主要介紹如何周期性盡量實(shí)時(shí)地從RDBMS爬數(shù)據(jù)然后建索引，不涉及AOP或ORM Framework的listener方式。
先決條件：
- Lucene索引是從無到有的，一開始所有數(shù)據(jù)都是存儲在RDBMS（Oracle）中。
- 數(shù)據(jù)表有一列是updateTime或稱為lastModifiedTime用來存儲最后一次更新時(shí)間，并建有db索引
- 主表必須要有主鍵，這個(gè)主鍵也用來唯一確定一個(gè)Lucene document。
該策略大致可以分為以下幾個(gè)部分：
1．索引結(jié)構(gòu)
2．初始化索引
3．增量索引
4．補(bǔ)償操作
5．刪除檢測
6．備份
7．注意點(diǎn)
索引結(jié)構(gòu)：
我們是做全文搜索的，所以db中的用戶需要全文搜索的字段值都會拼接成一個(gè)string存儲在lucene的一個(gè)字段中稱為content。其他的需要存儲的字段或者字段分析后的token是有意義單詞的我們稱為metadata，每個(gè)metadata是document的一個(gè)field。
從索引結(jié)構(gòu)看來，我們有一個(gè)主表，不同的主表OID的記錄對應(yīng)不同的lucene document。主表依賴的所有子表中的數(shù)據(jù)如果是需要做全文搜索的就需要append在一起然后用Ngram進(jìn)行分詞處理。有的數(shù)據(jù)是需要存儲的或有特殊用途的，比如訪問控制，就不分詞或者用特殊的analyzer分詞。
簡單的介紹一下，具體會在以后的文章中談到。
初始化索引
初始化索引，是索引從無到有的一個(gè)過程。也是系統(tǒng)第一次初始化時(shí)做的事情。初始化時(shí)我們會首先獲取當(dāng)前時(shí)間，然后將updateTime早于當(dāng)前時(shí)間的所有數(shù)據(jù)取出來。最后把當(dāng)前時(shí)間存儲到timeTrace.properties文件中。作為增量索引的起始依據(jù)。
取什么？
用戶預(yù)先在配置文件配置一個(gè)主SQL，通過這個(gè)sql我們?nèi)〕鲂枳鋈乃饕?/span>content和metadata。對于某些特定的metadata不希望被build到全文索引中的，可以單獨(dú)配置sql。
如何取，多線程分批取。我們會有一個(gè)線程池，每個(gè)分批都是作為該線程池的一個(gè)task被提交執(zhí)行。
· 查詢出當(dāng)前時(shí)間之前的記錄總數(shù)n
· 按照rownum分批。假設(shè)分批的大小是2000，則需要將rownum為0, 2000，4000，6000…..max(rownum)的所有OID都一次拿回來。
Select oid from x where rownum=0 or rownum=2000,………….or rownum=n
如果直接根據(jù)rownum分批取，會出現(xiàn)幻影讀的問題，因?yàn)?/span>rownum每次查詢都會發(fā)生變化，如果有新數(shù)據(jù)插入，改用當(dāng)時(shí)snapshot的OID去取，避免這個(gè)問題，因?yàn)?/span>OID是不變的。有人會說，這樣可能查到新插入的數(shù)據(jù)，當(dāng)然是這樣的，但是查到新加入的不會有影響，新加入的也是遲早需要爬的，但是用rownum還會丟失數(shù)據(jù)。
