Apache Pig和Solr问题笔记(一)

记录下最近两天散仙在工作中遇到的有关Pig0.12.0和Solr4.10.2一些问题,总共有3个,如下:

(1)问题一: 如何Pig中使用ASCII和十六进制(hexadecimal)的分隔符进行加载,和切分数据?

注意关于这个问题,在Pig中,会反应到2个场景中,
第一: 在Pig加载(load)数据时候 。
第二: 在Pig处理split,或则正则截取数据的时候。

先稍微说下,为啥使用十六进制的字段分隔符,而不是我们常见的空格,逗号,冒号,分号,#号,等,这些字符,虽然也可以使用,但是如果我们数据中有和这些符号冲突的数据,那么在解析时,就会发生一些出人意料的Bug,所以,为了保险起见,选用肉眼不可读的十六进制的数据,是一个不错的选择,当然这也是,针对场景来说的,看情况决定。

关于详细的ASCII和十六进制,二进制,八进制,十进制的文档介绍,请参考维基百科全书。

下面继续回到正题,本例中,我们的数据格式是这样存储的:

Java代码 技术分享 技术分享技术分享
  1. 每行一条记录,UTF-8编码;   
  2. 每条记录都包括字段名和字段内容;   
  3. 字段之间用ascii码1分隔;   
  4. 字段名与内容之间用ascii码2分隔;  


一个在eclipse中的小例子如下:
Java代码 技术分享 技术分享技术分享
  1. public static void main(String[] args) {   
  2.     //注意\1和\2,在我们的IDE中,NotePad++中,Linux的终端设备的界面中,都会呈现不同的   
  3.     //显示方式,大家可以在维基百科中,详细了解下   
  4.     //数据示例   
  5.     String s="prod_cate_disp_id019";   
  6.     //split规则   
  7.     String ss[]=s.split("\2");   
  8.     for(String st:ss){   
  9.         System.out.println(st);   
  10.     }   
  11. }  



关于load函数,加载时支持的分隔符类型,大家可以参考官网的文档
下面看在Pig脚本的代码:

Java代码 技术分享 技术分享技术分享
  1. --Hadoop技术交流群:415886155  
  2. /*Pig支持的分隔符包括:  
  3. 1,任意字符串,  
  4. 2,任意转义字符  
  5. 3,dec的字符\\u001 或者 \\u002  
  6. 4,十六进行字符 \\x0A  \\x0B  
  7. */  
  8. --注意这个load时的分隔符,代表ASCII的1,作为Pig里面的dec直接解析方式   
  9. a = load ‘/tmp/dongliang/20150401/20150301/tmp_search_keywords_cate_stat/‘ using PigStorage(‘\\u001‘) ;   
  10.   
  11. /**  
  12.  
  13. 注意下面的分割符^B,这个符号是脱元字符,只会在终端设备上  
  14. 显示,这个符号,代表ASCII的2  
  15. */  
  16. a = foreach a generate   REGEX_EXTRACT ($0‘(.*)^B(.*)‘2) as time ,   
  17.                          REGEX_EXTRACT ($1‘(.*)^B(.*)‘2) as kw ,   
  18.                          REGEX_EXTRACT ($2‘(.*)^B(.*)‘2) as ic ,   
  19.                          REGEX_EXTRACT ($3‘(.*)^B(.*)‘2) as cid,   
  20.                          REGEX_EXTRACT ($4‘(.*)^B(.*)‘2) as cname,   
  21.                          REGEX_EXTRACT ($5‘(.*)^B(.*)‘2) as pname,   
  22.                          REGEX_EXTRACT ($6‘(.*)^B(.*)‘2) as snt,   
  23.                          REGEX_EXTRACT ($7‘(.*)^B(.*)‘2) as cnt,   
  24.                          REGEX_EXTRACT ($8‘(.*)^B(.*)‘2) as fnt,   
  25.                          REGEX_EXTRACT ($9‘(.*)^B(.*)‘2) as ant,   
  26.                          REGEX_EXTRACT ($10‘(.*)^B(.*)‘2) as pnt ;   
  27.   
  28. --获取字符串长度   
  29. a = foreach a generate SIZE(cid) as len;   
  30. --按长度分组   
  31. b = group a by len;   
  32. --统计各个长度下的数量   
  33. c = foreach b generate group, COUNT($1);   
  34. --输出打印   
  35. dump c;  



(2)问题二:如何在Apache Solr中,查询某个不分词的field的长度,有多少个记录?

Solr里面并没有直接提供这样类似JAVA里的lenth这样的函数,或者Pig里面的SIZE这样的函数,那么我们应该如何查询呢?

Solr虽然不直接支持这样的查询,但是我们可以通过正则查询,来变相的实现这个目的,用法如下:
(1)查询固定长度 cid:/.{6}/ 只过滤长度为6的记录
(2)查询范围长度 cid:/.{6,9}/ 只过滤长度6到9的记录
(3)查询最少多少长度以上的cid:/.{6}.*/ 长度最少为6的



(3)问题三:在使用Pig+MapReduce,向Solr中,批量添加索引时,发现,无任何错误异常,但是索引里却没任何数据?

这是一个比较诡异的问题,本来,散仙觉得应该是程序出问题了,但是后来发现,同样的代码向另外一个collection里添加数据,就很正常,查看solr的log,发现里面打印的一些信息如下:


Java代码 技术分享 技术分享技术分享
  1. INFO  - 2015-04-01 21:08:36.097; org.apache.solr.update.DirectUpdateHandler2; start commit{,optimize=false,openSearcher=true,waitSearcher=true,expungeDeletes=false,softCommit=false,prepareCommit=false}   
  2. INFO  - 2015-04-01 21:08:36.098; org.apache.solr.update.DirectUpdateHandler2; No uncommitted changes. Skipping IW.commit.   
  3. INFO  - 2015-04-01 21:08:36.101; org.apache.solr.core.SolrCore; SolrIndexSearcher has not changed - not re-opening: org.apache.solr.search.SolrIndexSearcher   
  4. INFO  - 2015-04-01 21:08:36.102; org.apache.solr.update.DirectUpdateHandler2; end_commit_flush  



解释下上面的信息的意思,大概就是说在数据索引完了,但是没有发现有commit的数据,所以跳过commit,这一点在程序跑的时候是非常奇怪的,因为数据源HDFS里最少有110万的数据,怎么会没有数据呢? 然后散仙通过谷歌搜索发现也有人发现类似的奇怪情况,无任何异常的情况下,重建索引成功,却在索引里没有看见任何数据,而且最为疑惑的是,这几个网上已经有的案例,竟然没有一个有解决方案。

没办法了,只好再次查看程序,这一次散仙,把中间处理好需要建索引的数据,给打印出来看一下,到底什么情况,结果打印出来的都是一行行空数据,原来在使用正则截取数据时,原来的分隔符失效了,所以导致截取不到数据,这下问题基本定位了,solr索引里没有数据,肯定是因为本来就没有数据提交,导致的那个奇怪的log发生,结果在散仙把这个bug修复之后,再次重建索引,发现这次果然成功了,在Solr中,也能正常查询到数据。如果你也发生了类似的情况,请首先确保你能正确的获取到数据,不论是从远程读取的,还是解析word,excel,或者txt里面的数据,都要首先确定,能够正确的把数据解析出来,然后,如果还是没建成功,可根据solr的log或者抛出的异常提示,进行修复 。

技术分享

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。