solr - 规范化 SOLR 记录以进行分片 : _version_ issues

Question

作为我的 DSpace 实例的一部分，我有一个 SOLR 存储库，其中包含 1200 万条使用统计记录。某些记录已通过多次 SOLR 升级进行迁移，不符合当前架构。其中 500 万条记录缺少我的架构中指定的唯一 ID 字段。

DSpace 系统提供了一种机制，可以使用以下代码将旧的使用统计记录分片到单独的 solr 分片中。

DSPACE 分片逻辑:

        for (File tempCsv : filesToUpload) {
            //Upload the data in the csv files to our new solr core
            ContentStreamUpdateRequest contentStreamUpdateRequest = new ContentStreamUpdateRequest("/update/csv");
            contentStreamUpdateRequest.setParam("stream.contentType", "text/plain;charset=utf-8");
            contentStreamUpdateRequest.setAction(AbstractUpdateRequest.ACTION.COMMIT, true, true);
            contentStreamUpdateRequest.addFile(tempCsv, "text/plain;charset=utf-8");

            statisticsYearServer.request(contentStreamUpdateRequest);
        }
        statisticsYearServer.commit(true, true);

当我尝试运行此流程时，我收到一条错误消息，因为每条记录都缺少唯一 ID 字段，并且该流程删除了 500 万条记录。

我尝试替换这 500 万条记录，以便强制在每条记录上创建唯一的 id 字段。这是我正在运行以触发该更新的代码。查询 myQuery 会迭代数千条记录的批处理。

我的记录修复过程:

    ArrayList<SolrInputDocument> idocs = new ArrayList<SolrInputDocument>();
    SolrQuery sq = new SolrQuery();
    sq.setQuery(myQuery);
    sq.setRows(MAX);
    sq.setSort("time", ORDER.asc);

    QueryResponse resp  = server.query(sq);
    SolrDocumentList list = resp.getResults();

    if (list.size() > 0) {
        for(int i=0; i<list.size(); i++) {
            SolrDocument doc = list.get(i);
            SolrInputDocument idoc = ClientUtils.toSolrInputDocument(doc);
            idocs.add(idoc);
        }           
    }

    server.add(idocs);
    server.commit(true, true);
    server.deleteByQuery(myQuery);
    server.commit(true, true);

运行此过程后，存储库中的所有记录都会分配一个唯一的 ID。我接触过的记录也有一个 _version_ 字段。

当我尝试重新运行上面包含的分片进程时，我收到与 _version_ 字段值相关的错误，并且进程终止。如果我尝试显式设置 version 字段，我会收到相同的错误。

这是我在调用分片进程时遇到的错误消息:

Exception: version conflict for e8b7ba64-8c1e-4963-8bcb-f36b33216d69 expected=1484794833191043072 actual=-1
org.apache.solr.client.solrj.impl.HttpSolrServer$RemoteSolrException: version conflict for e8b7ba64-8c1e-4963-8bcb-f36b33216d69 expected=1484794833191043072 actual=-1
    at org.apache.solr.client.solrj.impl.HttpSolrServer.request(HttpSolrServer.java:424)
    at org.apache.solr.client.solrj.impl.HttpSolrServer.request(HttpSolrServer.java:180)

我的目标是修复我的记录，以便我可以运行 DSpace 提供的分片进程。您能否建议我应该采取任何其他措施来修复这些记录？

Answer 1

SolrLogger 中的分片代码将记录复制到新的空核心中。问题在于，从 DSpace 3 开始，DSpace 使用统计文档包含一个 _version_ 字段，并且该字段在分片期间包含在副本中。

当包含 _version_ 字段的文档添加到 Solr 索引时，这会触发 Solr 的开放式并发功能，该功能会检查索引中是否存在具有相同唯一 ID 的现有文档。逻辑大致如下(参见 http://yonik.com/solr/optimistic-concurrency/ ):

• _version_ > 1: Document version must exactly match
• _version_ = 1: Document must exist
• _version_ < 0: Document must not exist
• _version_ = 0: Don't care (normal overwrite if exists)

包含_version_值> 1的使用统计文档因此使Solr在新创建的年份分片中查找具有相同唯一ID的现有文档；但是，显然当时没有这样的文档，因此存在版本冲突。

分片期间的复制过程会创建临时 CSV 文件，然后将其导入到新核心中。幸运的是，可以使用skip参数告诉Solr的CSV更新处理程序从导入中排除特定字段:https://wiki.apache.org/solr/UpdateCSV#skip

像这样更改分片代码

//Upload the data in the csv files to our new solr core
ContentStreamUpdateRequest contentStreamUpdateRequest = new ContentStreamUpdateRequest("/update/csv");
contentStreamUpdateRequest.setParam("stream.contentType", "text/plain;charset=utf-8");
+ contentStreamUpdateRequest.setParam("skip", "_version_");
contentStreamUpdateRequest.setAction(AbstractUpdateRequest.ACTION.COMMIT, true, true);
contentStreamUpdateRequest.addFile(tempCsv, "text/plain;charset=utf-8");

跳过_version_字段，从而禁用乐观并发检查。

这在 https://jira.duraspace.org/browse/DS-2212 中进行了讨论拉取请求位于 https://github.com/DSpace/DSpace/pull/893 ;希望这将包含在 DSpace 5.2 中。