· 根據(jù)拿回來的斷點(diǎn)的OID，分批取。比如令先前獲取的rownum為2000的oid是10231，拿回來的4000的oid是14215
前兩個(gè)分批的sql就是：
Select * from x where oid >= 0 and oid < 10231;
Select * from x where oid >=10231 and oid < 14215;
具體的sql和oid是哪張表的哪列都是在配置文件中預(yù)先配置的。
· 當(dāng)然每個(gè)task還要負(fù)責(zé)將從db中爬出的數(shù)據(jù)建索引，建完索引后提交對索引的改動
· 所有task都跑完之后，主線程將一開始獲取的當(dāng)前時(shí)間更新到timeTrace.properties文件中。
當(dāng)中可能會出現(xiàn)問題，如果出現(xiàn)問題，就需要重新初始化，初始化之前會清除所有已建好的部分臟索引。因?yàn)楫?dāng)前時(shí)間沒有更新到timeTrace.properties文件中。我們測試下來百萬級的數(shù)據(jù)這個(gè)過程大概需要10分鐘。
增量索引
在初始化索引成功后，當(dāng)時(shí)的時(shí)間已經(jīng)被更新到timeTrace.properties。增量索引是從這個(gè)時(shí)間點(diǎn)開始定期地被觸發(fā)執(zhí)行，可以使用quartz來管理這個(gè)timing job。增量索引稱為incrementalIndexService，增量索引服務(wù)的不同任務(wù)調(diào)度之間需要同步執(zhí)行，用quartz的stateful job可以實(shí)現(xiàn)，或者使用內(nèi)存，文件或DB鎖。
· 第一步，從timeTrace文件中獲取已爬數(shù)據(jù)的截至?xí)r間Tlast，獲取當(dāng)前時(shí)間Tcurrent。
· Select count(*) from X where updateTime > Tlast and updateTime <= Tcurrent, 結(jié)果記為n，如果n小于分批的大小就直接爬出這段的索引數(shù)據(jù)。如果n大于分批大小，就需要將這個(gè)n個(gè)結(jié)果分批.
· 這次我們按照時(shí)間段分批，如果n/2000 = 3但有余數(shù), 那就說明要分四批拿，將這個(gè)時(shí)間段Tcurrent-Tlast平均分為四段。每個(gè)線程處理其中的某段。
· 某線程將它負(fù)責(zé)的某段數(shù)據(jù)拿回來之后，首先判斷這個(gè)OID是否在index已經(jīng)存在，如果存在就說明在這個(gè)時(shí)間段里這條記錄是被用戶update過的，index也做相應(yīng)的update。如果這個(gè)OID在index中不存在，則說明這條記錄是新加入到db中的，index也做add操作。做完之后提交。
· 當(dāng)所有分批都完成之后，更新timeTrace文件，把時(shí)間更新為Tcurrent。
· 一旦有分批出現(xiàn)問題失敗，整個(gè)時(shí)間段就認(rèn)為是不成功的，需要重新爬一遍。
一般增量服務(wù)我們設(shè)置的間隔都小于1分鐘，因?yàn)樾枰贸鲎顚?shí)時(shí)的數(shù)據(jù)，而且每次獲取數(shù)據(jù)的結(jié)束時(shí)間都是當(dāng)前時(shí)間。保證數(shù)據(jù)的實(shí)時(shí)性。
