python 动态迁移solr数据

2023-01-31 07:53

短信预约 -IT技能 免费直播动态提醒

上项目的时候，遇见一次需求，需要把在线的其中一个 collection 里面的数据迁移到另外一个collection下，于是就百度了看到好多文章，其中大部分都是使用导入的方法，没有找到在线数据的迁移方法。于是写了python脚本，分享出来。

思路： collection数据量比较大，所以一次性操作所有数据太大，于是分段执行操作。

先分段按1000条数据量进行查询，处理成json数据
把处理后的json数据发送到目的collection上即可

实现:
一、使用http的接口先进行查询

使用如下格式查询：
其中：collection_name 是你查询的collection的名称
rows 是需要查询多少行，这里设置为1000
start 从多少行开始进行查询，待会儿脚本里面就是控制这个参数进行循环查询
http://host:port/solr/collection_name/select?q=*:*&rows=1000&start=0

查询处理后会得到如下图片里面的数据格式，其中
在response里面，有两个键值数据是我们需要的，一个是numFound（总的数据条数），docs（所有json数据都在这里面）

python 动态迁移solr数据

在docs里面，每条数据都带有version 键值，这个需要给去掉

二、使用http的接口提交数据
wt：使用json格式提交
http://host:port/solr/collection_name/update?wt=json

header 需设置为 {"Content-Type": "application/json"}

提交参数：solr在做索引的时候，如果文档已经存在，就替换。（这里的参数也可以直接加到url里面）
{"overwrite":"true","commit":"true"}

data_dict 就是我们处理后的 docs数据
提交数据：data={"add":{ "doc":data_dict}}

三、实现的脚本如下：

#coding=utf-8
import requests as r
import json
import threading
import time

#发送数据到目的url des_url，data_dict 参数为去掉version键值后的一条字典数据
def send_data(des_url,data_dict):
    data={"add":{ "doc":data_dict}}
    headers = {"Content-Type": "application/json"}
    params = {"boost":1.0,"overwrite":"true","&commitWithin":1000,"commit":"true"}
    url = "%s/update?wt=json"%(des_url)
    re = r.post(url,json = data,params=params,headers=headers)
    if re.status_code != 200:
        print("导入出错",data)

#获取数据，调用send_data 发送数据到目的url
def get_data(des_url,class="lazy" data-src_url):
        #定义起始行
    start = 0
    #先获取到总的数据条数
    se_data=r.get("%s/select?q=*:*&rows=0&start=%s"%(class="lazy" data-src_url,start)).text
    se_dict = json.loads(se_data)
    numFound = int(se_dict["response"]["numFound"])
    #while循环，1000条数据为一个循环
    while start < numFound:
        #定义存放多线程的列表
        th_li = []
                #获取1000条数据
        se_data=r.get("%s/select?q=*:*&rows=1000&start=%s"%(class="lazy" data-src_url,start)).text
                #把获取的数据转换成字典
        se_dict = json.loads(se_data)
                #获取数据里的docs数据
        s_data = (se_dict["response"]["docs"])

        #循环得到的数据，删除 version键值，并使用多线程调用send_data 方法发送数据
        for i in s_data:
            del i["_version_"]
            th = threading.Thread(target=send_data,args=(des_url,i))
            th_li.append(th)

        for t in th_li:
            t.start()
            t.join()

        start += 1000
        print(start)

if __name__ == "__main__":
    #源数据，查询数据的collection地址
    class="lazy" data-src_url = "http://ip:port/solr/class="lazy" data-src_connection"
    #导入数据导目的collection 的地址
    des_url = "http://ip:port/solr/des_connection"
    start_time = time.time()
    get_data(des_url,class="lazy" data-src_url)
    end_time = time.time()
    print("耗时：",end_time-start_time,"秒")

备注：
一、如果你的collection 不在同一个网络，不能实现在线传输，可以先把for循环删除了version键值的数据，写入一个文件中，然后copy到目的网络的服务器上，循环读取文件进行上传,如下写入文件（这个就根据各位大佬的喜好来写了），但读取后，需要把每一条数据都转换成字典进行上传：
file = open("solr.json","a+")
for i in s_data:
del i["version"]
file.write(str(i)+"\n")
file.close()

二、清除数据可使用一下方法，自测比较方便的一种
在你要清除collection里面