Question

作为我的DSpace实例的一部分，我有一个包含1200万使用情况统计记录的SOLR存储库。某些记录已通过多个SOLR升级进行迁移，并且不符合当前架构。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情况统计记录分成单独的solr分片。

DSPACE SHARD LOGIC：

        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);

当我尝试运行此过程时，我收到了一条错误消息，指出我的每条记录都缺少唯一ID字段，并且该过程已删除了500万条记录。

我试图替换这500万条记录，以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迭代数千条记录的批次。

我的录音修复程序：

    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唯一的ID。我所触及的记录也有一个 _version _ 字段。

当我尝试重新运行上面包含的分片过程时，我收到与 _version _ 字段值相关的错误，并且该过程终止。如果我尝试显式设置版本字段，则会收到相同的错误。

以下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提供的分片过程。您能否建议我采取任何其他措施来修复这些记录？

Answer 1

修改生成的csv应该更容易。

尝试在fs方法之前直接添加一个方法来为csv添加id。

FileUtils.copyInputStreamToFile（csvInputstream，csvFile）;

//＆lt; -a方法调用重新打开csv文件并添加的函数   每行的强制ID

filesToUpload.add（csvFile）; //添加10000＆amp;重新开始   yearQueryParams.put（CommonParams.START，String.valueOf（（i + 10000）））;   }

for（File tempCsv：filesToUpload）{

（...）

Answer 2

SolrLogger中的分片代码将记录复制到一个新的空核心。问题是来自大约DSpace 3的DSpace使用情况统计文档包含_version_字段，并且此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的乐观并发功能，该功能会检查索引中具有相同唯一ID的现有文档。逻辑大致如下（见http://yonik.com/solr/optimistic-concurrency/）：

_version_＆gt; 1：文档版本必须完全匹配

_version_ = 1：文档必须存在

_version_＆lt; 0：文档不得存在

_version_ = 0：不关心（正常覆盖，如果存在）

包含_version_值＆gt;的使用情况统计文档因此，1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件，因此版本冲突。

分片期间的复制过程会创建临时CSV文件，然后将其导入新核心。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，进而禁用乐观并发检查。

https://jira.duraspace.org/browse/DS-2212在https://github.com/DSpace/DSpace/pull/893处提出了拉取请求，对此进行了讨论;希望这将包含在DSpace 5.2中。

Answer 3

我试图将1.8.3升级到4.2，包含400万条记录，所有记录都缺少uid和版本。我写了一个脚本来读取Solr（批量为10,000），重新写入副本，最后删除原件。结果看起来很好，直到我尝试分片，当我看到这里报告的相同问题时。

CSV文件包含正确的版本号。异常报告是

Exception: version conflict for 38dbd4db-240e-4c9b-a927-271fee5db750 expected=1490271991641407488 actual=-1 org.apache.solr.client.solrj.impl.HttpSolrServer$RemoteSolrException: version conflict for 38dbd4db-240e-4c9b-a927-271fee5db750 expected=1490271991641407488 actual=-1

temp / temp.2012.0.csv中的第一条记录开始

38dbd4db-240e-4c9b-a927-271fee5db750,1490271991641407488, ...

规范化分片的SOLR记录：_version_问题

3 个答案: