中间件小哥_社区达人页

Spark随谈——开发指南（译）

本文翻译自官方博客，略有添加：https://github.com/mesos/spark/wiki/Spark-Programming-Guide，谢谢师允tx的校正。希望能够给希望尝试Spark的朋友，带来一些帮助。目前的版本是0.5.0 Spark开发指南 从高的层面来看，其实每一个S

(H2与HBase)面向行or面向列的存储模型?

(H2与HBase)面向行or面向列的存储模型?                                 目录   0. 示例      1. H2怎么存储pet表的记录?       1. 1 DATA_LEAF页格式       1. 2 DATA_NODE页格式  

NumericField&NumericRangeQuery原理分析

NumericField和NumericRangeQuery是Lucene 针对数值型区间查询的优化方案。在展开阐述 NumericField 和NumbericRanageQuery 的实现原理之前，对于Lucene范围查询的实现和概念可以参考博文《TermRangeQuery源码解析

关于搜索挖掘所想

SolrQueryLog DataMineSolrQueryLog DataMine 这一块工作非常具有市场和技术价值。尽管现在还没有开源的，有一个付费系统soleami 读作 so ray me。 我个人正在初步积累相关知识，依赖NLP和结构化信息提取虚拟团队，正着手搭建一个通用、可开源的So

Solr schema编写指导

0. 亲，低级错误知多少 "" 写成了“” <br> true 写成了 ture <br> false写成了fasel <br> String 写成了 string <br> userId 写成了userid <br> user_id 写成了 user_Id <

SolrQuery性能压测参考

性能压测本身是一件非常有意义的事情，也是非常复杂的工作。对搜索引擎压测，不仅是数据集构建、查询集构建、 标准参照集构建等麻烦，而且只需一轮测试周期常，测试结果与语言本身有关联，更与集合其他数据有潜在关联，因为排序是 整体的，互关联的。 测试的具体执行环境、执行用例、参数配置和清除、quer

BufferedInputStream 源码学习笔记

BufferedInputStream是一个带有内存缓冲的InputStream. BufferedInputStream是继承自FilterInputStream。 FilterInputStream继承自InputStream属于输入流中的链接流，同时引用了InputStream，将In

Apache MINA (1) 简介

简介： Apache MINA（Multipurpose Infrastructure for Network Applications） 是一个网络应用框架，有助于用户非常方便地开发高性能、高伸缩性的网络应用。它通过Java NIO提供了一个抽象的、事件驱动的、异步的位于各种传输协议（如TCP/

Apache MINA (2) Hello World!

了解完Apach MINA的一些基本概念Apache MINA (1) 简介 ，开始进入MINA相关的代码学习，以一个简单HelloWorld程序开始，完成客户端与服务端之间的通讯。 准备工作： org.apache.mina 版本4.0 org.slf4j 1.6.1 （Simple

树与存储

二叉树： 一个根节点，每个节点下挂着最多2个子节点。、 概念： 度：结点的分支数，二叉树度为2。 深度：树的层次。 二叉排序树： 二叉树的基础上，每个节点上都有一个数字，节点上的数字都比右节点上的大。 应用场景： 基于内存的排序数据结构，写入时将数据写入到对应的位置。数据可能会出现倾

ZooKeeper和Diamond有什么不同

本文主要是讨论下两个类似产品：ZooKeeper和Diamond在配置管理这个应用场景上的异同点。 Diamond，顾名思义，寄寓了开发人员对产品稳定性的厚望，希望它像钻石一样，提供稳定的配置访问。Diamond是淘宝网Java中间件团队的核心产品之一，服务于集团线上很多核心应用。目前已经开源，开

ZooKeeper运维之使用SnapshotFormatter可视化快照数据

在ZooKeeper的运维过程中，我们经常会碰到这样的问题，就是快照数据文件越来越大，但是ZooKeeper上的数据节点数量并没有相应的增加。 这说明什么问题：一定是有客户端在将ZooKeeper当数据库使用了。长此以往，必然会引起ZooKeeper内存数据过大而影响性能及集群间的数据同步。 那

垂直搜索新问题

当大家都在关注搜索的速度的时候，往往伴随业务的快速发展，数据服务质量成为了实时搜索或者垂直搜索中的新问题。实时搜索和垂直搜索是不一样的问题，下面的问题就是垂直场景下得实时搜索问题。也可以理解垂直搜索都不实时，其他的实时先排队吧。问题比较抽象，只谈总体上的现象，对于具体如何解绝问题的细节，不做说明。.

将java程序成为linux的系统服务

在分布式环境开发中经常会使用socket，或者使用rmi来对外提供服务，常用的办法是将写一个java代码，然后部署到服务器上，但是问题来了。如何将这个服务成为一个可靠的系统服务，不会应为风吹草动就挂了，那就不好了。 所以想到使用apache commons 下面的daemon框架来充当守护进程。首

SolrQuery挖掘--单维度聚合分析

单维度聚合分析，主要解决类似以下场景的问题 (1)同一个用户搜索输入关键词 (2)某个时间段内搜索词排行榜 (3)某些关键词联合出现情况 (4)IP位置 维度下的关键词聚合情况 (5)其他任何参与搜索的单维度搜索请求统计 (6)平均命中率、hits=0、查询平均响应时间 ......

从Runnable中的运行时异常说起

前段时间，夜晚突然收到报警，紧急上线排查。由于dba操作不当，大片数据回滚，发生锁表的情况，请求返回时间过长，使得系统打印出大量的RejectedExecutionException的异常。定位到代码片段类似： Java代码 ThreadPoolExecutor workers = 

配置安全的Impala集群集成Sentry

本文主要记录配置安全的Impala集群集成Sentry的过程。Impala集群上配置了Kerberos认证，并且需要提前配置好Hive与Kerberos和Sentry的集成： 使用yum安装CDH Hadoop集群 Hive配置kerberos认证 Impala配置kerberos认证 配置

我感受到的排序机制参考

人们总觉得这个搜索领域很多秘密，门槛如此之高，如此神秘。其实不是那么回事。基本的原理、流程理解了。就可以做到心中不慌。先了解机制，细节和具体才是难点，不要被难在开始！下面就结合实际经验积累，给出参考信息。不针对任何排序模型，只描述粗略内容。具体场景具体怎么高，私下交流。 提示：排序规则务必公开，否

Java Worker 设计模式

Worker模式 想解决的问题 异步执行一些任务，有返回或无返回结果 使用动机 有些时候想执行一些异步任务，如异步网络通信、daemon任务，但又不想去管理这任务的生命周。这个时候可以使用Worker模式，它会帮您管理与执行任务，并能非常方便地获取结果 结构 很多

Solr平台化搜索实战必知场景

Solr DisjunctionMax 注解

垂直个性化排序之Solr如何支持

需求: 个性化得分排序：类似 Score= defaultTextScore*facetA + offlineValue*（1-factorA） 方案： 目前直接支持的排序、全部候选方案。推荐1  和2.  参见样例！ 1: sort by (score, offlin

Sql Support within Solr-类Sql的solr搜索实现(1)

尽管lucene、solr如此的频繁、如此的普遍被使用。仍然有许多人、需要开发者所见即所得的方式，将查询用起来。一方面为了迎合传统sql用户的习惯，另一方面提升通用搜索产品的可用性，也丰富solr的功能接口。有必要实现 类sql的 solr查询实现。   社区总是无比的强大，总是只要你能想到的

关于TrieField的全面认识、理解、运用

关于trieField的理解补充下3篇文档，相当的系统、全面！看相关文档连接，不解释。 http://lucene.apache.org/core/old_versioned_docs/versions/3_5_0/api/all/org/apache/lucene/search/NumericR

Solrflux源码分析-Sql Support within Solr-类Sql的solr搜索实现(2)

Solrflux 开源code google 地址 http://code.google.com/p/solrflux/ 1.Solrflux 概述    Solrflux 主要工作是完成 Sql 语法到solr语法的转换，并执行查询，保存结果。    当前solrflux已经停止更新了，

利用jinterface在java和erlang节点之间通讯

     在分布式环境当中使用erlang语言来构建底层应用，利用erlang的简洁的脚本语言可以简化代码的复杂度，并且还能很大程度地提高系统的容错性和稳定性。 erlang固然有他的优势，但是，它在开源社区开发人员的活跃性远远不及java社区，在java社区中，在分布式场景中使用的中间件，比如，

