使用数据处理程序导入后，Solr 不返回所有文档

问题描述

我安装了 Solr 8.7.0，我通过 MysqLi 连接使用数据处理程序导入器插件。

我声明了四个实体：

<dataConfig>
  <dataSource type="JdbcDataSource"
              driver="com.MysqL.jdbc.Driver"
              url="jdbc:MysqL://localhost:3306/hmsscot_bassculture"
              user="myuser"
              password="mypw"/>
  <document>
    <entity name="author" query="select id,type,firstname,surname,biographical_info,extrainfo from bassculture_author">
      <field column="id" name="id"/>
      <field column="type" name="type"/>
      <field column="firstname" name="firstname"/>
      <field column="surname" name="surname"/>
      <field column="biographical_info" name="biographical_info"/>
      <field column="extrainfo" name="extrainfo"/>
    </entity>

    <entity name="source" query="select id,short_title,full_title,publisher,author_id,orientation,variants from bassculture_source">
      <field column="id" name="id"/>
      <field column="type" name="type"/>
      <field column="short_title" name="short_title"/>
      <field column="full_title" name="full_title"/>
      <field column="publisher" name="publisher"/>
      <field column="author_id" name="author_id"/>
      <entity name="author" query="SELECT s.*,CONCAT(ba.firstname,' ',ba.surname) AS author FROM bassculture_source s,bassculture_author ba WHERE s.id=${source.id} AND s.author_id = ba.id;">
        <field column="author" name="author"/>
      </entity>
      <field column="description" name="description"/>
      <field column="orientation" name="orientation"/>
      <field column="variants" name="variants"/>
    </entity>

    <entity name="copy" query="select id,folder,source_id,item_notes,seller,library,shelfmark,pagination,dimensions from bassculture_item">
      <field column="id" name="id"/>
      <field column="type" name="type"/>
      <field column="folder" name="folder"/>
      <field column="source_id" name="source_id"/>
      <entity name="source_title" query="select id,short_title from bassculture_source where id=${copy.source_id}">
        <field column="short_title" name="source_title"/>
      </entity>
      <entity name="source_author" query="SELECT bt.*,ba.surname) AS source_author FROM bassculture_tune bt,bassculture_item c,bassculture_source s,bassculture_author ba WHERE c.id=${copy.id} AND c.source_id = s.id AND s.author_id = ba.id;">
        <field column="source_author" name="source_author"/>
      </entity>
      <field column="item_notes" name="item_notes"/>
      <field column="seller" name="seller"/>
      <field column="library" name="library"/>
      <field column="shelfmark" name="shelfmark"/>
      <field column="paginations" name="pagination"/>
      <field column="dimensions" name="dimension"/>
    </entity>

    <entity name="tune" query="select id,name,start_page,alternate_spellings,item_id from bassculture_tune">
      <field column="id" name="id"/>
      <field column="type" name="type"/>
      <field column="name" name="name"/>
      <entity name="source_title" query="select s.* FROM bassculture_source s,bassculture_tune bt where bt.id=${tune.id} AND c.source_id = s.id AND bt.item_id = c.id">
        <field column="short_title" name="source_title"/>
      </entity>
      <entity name="tune_author" query="SELECT bt.*,ba.surname,ba.extrainfo) AS tune_author FROM bassculture_tune bt,bassculture_author ba WHERE bt.id=${tune.id} AND bt.item_id = c.id AND c.source_id = s.id AND s.author_id = ba.id;">
        <field column="tune_author" name="tune_author" />
      </entity>
      <field column="start_page" name="start_page"/>
      <field column="alternate_spellings" name="alternate_spellings"/>
      <field column="item_id" name="item_id"/>
    </entity>

  </document>
</dataConfig>

现在，我正在经历一些对我来说毫无意义的事情。如果我运行数据导入器而将“实体”下拉列表留空（即导入所有实体）：

我明白了：

索引已完成。添加/更新：2357 个文档。删除了 0 个文档。 （持续时间：13 秒）

这是正确的文档数量（作者+来源+副本+曲调）。然而，当我查询数据库时，我只得到 1938 个文档：

  "responseHeader":{
    "status":0,"QTime":103,"params":{
      "q":"*:*","_":"1609335106436"}},"response":{"numFound":1938,"start":0,"numFoundExact":true,"docs":[
      {
    [...]