補(bǔ)償操作
補(bǔ)償操作在整個(gè)爬蟲策略中是最復(fù)雜的一個(gè)環(huán)節(jié)。采用增量索引看似天衣無縫，其實(shí)還是有風(fēng)險(xiǎn)的。因?yàn)橛涗浀?/span>db的updateTime往往都是有延遲的，一般情況下是java端的時(shí)間或是記錄寫入DB的時(shí)間，都早于commit時(shí)間，但一般數(shù)據(jù)庫的隔離級別都是read committed。只有在數(shù)據(jù)被提交后才可能被增量服務(wù)看到。這樣的話3點(diǎn)跑的增量服務(wù)，先前的結(jié)束時(shí)間是2點(diǎn)58分。這時(shí)它需要獲取2.58到3.00之間的數(shù)據(jù)，但是此時(shí)有可能java端正有一條記錄生成，它的updateTime是 2.59，但是它一直沒有commit，因?yàn)?/span>transaction的超時(shí)時(shí)間是10分鐘。悲劇了發(fā)生了，這條數(shù)據(jù)將永遠(yuǎn)不會被爬出來，除非遙遠(yuǎn)的將來有人再次更新它。因?yàn)檫@個(gè)時(shí)間段已經(jīng)被爬過了，按照增量服務(wù)，它是永遠(yuǎn)不會再爬timeTrace文件中記錄的時(shí)間之前的數(shù)據(jù)的。
此時(shí)，補(bǔ)償服務(wù)隆重登場。它存在的價(jià)值就是把所有可能被遺漏的數(shù)據(jù)都查出來。關(guān)鍵點(diǎn)就是要找出在補(bǔ)償服務(wù)運(yùn)行時(shí)，哪個(gè)時(shí)間段的數(shù)據(jù)是可能被遺漏的而哪個(gè)時(shí)間段的數(shù)據(jù)又是永遠(yuǎn)不會被丟失的。那個(gè)永遠(yuǎn)不會丟失的時(shí)間段就沒必要再去管它。我們關(guān)心的只是可能被遺漏的那段時(shí)間段的數(shù)據(jù)。
我們來看個(gè)例子：
· 增量服務(wù)每1分鐘跑一次, 周期記為P(N) = 1
· Transaction Timeout時(shí)間3分鐘，記為TO
· 補(bǔ)償服務(wù)每x分鐘跑一次，P(C) = x >= P(N)
下圖的第一條時(shí)間軸T(N)是增量服務(wù)的，第二條是補(bǔ)償服務(wù)的T(C)。
對于補(bǔ)償服務(wù)我們需要確定每次的開始時(shí)間Ts，結(jié)束時(shí)間Te，周期P(C), 算法，初始化值，意外情況，優(yōu)化等方面。
結(jié)束時(shí)間Te
補(bǔ)償服務(wù)的目的是對增量索引進(jìn)行補(bǔ)償，所以它所補(bǔ)償?shù)臅r(shí)間區(qū)間一定是增量服務(wù)已經(jīng)處理過的。所以它的結(jié)束時(shí)間一定是timeTrace文件中最后一次增量服務(wù)記錄的時(shí)間我們記為Last(N). Last(N)之后的數(shù)據(jù)或者正在被增量服務(wù)處理或者沒有被增量服務(wù)處理，如果補(bǔ)償服務(wù)去涉及這些數(shù)據(jù)，那肯定全是要補(bǔ)償?shù)模窃隽糠?wù)也會去處理，一個(gè)是會重復(fù)處理，一旦需要補(bǔ)償，我們會把這條記錄的所有數(shù)據(jù)都從DB端取過來，建索引，重復(fù)的代價(jià)也是很大的。為了避免這個(gè)代價(jià): Te < Last(N).