ZooKeeper管理员指南——部署与管理ZooKeeper

本文以ZooKeeper3.4.3版本的官方指南为基础：http://zookeeper.apache.org/doc/r3.4.3/zookeeperAdmin.html，补充一些作者运维实践中的要点，围绕ZK的部署和运维两个方面讲一些管理员需要知道的东西。本文并非一个ZK搭建的快速入门，关于这.

zookeeper分布式锁避免羊群效应（Herd Effect）

本文主要讲述在使用ZooKeeper进行分布式锁的实现过程中，如何有效的避免“羊群效应( herd effect)”的出现。 一般的分布式锁实现 这里简单的讲下一般的分布式锁如何实现。具体的代码实现可以在这里看到：https://svn.apache.org/repos/asf/zookeepe

Solr JVM&运维

1. GC的选择  4core、8g memory 首选cms，cms的各参数的调节需要观察。 2. swap配置   性能优先，建议关掉。关掉的代价需要评估。关掉之后buffer/cache等变化需要观察！ 3. newSize maxnewsize 尽量小 并且值相同，PermSize

查询问题---queryparse深入理解

查询问题，最直接的反馈就是页面出来的结果。然后牵扯到的问题就一步一步深入了。第一层：queryparse，其中关联分词，关联booleanquery orphrasequery，关联boost。。。。第二层：排序了，关联排序的策略、排序的得分公式第三层：各种转换、过滤、筛选后的页面结果这里重点将q.

Solr Facet引发思考 on the road

下面的内容包括概念都是个人想到的，不专业或者不规范请知晓。理解意义就行。   1.为什么是facet 搜索与推荐本来是不分家的，搜索没有推荐就是存储了，有推荐的搜索才是真正的搜索，才体现搜索的“情感”(query解析、排序、页面展示)、搜索引擎的“难点”（用户意图理解、最有价值信息、最友好交互

Java正则引发的思考

情况回放： 上周预发机器出了一个问题，CPU不定时会近100%满负载运行。重启以后就会恢复，之后又会到达100%，而且不会自恢复。 首先想到的是程序出现了死循环，于是用jstack把栈打印出来，发现业务线程都停在了regex相关的代码上，有死循环的样子。 查看栈，发现一切都是由ClientFi

MinHash原理与应用

MinHash首先它是一种基于 Jaccard Index 相似度的算法，也是一种LSH的降维的方法，应用于大数据集的相似度检索、推荐系统。下边按我的理解介绍下MinHash。 举例A，B 两个集合： A = {s1, s3, s6, s8, s9} B = {s3, s4, s7, s8,

稳定性思考-强弱依赖

淘宝系统依赖关系比较复杂。A系统依赖B系统资源，当B系统发生故障的时候，A系统势必会被拖累，导致A系统也发生故障                                  图：[ A]--依赖-->[B] 这里的依赖要区分两种情况 1、A强依赖于B     任何强依赖都要尽可能的转化

稳定性思考-强弱依赖2

弱依赖“并发请求数阀值”这个值设置多少合适？     “并发请求数阀值”在大部分情况下可以理解为同时工作的线程数阀值，这个值不是越大越好，也不是越小越好，而是在最高QPS输出的情况下这个值越小越好。这个也是系统性能优化的一个方向，高QPS，少线程。     线程它是驱动业务逻辑执行的载体，在执行

Solr之缓存篇

Solr在Lucene之上开发了很多Cache功能，从目前提供的Cache类型有： (1)filterCache (2)documentCache (3)fieldvalueCache (4)queryresultCache 而每种Cache针对具体的查询请求进行对应的Cache。本文将从

TermRangeQuery源码解析

简单介绍下 在较早版本的 Lucene 中对一定范围内的查询RanageQuery 。该Query 继承于 MulitTermQuery，在重写（rewrite ）Query 树的时候将会遵从一个原则： 根据起始区间值获取term, 然后遍历，根据满足条件的term 的数目来决定重写Query 的