这只是曲调（上面配置文件中的最后一个实体）。我也在仪表板中看到了这一点：

另一方面，如果我一个一个选择实体（例如作者等...）：

插件正确导入作者、调整和复制实体（每次 . 查询反映导入的文档）。一旦我到达第四个实体（调整），索引显然“忘记”了前三个实体 - 尽管在运行它之后，插件报告“已删除文档：0” - 并且 . 查询继续回到只找到 1938 个文件（即只有曲调）。

日志中没有错误消息。我错过了什么？

部分解决方案

我设法为 id 添加前缀以区分四种不同的数据，这样唯一的 ID 就不会被重写，例如：

SELECT name,item_id,CONCAT('tune_',id) AS id,'tune' as type FROM bassculture_tune;

尽管如此，我需要当前曲调的数据库 ID（不带前缀），在这种情况下，用于稍后的比较，例如：

  <entity name="tune_author" query="SELECT bt.*,bassculture_author ba WHERE bt.id=${tune.id} AND bt.item_id = c.id AND c.source_id = s.id AND s.author_id = ba.id;">
    <field column="tune_author" name="tune_author" />
  </entity>

由于 ${tune.id} 现在有一个前缀，整个查询不再满足我的需求。有没有办法在本地去掉前缀？

编辑 2

查询

<entity name="tune_author" query="select s.* FROM bassculture_source s,bassculture_tune bt WHERE bt.id=REPLACE(${tune.id},'tune_','') AND c.source_id = s.id AND bt.item_id = c.id;">

在 Solr 上导入数据时抛出错误（无法执行查询）。

这是 Solr 日志中的错误：

Caused by: java.sql.sqlSyntaxErrorException: You have an error in your sql Syntax; check the manual that corresponds to your MysqL server version for the right Syntax to use near 'SELECT REPLACE(tune_1,''),AND c.source_id = s.id AND bt.item_id = c.i' at line 1

附注

类似的东西

select item_id FROM bassculture_tune bt WHERE bt.id= (SELECT REPLACE('tune_1',''));

在 MysqL 控制台上工作正常。

引入变量

我现在正在用一个变量试试运气：

<entity name="this_tune_id" query="SET @this_tune_id = REPLACE('${tune.id}','');">
        </entity>
      <entity name="source_title" query="select s.* FROM bassculture_source s,bassculture_tune bt WHERE c.source_id = s.id AND bt.item_id = c.id AND bt.id = ${this_tune_id};">
        <field column="short_title" name="source_title"/>
      </entity>

这给了我一个

org.apache.solr.handler.dataimport.dataimporthandlerException: java.lang.Arrayindexoutofboundsexception: Index -1 out of bounds for length 1

错误。

最终解决方案

我将数据库 ID 存储为 this_tune_id，将 Solr id（带有前缀）存储为 id，这样我就可以使用 this_tune_id 进行查询，同时仍然在 Solr 中存储一个带前缀的 id：

<entity name="tune" query="SELECT name,id AS this_tune_id,'tune' as type FROM bassculture_tune;">

  <field column="name" name="name"/>

  <entity name="source_title" query="select s.* FROM bassculture_source s,bassculture_tune bt WHERE c.source_id = s.id AND bt.item_id = c.id AND bt.id = ${tune.this_tune_id};">

解决方法

包含您导入数据的屏幕截图揭示了原因：maxDocs 显示已导入 2357 个文档；但有 419 已被标记为已删除。您的唯一键字段（通常为 id）在您导入的文档之间存在重叠，导致新文档覆盖旧文档。

419 个文档已被稍后导入的文档覆盖，因为 id 重叠。

您可以通过将实体类型添加到您的 ID 来解决此问题（ID 不需要是数字） - 最简单的方法是在您的 SQL 中添加前缀：

SELECT CONCAT('tune_',id) AS id,FROM ..
SELECT CONCAT('author_',.. FROM ..
... repeating for each source ..

这样，作者的 id 将是 author_1 并且不会像其他情况那样覆盖 tune_1，否则两者都将 1 作为他们的 id。