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：

每行一条记录,UTF-8编码；
每条记录都包括字段名和字段内容；
字段之间用ascii码1分隔；
字段名与内容之间用ascii码2分隔；

每行一条记录,UTF-8编码；
每条记录都包括字段名和字段内容；
字段之间用ascii码1分隔；
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：

public static void main(String[] args) {
    //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
    //显示方式，大家可以在维基百科中，详细了解下
    //数据示例
    String s="prod_cate_disp_id019";
    //split规则
    String ss[]=s.split("2");
    for(String st:ss){
        System.out.println(st);
    }
}

	public static void main(String[] args) {
		//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
		//显示方式，大家可以在维基百科中，详细了解下
		//数据示例
		String s="prod_cate_disp_id019";
		//split规则
		String ss[]=s.split("2");
		for(String st:ss){
			System.out.println(st);
		}
	}

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：

--Hadoop技术交流群：415886155
/*Pig支持的分隔符包括：
1,任意字符串，
2,任意转义字符
3，dec的字符\u001 或者 \u002
4，十六进行字符 \x0A  \x0B
*/
--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
a = load '/tmp/dongliang/20150401/20150301/tmp_search_keywords_cate_stat/' using PigStorage('\u001') ;

/**

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
显示，这个符号，代表ASCII的2
*/
a = foreach a generate   REGEX_EXTRACT ($0, '(.*)^B(.*)', 2) as time ,
                         REGEX_EXTRACT ($1, '(.*)^B(.*)', 2) as kw ,
                         REGEX_EXTRACT ($2, '(.*)^B(.*)', 2) as ic ,
                         REGEX_EXTRACT ($3, '(.*)^B(.*)', 2) as cid,
                         REGEX_EXTRACT ($4, '(.*)^B(.*)', 2) as cname,
                         REGEX_EXTRACT ($5, '(.*)^B(.*)', 2) as pname,
                         REGEX_EXTRACT ($6, '(.*)^B(.*)', 2) as snt,
                         REGEX_EXTRACT ($7, '(.*)^B(.*)', 2) as cnt,
                         REGEX_EXTRACT ($8, '(.*)^B(.*)', 2) as fnt,
                         REGEX_EXTRACT ($9, '(.*)^B(.*)', 2) as ant,
                         REGEX_EXTRACT ($10, '(.*)^B(.*)', 2) as pnt ;

--获取字符串长度
a = foreach a generate SIZE(cid) as len;
--按长度分组
b = group a by len;
--统计各个长度下的数量
c = foreach b generate group, COUNT($1);
--输出打印
dump c;

--Hadoop技术交流群：415886155
/*Pig支持的分隔符包括：
1,任意字符串，
2,任意转义字符
3，dec的字符\u001 或者 \u002
4，十六进行字符 \x0A  \x0B
*/
--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
a = load '/tmp/dongliang/20150401/20150301/tmp_search_keywords_cate_stat/' using PigStorage('\u001') ;

/**

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
显示，这个符号，代表ASCII的2
*/
a = foreach a generate   REGEX_EXTRACT ($0, '(.*)^B(.*)', 2) as time ,
                         REGEX_EXTRACT ($1, '(.*)^B(.*)', 2) as kw ,
                         REGEX_EXTRACT ($2, '(.*)^B(.*)', 2) as ic ,
                         REGEX_EXTRACT ($3, '(.*)^B(.*)', 2) as cid,
                         REGEX_EXTRACT ($4, '(.*)^B(.*)', 2) as cname,
                         REGEX_EXTRACT ($5, '(.*)^B(.*)', 2) as pname,
                         REGEX_EXTRACT ($6, '(.*)^B(.*)', 2) as snt,
                         REGEX_EXTRACT ($7, '(.*)^B(.*)', 2) as cnt,
                         REGEX_EXTRACT ($8, '(.*)^B(.*)', 2) as fnt,
                         REGEX_EXTRACT ($9, '(.*)^B(.*)', 2) as ant,
                         REGEX_EXTRACT ($10, '(.*)^B(.*)', 2) as pnt ;

--获取字符串长度
a = foreach a generate SIZE(cid) as len;
--按长度分组
b = group a by len;
--统计各个长度下的数量
c = foreach b generate group, COUNT($1);
--输出打印
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：

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}
INFO  - 2015-04-01 21:08:36.098; org.apache.solr.update.DirectUpdateHandler2; No uncommitted changes. Skipping IW.commit.
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
INFO  - 2015-04-01 21:08:36.102; org.apache.solr.update.DirectUpdateHandler2; end_commit_flush

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}
INFO  - 2015-04-01 21:08:36.098; org.apache.solr.update.DirectUpdateHandler2; No uncommitted changes. Skipping IW.commit.
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
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 。