Question

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，它工作，我插入了一些测试文档，他们工作。我已经设置了如下的data-config.xml，然后我开始全导入。大约12个小时后！导入失败。

文档大小可能会变得很大，错误可能是因为大文档（或字段）还是由于数据量大量进入DataImportHandler？

如何让这个令人沮丧的导入任务正常工作！？！

我已在下面添加了tomcat错误日志。

如果有任何我错过的信息，请告诉我。

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-config.xml中：

<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：init mem 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查询来查找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再次运行导入以监视堆使用情况。

编辑：阅读solr performance factors page。将maxFieldLength更改为1000000并更改ramBufferSizeMB = 256.现在进行另一次导入运行（yay ...）

Answer 1

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ram用完了。许多JDBC驱动程序可以默认在内存中一次获取所有结果。因此，看看是否可以调整或考虑使用开源JTDS驱动程序，无论如何通常表现得更好

我不相信maxfieldlength会帮助你 - 这将影响Lucene截断多少，但不会影响最初转移多少。另一个选择是一次只传输一个选择，比如100万，使用TOP和ROWNUMBER等进行传呼。

Answer 2

这个帖子似乎已经很老了......但有人需要更多信息......请查看以下链接，了解上述内存不足问题的答案：

http://wiki.apache.org/solr/DataImportHandlerFaq

Answer 3

我能够使用jdbc成功地将大型表导入到Sql Server，而不会通过手动批量查询来避免内存不足错误。就我而言，共256批次：

数据-config.xml中：

<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 batch 是一个递归的sql server CTE，它返回字节值0-255。这用于过滤子实体结果。

注1：应根据类型调整where条件（即 CONVERT（varbinary（1），fielda）= $ {batch.BatchId} ）和分区字段的内容，以便将结果分成相等的批次。例如如果 fielda 是一个数字，请使用 fielda％255 = $ {batch.BatchId} 。在我的情况下， fielda 是一个唯一标识符，因此第一个字节就足够了。

注2： 批次实体上的 rootEntity =“false”是必需的，表示批次实体是不根文档。

Answer 4

对于mysql，它可以工作

根据solr wiki，

DataImportHandler旨在逐行传输行。它将获取大小值（默认值：500）传递给Statement＃setFetchSize，而某些驱动程序则不会这样做。对于MySQL，将batchSize属性添加到值为-1的dataSource配置。这会将Integer.MIN_VALUE传递给驱动程序作为提取大小，并防止大型表的内存不足。

应该是这样的：

<dataSource type="JdbcDataSource" name="ds-2" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost:8889/mysqldatabase" batchSize="-1" user="root" password="root"/>

Answer 5

您的java配置设置可能不足以完成此任务：init mem 128mb，max 512mb

尝试针对OutOfMemoryError的这个货物崇拜修复：增加堆大小如果你负担得起并且初始512M -Xms512M

，请使它-Xmx1024M或更多

Answer 6

我发现，对于大型唱片集，事情会变得有点毛茸茸。你有两个选择。

快速且最可能的最佳选择是为索引系统分配更多内存！记忆（大部分）非常便宜。

我可能尝试的另一件事是chunking the data。

根据您的“文档”的大小，41M文档在搜索时可能会让您陷入困境。您可能想要分片文档。当使用DIH时，我尝试使用querystring参数来促进分区。您可以通过使用查询语句中的$ {dataimporter.request.MYPARAMETERNAME}引用传递到DHI的相应参数来执行此操作。

如何修复java OutOfMemoryError：DataImportHandler的Java堆空间？

6 个答案: