15

我正在尝试将大型数据集（4100 万条记录）导入新的 Solr 索引。我已经设置了核心，它可以工作，我插入了一些测试文档，它们可以工作。我已经如下设置了 data-config.xml，然后开始完全导入。大约12小时后！导入失败。

文档大小可能会变得非常大，错误可能是由于文档（或字段）大，还是由于进入 DataImportHandler 的数据量大？

我怎样才能让这个令人沮丧的导入任务工作！？！

我在下面包含了tomcat错误日志。

让我知道是否有任何我错过的信息！

日志：

Jun 1, 2011 5:47:55 PM org.apache.solr.handler.dataimport.JdbcDataSource$1 call
INFO: Creating a connection for entity results with URL: jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor
Jun 1, 2011 5:47:56 PM org.apache.solr.handler.dataimport.JdbcDataSource$1 call
INFO: Time taken for getConnection(): 1185
Jun 1, 2011 5:48:02 PM org.apache.solr.core.SolrCore execute
INFO: [results] webapp=/solr path=/dataimport params={command=full-import} status=0 QTime=0
...
Jun 2, 2011 5:16:32 AM org.apache.solr.common.SolrException log
SEVERE: Full Import failed:org.apache.solr.handler.dataimport.DataImportHandlerException: java.lang.OutOfMemoryError: Java heap space
    at org.apache.solr.handler.dataimport.DocBuilder.buildDocument(DocBuilder.java:664)
    at org.apache.solr.handler.dataimport.DocBuilder.doFullDump(DocBuilder.java:267)
    at org.apache.solr.handler.dataimport.DocBuilder.execute(DocBuilder.java:186)
    at org.apache.solr.handler.dataimport.DataImporter.doFullImport(DataImporter.java:353)
    at org.apache.solr.handler.dataimport.DataImporter.runCmd(DataImporter.java:411)
    at org.apache.solr.handler.dataimport.DataImporter$1.run(DataImporter.java:392)
Caused by: java.lang.OutOfMemoryError: Java heap space
    at java.lang.StringCoding$StringDecoder.decode(Unknown Source)
    at java.lang.StringCoding.decode(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at com.microsoft.sqlserver.jdbc.DDC.convertStreamToObject(DDC.java:419)
    at com.microsoft.sqlserver.jdbc.ServerDTVImpl.getValue(dtv.java:1974)
    at com.microsoft.sqlserver.jdbc.DTV.getValue(dtv.java:175)
    at com.microsoft.sqlserver.jdbc.Column.getValue(Column.java:113)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getValue(SQLServerResultSet.java:1982)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getValue(SQLServerResultSet.java:1967)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getObject(SQLServerResultSet.java:2256)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getObject(SQLServerResultSet.java:2265)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator.getARow(JdbcDataSource.java:286)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator.access$700(JdbcDataSource.java:228)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator$1.next(JdbcDataSource.java:266)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator$1.next(JdbcDataSource.java:260)
    at org.apache.solr.handler.dataimport.EntityProcessorBase.getNext(EntityProcessorBase.java:78)
    at org.apache.solr.handler.dataimport.SqlEntityProcessor.nextRow(SqlEntityProcessor.java:75)
    at org.apache.solr.handler.dataimport.EntityProcessorWrapper.nextRow(EntityProcessorWrapper.java:238)
    at org.apache.solr.handler.dataimport.DocBuilder.buildDocument(DocBuilder.java:591)
    ... 5 more

Jun 2, 2011 5:16:32 AM org.apache.solr.update.DirectUpdateHandler2 rollback
INFO: start rollback
Jun 2, 2011 5:16:44 AM org.apache.solr.update.DirectUpdateHandler2 rollback
INFO: end_rollback

数据配置.xml：

<dataConfig> 
  <dataSource type="JdbcDataSource" 
        driver="com.microsoft.sqlserver.jdbc.SQLServerDriver" 
        url="jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor"   
        user="sa" 
        password="password"/> 
  <document> 
    <entity name="results" query="SELECT fielda, fieldb, fieldc FROM mydb.[dbo].mytable WITH (NOLOCK)"> 
      <field column="fielda" name="fielda"/><field column="fieldb" name="fieldb"/><field column="fieldc" name="fieldc"/> 
    </entity> 
  </document> 
</dataConfig>

solrconfig.xml 片段：

<indexDefaults>
    <useCompoundFile>false</useCompoundFile>
    <mergeFactor>25</mergeFactor>
    <ramBufferSizeMB>128</ramBufferSizeMB>
    <maxFieldLength>100000</maxFieldLength>
    <writeLockTimeout>10000</writeLockTimeout>
    <commitLockTimeout>10000</commitLockTimeout>
  </indexDefaults>
  <mainIndex>
    <useCompoundFile>false</useCompoundFile>
    <ramBufferSizeMB>128</ramBufferSizeMB>
    <mergeFactor>25</mergeFactor>
     <infoStream file="INFOSTREAM.txt">true</infoStream>
  </mainIndex>

Java 配置设置：初始化内存 128mb，最大 512mb

环境：solr 3.1 tomcat 7.0.12 windows server 2008 java：v6 update 25（build 1.6.0_25-b06）（数据来自：sql 2008 r2）

/admin/stats.jsp - DataImportHandler
    Status : IDLE
    Documents Processed : 2503083
    Requests made to DataSource : 1
    Rows Fetched : 2503083
    Documents Deleted : 0
    Documents Skipped : 0
    Total Documents Processed : 0
    Total Requests made to DataSource : 0
    Total Rows Fetched : 0
    Total Documents Deleted : 0
    Total Documents Skipped : 0
    handlerStart : 1306759913518
    requests : 9
    errors : 0

编辑：我目前正在运行一个 sql 查询来找出最大的单个记录的字段长度，因为我认为这可能是异常的原因。此外，使用 jconsole 再次运行导入以监控堆使用情况。

编辑：阅读solr 性能因素页面。将 maxFieldLength 更改为 1000000 并更改 ramBufferSizeMB = 256。现在进行另一个导入运行（耶...）

4

5 回答 5

8 
Caused by: java.lang.OutOfMemoryError: Java heap space
    at java.lang.StringCoding$StringDecoder.decode(Unknown Source)
    at java.lang.StringCoding.decode(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at com.microsoft.sqlserver.jdbc.DDC.convertStreamToObject(DDC.java:419)

很明显，MS JDBC 驱动程序的内存不足。许多 JDBC 驱动程序可以默认一次在内存中获取所有结果。所以看看这是否可以调整或考虑使用开源 JTDS 驱动程序，它通常表现更好

我不相信 maxfieldlength 会帮助你——这会影响 Lucene 截断的数量，但不会影响最初传输的数量。另一种选择是一次只传输一个选择，比如 100 万个，使用 TOP 和 ROWNUMBER 等进行分页。

于 2011-06-09T01:47:41.440 回答
1

通过手动批处理查询，我能够成功地将使用 jdbc 的大表导入 Sql Server，而不会遇到内存不足错误。就我而言，分 256 批：

数据配置.xml：

<dataConfig> 
  <dataSource  
      type="JdbcDataSource" 
      driver="com.microsoft.sqlserver.jdbc.SQLServerDriver"
      url="jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor"   
      user="sa" 
      password="password" 
      autoCommit="true" 
      batchSize="10000" /> 
  <document> 
    <entity 
        name="batch"
        query="
          with Batch as (
            select 0 BatchId
            union all 
            select BatchId + 1
            from Batch
            where BatchId < 255
          ) 
          select BatchId FROM Batch OPTION (MAXRECURSION 500)
        "
        dataSource="JdbcDataSource"
        rootEntity="false">
      <entity name="results" query="SELECT fielda, fieldb, fieldc FROM mydb.[dbo].mytable WITH (NOLOCK) WHERE CONVERT(varbinary(1),fielda) = ${batch.BatchId}"> 
        <field column="fielda" name="fielda"/><field column="fieldb" name="fieldb"/><field column="fieldc" name="fieldc"/> 
      </entity> 
    </entity> 
  </document> 
</dataConfig>

父实体批处理是返回字节值 0-255 的递归 sql server CTE。这用于过滤子实体结果。

注意 1： where 条件（即CONVERT(varbinary(1),fielda) = ${batch.BatchId}）应根据分区字段的类型和内容进行调整，以便将结果分成相等的批次。例如，如果fielda是数字，则使用fielda % 255 = ${batch.BatchId} 。在我的例子中， fielda是一个唯一标识符，所以第一个字节就足够了。

注 2：批处理实体上的rootEntity="false"是必需的，表示批处理实体不是根文档。

于 2013-03-28T01:13:00.500 回答
1

对于mysql，它可以工作

根据 solr wiki，

DataImportHandler 旨在逐行流式传输。它将获取大小值（默认值：500）传递给某些驱动程序不支持的 Statement#setFetchSize。对于 MySQL，将 batchSize 属性添加到值为 -1 的 dataSource 配置中。这会将 Integer.MIN_VALUE 作为获取大小传递给驱动程序，并防止其因大型表而出现内存不足。

应该看起来像：

<dataSource type="JdbcDataSource" name="ds-2" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost:8889/mysqldatabase" batchSize="-1" user="root" password="root"/>
于 2015-12-29T13:30:35.610 回答
0

您的 java 配置设置可能不足以完成这项工作：init mem 128mb, max 512mb

试试这个针对 OutOfMemoryError 的货物狂热修复：增加堆大小使其 -Xmx1024M 或更多，如果你能负担得起，初始 512M -Xms512M

于 2011-06-15T18:43:44.063 回答
0

我发现，对于大型记录集，事情会变得有点棘手。你确实有几个选择。

快速且最可能的最佳选择是为索引系统分配更多内存！内存（大部分）非常便宜。

我可能会尝试的另一件事是将数据分块。

根据您的“文档”的大小，41M 文档可能会在搜索时让您陷入困境。您可能想要对文档进行分片。使用 DIH 时，我尝试使用查询字符串参数来促进分区。您可以通过在查询语句中使用 ${dataimporter.request.MYPARAMETERNAME} 引用传递给 DHI 的适当参数来做到这一点。

于 2011-06-15T22:11:53.837 回答