首页 › Hbase › hbase上应用lucene创建索引及检索

hbase上应用lucene创建索引及检索

lidasheng 2016年7月8日 Hbase 发表评论 (0)
  hbasene(https://github.com/akkumar/hbasene)是开源项目，在hbase存储上封装使用Lucene来创建索引，代码API非常简单，熟悉lucene的朋友可以很方便地创建。

以下为测试代码，完成读取一张hbase上记录url和用户id的表，对其创建索引并进行简单的基于url的索引的代码。当取到search的结果后，就可以拿到想要的数据了。由于分词后将原始内容进行了反向索引，所以匹配就转化为了查询，速度相当快。

其中getDocumentFromHTable为读取一张hbase上己有的表，将url字段提取出来创建content索引。

创建索引的实质是用了HBaseIndexWriter和HBaseIndexReader两个分别继承自IndexWriter和IndexReader的类来做索引的读取和写入。同时使用了HBaseIndexStore来做存储。

而创建索引使用的分词等仍然是使用标准的lucene API。

注意hbasene使用的是hbase-0.20.5，需要修改少量源代码才能运行在0.90.x以上的版本中。

这里对创建索引表使用到的结构做下简单的说明，因为是lucene入门级水平，所以各位请尽管拍砖讨论。

索引表由以下几个CF构成:

  • fm.sequence: 记录sequenceId，在执行createLuceneIndexTable时需要写死该CF的row为sequenceId,qulifier为qual.sequence，值为-1。可以不用理会
  • fm.doc2int: DocumentId,每个document都会有一个这样的id,如果Field.Store设置为YES，则能在索引表中查询到该id并得到完整的内容。
  • fm.termVector: 向量偏移，用于模糊查找，记录偏移量等信息
  • fm.termFrequency:分词后的关键词在每个document中出现的频率，qulifier为documentId，value为出现次数
  • fm.fields:记录了content内容，row为documentId，value为document的全文内容，它和fm.docint是相反的，后者是反向索引。
  • fm.payloads:扩展CF，目前还没有用到
Java代码  收藏代码
  1. import java.io.IOException;
  3. import org.apache.hadoop.conf.Configuration;
  4. import org.apache.hadoop.hbase.HBaseConfiguration;
  5. import org.apache.hadoop.hbase.client.HTable;
  6. import org.apache.hadoop.hbase.client.HTablePool;
  7. import org.apache.hadoop.hbase.client.Result;
  8. import org.apache.hadoop.hbase.client.ResultScanner;
  9. import org.apache.hadoop.hbase.client.Scan;
  10. import org.apache.lucene.analysis.standard.StandardAnalyzer;
  11. import org.apache.lucene.document.Document;
  12. import org.apache.lucene.document.Field;
  13. import org.apache.lucene.document.Fieldable;
  14. import org.apache.lucene.index.IndexReader;
  15. import org.apache.lucene.index.Term;
  16. import org.apache.lucene.search.IndexSearcher;
  17. import org.apache.lucene.search.ScoreDoc;
  18. import org.apache.lucene.search.TermQuery;
  19. import org.apache.lucene.search.TopDocs;
  20. import org.apache.lucene.util.Version;
  21. import org.hbasene.index.HBaseIndexReader;
  22. import org.hbasene.index.HBaseIndexStore;
  23. import org.hbasene.index.HBaseIndexWriter;
  25. public class test{
  26.       static final String indexName = “myindex”;
  27.       static final String dataName = “t1″;
  28.       public static void main(String[] args) throws IOException {
  30.         try{
  31.         Configuration conf = HBaseConfiguration.create(); //hbase-site.xml in the classpath
  32.         conf.set(“hbase.rootdir”, “hdfs://192.168.0.1:9000/hbase”);
  33.         conf.set(“hbase.zookeeper.quorum”, “192.168.0.1,192.168.0.2,192.168.0.3”);
  34.         HTablePool tablePool = new HTablePool(conf, 10);
  35.         HBaseIndexStore.createLuceneIndexTable(indexName, conf, true);
  36.         //Write
  37.         HBaseIndexStore hbaseIndex = new HBaseIndexStore(tablePool, conf, indexName);
  38.         HBaseIndexWriter writer = new HBaseIndexWriter(hbaseIndex, “content”); //Name of the primary key field.
  40.         getDocument(writer);
  41.         writer.close();
  43.         //Read/Search
  44.         IndexReader reader = new HBaseIndexReader(tablePool, indexName, “f”);
  45.         IndexSearcher searcher = new IndexSearcher(reader);
  46.         Term term = new Term(“content”, “item.taobao.com”);
  47.         TermQuery termQuery = new TermQuery(term);
  48.         TopDocs docs = searcher.search(termQuery, 3);
  49.         searcher.close();
  50.         }catch(IOException e){
  51.             e.printStackTrace();
  52.             throw e;
  53.         }
  54.       }
  57.       private static void getDocument(HBaseIndexWriter writer) throws IOException{
  58.         Document doc = new Document();
  59.         doc.add(new Field(“content”, “some content some dog”, Field.Store.YES,
  60.             Field.Index.ANALYZED));
  61.         writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
  62.         doc = new Document();
  63.         doc.add(new Field(“content”, “some id”, Field.Store.NO, Field.Index.ANALYZED));
  64.         writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
  65.         doc = new Document();
  66.         doc.add(new Field(“content”, “hot dog”, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS));
  67.         writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
  68.       }
  70.       private static void getDocumentFromHTable(HTablePool tablePool, HBaseIndexWriter writer) throws IOException  {
  71.           Document doc = new Document();
  72.           Scan scan = new Scan();
  73.           HTable htable = (HTable)tablePool.getTable(dataName);
  74.           ResultScanner results = htable.getScanner(scan);
  75.           Result row;
  76.           while((row = results.next()) != null){
  77.               doc = new Document();
  78.               String value = new String(row.getValue(“test”.getBytes(), null));
  79.               String url = value.split(“\””)[2];
  80.               doc.add(new Field(“content”, url, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_OFFSETS));
  81.               writer.addDocument(doc, new StandardAnalyzer(Version.LUCENE_30));
  82.           }
  83.         }
  84. }

以下为运行后查看表的中情况：

|

发表评论

注意 - 你可以用以下 HTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>