如果Te = Last(N), 我們就會拿到最新的需要補(bǔ)償?shù)臄?shù)據(jù)，補(bǔ)償服務(wù)的延遲就最小。Te < Last(N), 每次都沒有不嘗到最新的數(shù)據(jù)，遺漏數(shù)據(jù)被檢測到就會有延遲，只有等下一次補(bǔ)償服務(wù)觸發(fā)時(shí)才能被檢測出。
開始時(shí)間Ts
上圖中，transaction timeout之前的那個(gè)時(shí)間段，如果有數(shù)據(jù)生成，T(N) = 1, 要么在圖上標(biāo)出的[T(N) =1，T(N) = 4]之間被提交，要么transaction超時(shí)該數(shù)據(jù)也不會寫入到DB中。所以Last(N) – TO之前的數(shù)據(jù)在這一次補(bǔ)償服務(wù)的時(shí)候已經(jīng)是完全可見的，肯定都會被補(bǔ)償?shù)摹τ谙乱淮蝸碚f這塊也是不需要再被補(bǔ)償?shù)摹Ｍ耆梢妳^(qū)（針對下一次補(bǔ)償操作）必須滿足下面兩個(gè)條件：
· 被增量服務(wù)處理過并且更新已經(jīng)完全對本次補(bǔ)償服務(wù)可見
· 已經(jīng)被補(bǔ)償服務(wù)處理過
則下一次補(bǔ)償操作就不會再關(guān)心Last(N)-TO之前的數(shù)據(jù)了。我們把上一次補(bǔ)償服務(wù)記為Last(C), 而此次的增量服務(wù)記為Last(C Last(N)). 則下一次補(bǔ)償服務(wù)的開始時(shí)間<=Last(N)-TO.因?yàn)榇笥谶@個(gè)時(shí)間的所有數(shù)據(jù)都是需要被補(bǔ)償?shù)摹Q個(gè)表達(dá)方式，此次的補(bǔ)償服務(wù)的開始時(shí)間是由上一次補(bǔ)償服務(wù)計(jì)算的得到的，為Last(C Last(N)) – TO. Ts <= Last(C Last(N)) – TO
同時(shí)我們需要注意的是，Last(N) – TO 到Last(N)每次補(bǔ)償服務(wù)是必須要檢測的，不然就會有遺漏，因?yàn)槲覀兗僭O(shè)了不可見區(qū)，前提條件就是每次都會檢測這個(gè)區(qū)域。所以結(jié)束時(shí)間: Last(N) – TO < Te < Last(N).
開始時(shí)間是由上一次補(bǔ)償服務(wù)計(jì)算得到的，那這個(gè)值就需要保存下來。保存在文件中可以避免系統(tǒng)down掉后丟失。我們也會將這個(gè)時(shí)間值保存到timeTrace.properties的compensation屬性上。
算法
補(bǔ)償服務(wù)的算法主要目的就是比較出遺漏的數(shù)據(jù)。為了比較有無遺漏，我們需要把db中的數(shù)據(jù)和增量服務(wù)已經(jīng)爬過的數(shù)據(jù)進(jìn)行比較才知道。我們會在內(nèi)存中存放增量服務(wù)已經(jīng)爬過的數(shù)據(jù)的oid和updateTime，在內(nèi)存中存放是為了提高性能。每次補(bǔ)償服務(wù)運(yùn)行時(shí)，也會把完全可見區(qū)從內(nèi)存中清除。
· 增量服務(wù)每次執(zhí)行后就會將爬出的數(shù)據(jù)的OID和updateTime保存在內(nèi)存中，內(nèi)存中有一棵二叉排序樹維護(hù)OID和updateTime的pair。排序的key是OID。二叉排序樹可以用TreeSet實(shí)現(xiàn)。
· 補(bǔ)償服務(wù)運(yùn)行時(shí)，先創(chuàng)建兩個(gè)List一個(gè)用來存放需要update數(shù)據(jù)的oid，記為updateList，另一個(gè)用來存放add數(shù)據(jù)的oid，記為addList
· 接著從DB中取出Ts到Te之間所有數(shù)據(jù)的OID和updateTime，也是根據(jù)OID排序的。
· 計(jì)算下一次補(bǔ)償服務(wù)的開始時(shí)間，Next(Ts) = Last(N) –TO;
· 現(xiàn)在就是要比較兩個(gè)有序集合。樹的訪問者應(yīng)該寫成：
if(OID(C) == OID(N))
if(updateTime(C) > updateTime (N))
{
更新OID(N)的updateTime;
updateList.add(OID(N));
