start up the server on port 7574
cd example7574
java -server -jar start.jar

#in window 3, index some example documents to each server
cd example/exampledocs
./post.sh [a-m]*.xml
cd ../../example7574/exampledocs
./post.sh [n-z]*.xml

#now do a distributed search across both servers with your browser or curl
curl 'http://localhost:8983/solr/select?shards=localhost:8983/solr,localhost:7574/solr&indent=true&q=ipod+solr'

 

Solr真的不错啊，现在可以：
1. 配置master/slave做读写分离
2. slaves配制成使用分布式搜索，达到scale out的效果
就perfect了。

问下楼主：
1. 分布式搜索时，不知道有没有使用全局的idf来ranking？
比如，搜索"java"时，其中一个shard里面全是java，分数自然就低了，但是全局来说，分数不应该这么低的。
2. 怎么处理shard crash的问题？