关于搜索夜话----作为阶段序列的告别

搜索的测试话题

Solr调优参考-续

solr调优步骤参考这篇blog主要以实践出发，从顶到底，从大到细的思路来进一步描述，solr优化，并且是基于横向发展来说的（管理更多core），对于纵向的（core内部、搜索核心技术）。 例如分词、queryparse、分词、实时、分布式的优化、排序等偏轻！ 文章有不合理，或者错误的请及时反馈

海量存储之十六--一致性和高可用专题

很久木有和大家见面了，因为博主也需要时间来沉淀。。博主也需要学习和思考。。 好吧，不多废话，进入正题，今天我们谈的东西是一致性和安全性。 一致性这个问题，非常绕，想用语言表述，难度很大，我给别人去讲的时候，一般都是白板，因为白板有类似“动画”的效果，能够帮助别人理解，但使用文字，就没有办法了，只

海量存储之十七--一致性和高可用专题

-------三段提交改----------- 回顾上文，我们已经提到了，在两段提交协议里面有个“死等”的过程，那么我们来看看三段提交协议是怎么解决这个问题的，需要注意的是，3pc只是解决了死等问题，对脑裂没有贡献。用的也不多，我们只把它当做路边的小石头，理解了作为模型的一种，参考一下就行了。

海量存储之十八--一致性和高可用专题

我们已经在上面的分析中，我们已经看到observer模型在多机场景下的问题，所以，paxos模型的目标就是解决这个问题，他解决这个问题的方法就是quorum模型。 我的目标是让大家能弄明白，掌握这些复杂的概念，所以我也会将以前我在淘宝java中间件团队内分享时候，大家经常犯的一些错误，也写到【】里

海量存储之十九--一致性和高可用专题

--------Dynamo and Cassandra ---------- 这两套系统，其实是同源的，我其实不是很愿意来说这两套系统，因为他们用的技术比较学术化，所以比较复杂一些。。Anyway ,I'll try my best !   提到这两个系统，他们在核心思路上是非常类似的，但有

Linux/Unix的精巧约定两例及其简析：目录权限和文本行数

学玩*nux时候，碰到的一些问题，弄明白了后也就过去了。今天看到旁边的同学对目录权限有些模糊，给解释了一下。想想不如把这些问题都记下来。 设计其实包含的是一套约定。能运行、解决问题的约定都是可用的约定。但解决的多种约定方式或说是设计中，作一些比较可以感觉到哪个会更统一更简单。下文提到的两例Linu

代理重定向策略及其用户感受的分析

大家会碰到类似这样的事情，比如，找你的租房中介负责人让处理一下空调坏了，中介负责人回答你说“我现在不负责你了 ，你去联系A。”你觉得这件事有些不爽，没办法，去联系A。说不定A又会说自己不负责了，让你联系B。 碰到这种“你去联系XXX”的情况，我想没有人会开心的。 如果这样的“重定向”形成了环，那

关于两种限流模式

流量预警和限流方案中，比较常用的有两种。第一种滑窗模式，通过统计多个单元时间的访问次数来进行控制，当单位时间的访问次数达到的某个峰值时进行限流。第二种为响应模式，通过控制当前活跃请求数，来进行流量控制。下面来简单分析下两种的优缺点。 1、滑窗模式 模式分析:在每次有访问进来时，我们判断前N个单位

Apache MINA (3) NioSocketAcceptor初始化

上一篇博客Apache MINA (2) Hello World! 以一个例子实现了mina客户端和服务端的通讯，现在通过源码来了解建立连接和通讯的过程（基于tcp/ip的实现）。 服务端通过创建一个NioSocketAcceptor来接受请求，客户端通过创建NioSocketConnector来

solr长文本搜索问题

多关键词搜索排序质量一直一个疼痛的问题，已经频繁遇到，目前还没来得及系统解决。 针对之前的解决经验，做一个小节，后面可能随着对排序质量的提高，会越来越突出。 请大家拍砖和丰富这方面的经验，提升解决需求的效率。 分析 当前默认都是phrasequery执行，对指定域先分词，然后

SolrCore2.9.1源码分析备忘

Solr2.9.1  代码 下面的分析有点散，围绕solrcore展开，重点是query流程，细入是getSearcher 内容中有一些直接从参考链接里面拷贝的。 【1】SolrCore功能点     0.JMX的初始化—》远程监控使用 进入参考链接http://lucidworks