}
else{
addList.add(OID(N))
}
//清除完全可見區(qū)，下一次補(bǔ)償服務(wù)開始時(shí)間之前的數(shù)據(jù)
if(updateTime(N) < Next(Ts)) {
tressSetIterator.remove();
}
· 將updateList中OID對應(yīng)的所有數(shù)據(jù)從db中獲取并update到索引中
· 將addList中OID對應(yīng)的所有的數(shù)據(jù)從db中獲取并add到索引中
· Commit索引，并將Next(Ts)記錄到updateTrace文件中
意外情況
補(bǔ)償服務(wù)很久沒有被調(diào)度
一般不會出現(xiàn)，因?yàn)槲覀儠⒃隽糠?wù)和補(bǔ)償服務(wù)的線程優(yōu)先級設(shè)為相同的。應(yīng)該會被分時(shí)處理。如果很久沒有不會被調(diào)度，正確性是可以保證的，因?yàn)殚_始時(shí)間都是記錄在文件中的，如果一直沒有跑，只是一下子補(bǔ)償?shù)臅r(shí)間段很長，并不會丟失補(bǔ)償?shù)臅r(shí)間段。但是不排除內(nèi)存溢出的風(fēng)險(xiǎn)，因?yàn)榇鎯υ趦?nèi)存中的treeset在這種情況下會很大。在treeset很大時(shí)，我們可以檢測，如果超過一定的節(jié)點(diǎn)數(shù)，就可以將treeset序列化到一個(gè)internal索引中，下次取出來時(shí)也是有序的。甚至可以分塊取出比較。
Server突然shutdown
Server shutdown突然shutdown，線程被interrupt掉，沒有執(zhí)行完，內(nèi)存中的樹也沒了。這時(shí)就需要每次啟動時(shí)，這個(gè)時(shí)間段內(nèi)的所有數(shù)據(jù)都會認(rèn)為是需要add到索引的，這樣就會出問題。所以需要提前檢測，每次系統(tǒng)啟動時(shí)，補(bǔ)償服務(wù)需要把這段時(shí)間內(nèi)的所有記錄的OID和updateTime從db中獲取，直接和索引中的進(jìn)行比較，比較效率要低一些。但也不會出現(xiàn)數(shù)據(jù)丟失的情況。
初始化值
系統(tǒng)初始化時(shí)，補(bǔ)償服務(wù)初始化Ts（被掃描數(shù)據(jù)的起始時(shí)間）是，初始化索引的當(dāng)前時(shí)間-TO。 而補(bǔ)償服務(wù)本身的開始時(shí)間是在增量服務(wù)開始之后。之后多少可以調(diào)。
優(yōu)化
優(yōu)化的重點(diǎn)放在了以下幾個(gè)方向。
· 對DB壓力
· 補(bǔ)償延遲
· 消耗內(nèi)存的大小
· 比較次數(shù)
以上選項(xiàng)之間有的都是矛盾的，比如說補(bǔ)償延遲要小，則補(bǔ)償服務(wù)的P(C)就要小，則查詢DB的次數(shù)就增加，對DB壓力就增大。
所以針對不同的使用情況，比如DB資源，延遲的可接受程度，應(yīng)用服務(wù)器資源等，我們可能需要采用不同的策略，這就要我們的補(bǔ)償策略可調(diào)。
為了可調(diào)，我們不僅使一些參數(shù)可以配置，而且引入了分級補(bǔ)償服務(wù)的方案。在分級方案中，如果分n級，則n-1級的TO輸入值推薦和P(C)是相同的，但也是可調(diào)的。
舉個(gè)例子：一個(gè)三級補(bǔ)償服務(wù)，
第一級：為了使補(bǔ)償?shù)难舆t最小，極端情況下我們可以采用和增量服務(wù)相同的周期假設(shè)為1分鐘，此時(shí)TO的輸入值也是周期值。此級的啟動時(shí)間也是初始化當(dāng)前時(shí)間記為Tinitial+P(N).
第二級: 業(yè)務(wù)場景中絕大多數(shù)事務(wù)都是在3分鐘內(nèi)完成的，如果TO是3分鐘，基本上絕大多數(shù)事務(wù)都可以及時(shí)的補(bǔ)償?shù)健４思壍膯訒r(shí)間是Tinitial+3
第三級：也是最后一級，在App Server中配置的真正的TO是10分鐘，為了保證正確性，TO的輸入值一定要是10分鐘，因?yàn)橹恍枰ＷC正確性所以它的頻率也不需要太頻繁周期也設(shè)為10分鐘。從前文中可知Last(N) – TO < Te < Last(N). 此級沒有必要多實(shí)時(shí)，所以Te就取最小值=Last(N)-TO.
我們將這個(gè)三級策略和一級策略進(jìn)行比較，我們假設(shè)一級策略的周期為2分鐘。假設(shè)整個(gè)時(shí)間段是10分鐘。
|
比較項(xiàng)
|
一級(2)
|
三級(1, 3, 10)
|
|
DB訪問次數(shù)
|
5
|
14
|
|
延遲
|
2
|
<2
|
|
內(nèi)存
|
11分鐘數(shù)據(jù)的OID 和updateTime
|
17
|
|
訪問DB的數(shù)據(jù)量
|
12×5=60
|
10+6×10/3+2×10=50
|
|
比較次數(shù)
|
60
|
50
|
在這個(gè)分級策略中級數(shù)n, 每一級的P(c), TO, Te都是可調(diào)的，但需要注意最后一級的TO是不可調(diào)的必須等于真正的transaction timeout時(shí)間，Te的取值范圍是[Last(N)-TO, Last(N)]。
調(diào)優(yōu)的依據(jù)是我們會記錄每次補(bǔ)償操作的歷史記錄，比如每次補(bǔ)償成功的個(gè)數(shù)，補(bǔ)償運(yùn)行的開始，結(jié)束時(shí)間等。
刪除檢測
增量索引服務(wù)只是負(fù)責(zé)update和add的檢測，它并不判定索引中document對應(yīng)的記錄在DB中是否已經(jīng)被刪除，索引中會積累很多在DB中已經(jīng)被清除的數(shù)據(jù)。這些document也要及時(shí)地從索引中刪除。所以會有一個(gè)定期的刪除檢測服務(wù)，檢測出那些在索引中有，而在DB中已經(jīng)被物理刪除的記錄。
刪除檢測服務(wù)的步驟：
l 從索引中分批取出所有OID，根據(jù)OID排序
l 用每個(gè)分批的最小值和最大值到DB中取出此OID段DB中存在(沒有被刪除)的所有OID，也根據(jù)OID排序
Select OID from X where oid>12001 and oid<24100 order by oid;
l 將索引中查處的OID 有序集合和DB中獲得的OID有序集合進(jìn)行對比,如果DB中沒有索引中有的就添加到deletedList中.
l 把deletedList中的所有記錄對應(yīng)document從索引中刪除
對于軟刪除，它們的狀態(tài)屬性active如果已經(jīng)被爬到索引中，直接從索引中選擇出那些active=0的document刪除，如果沒有，可以將刪除檢測的sql語句改成
Select OID from X where active = 0 and oid>12001 and oid<24100 order by oid;
其他步驟同上面硬刪除的部分
備份
備份時(shí)需要注意不僅要備份最后一次commit之前的所有索引,而且需要備份timeTrace文件. 恢復(fù)后只需要從timeTrace的時(shí)間開始爬就可以了.
注意點(diǎn)
主表updateTime沒有更新
有時(shí)候，業(yè)務(wù)邏輯更新了子對象，比如JobOrder對象包含了很多個(gè)Container對象，一個(gè)JobOrder對應(yīng)一個(gè)Lucene Document，當(dāng)Container對象更新時(shí)，它并沒有更新JobOrder的updateTime，只是更新了Container的updateTime。這也沒關(guān)系，我們再增量服務(wù)和補(bǔ)償策略中同時(shí)也會查出子表updateTime在當(dāng)前時(shí)間段的所有主表數(shù)據(jù)。
但container如果有刪除，就必須約定application必須要update主表的updateTime。否則用戶就會搜出他本不能訪問的被刪除的container。