背景

《搜索引擎onesearch1.0-设计与实现.docx》介绍了1.0特性，表达式搜索，搜索schema，agg，映射等，同时附录介绍未来规划，其主要特性是文档索引，随着分布式dataX完成，技术基础已完备。

本文介绍分布式文档索引，包括tika的原理源码分析

关键词

Tika原理源码分析，内容类型识别，内容抓取，分布式datax

参考资料

《搜索引擎onesearch 1.0-设计与实现.docx》

《分布式dataX架构设计》

《分布式dataX详细(落地)设计》

规划特性与发布计划M1 大规模/分布式文件索引文档抓取文档内容抓取组件，metadata(base+extras)+content抓取组件隔离机制索引引擎，基于分布式dataX，支持批量/增量M2 精确搜索/多元搜索装配/映射 增加支持query，目前已支持映射为filterfull text查询映射策略

match

match_phrase

query_string

。。。

高亮 (已有，未测试)返回字段，目前全返回批量操作，引擎层已实现nested查询, nested索引已支持springboot starterM3 智能搜索搜索权限，搜出就能看到联想词自动纠正自动补全onesearch总体架构schema模块，定义索引字段，索引策略，搜索策略等，管理索引及其搜索特性聚合搜索(agg)模块，基于schema模块，支持xml定义agg，零编码增加agg主题查询模块，负责构建通用表达式(如，((f1=‘a’or f2=’b’)and f3=‘c’))，作为搜索输入条件映射引擎，映射通用表达式为最优的es dsl，支持=，!=，like，in，range，prefix，not/and/or，大小括号，点(.)等操作符映射，解决es dsl难使用，难复用的痛点抽象搜索引擎接口，无缝接入不同的搜索引擎，如，elasticsearch，opensearch，solrcloud等，更可同时使用多种引擎同步，全量同步/增量同步，接入分布式dataX索引组件架构

下图是面向索引组件的架构视图

索引组件实现为dataX的reader/writer，接入分布式dataX，实现高吞吐，分布式的文档索引

内容抓取组件文档遍历/内容抓取，引入tika

搜索引擎支持批量操作的索引服务，自定义索引策略，索引模式

内容抓取组件

内容抓取是索引的第一步，抓取文档属性和内容

tika分析

引入tika作为内容抓取引擎，分析一下tika原理

下面详细介绍各个模块

配置(config)

TikaConfig 两个职责，配置容器(xml格式)；Detector，Parser等组件的构建工厂

TikaConfig提供默认即可用的配置，同时支持用户自定义配置

TikaConfig构建的Detector，Parser都是Composite类型对象，Composite类型对象聚合不同的实现，使用规则，策略调用具体的探测器和分析器，尽可能提高成功率

XmlLoader 对应TikaConfig的两个职能，配置容器和对象构造

XmlLoader 构建组件，特别地，支持构建复合类型组件，4个主要的方法

loadOverall 读取输入的配置，调用loadOne构建单个(非复合类型)组件；调用createComposite，传入组件集合，构建组件复合类型的实例

loadOne 构建单个组件，实际可能返回复合类型，loadOverall方法有判断处理

createComposite 具体组件具体实现，利用反射，构造函数构建对象实例

createDefault 默认构建机制，没有输入配置，使用ServiceLoader载入组件类型，构建复合类型实例

Mime

Tika内容类型数据库，支持自定义；

内容类型识别，文件名模式；针对xml类型文档的root xml；magic code

MediaType 封装最原始的类型定义，type/subtype；name=value

MimeType 包装MediaType，支持不同方式识别类型，如，RootXML，Magic，扩展名

MediaTypeRegistry MediaType容器，同时管理MediaType的层次关系和别名

MimeTypes 自身是Detector实现，MimeType管理和识别

MimeTypesReader 构建MimeTypes，该类使用SAX解释处理mime xml，同时构建MediaTypeRegistry；构建Magic

MediaType层次关系作用，当该内容类型没有找到具体的分析器，可以使用上级的类型对应的分析器，尽可能分析出元数据和内容

接下来，重点分析一下Magic模型

下图是典型mime-typemagic配置

Magic 可包括多个magic匹配项match

MimeTypesReader 整个magic体系构建者，读取tika-mimetypes.xml构建MimeType/MimeTypes

Magic 属于MimeType；每个MimeType可有多个Magic；MimeTypesReader也给MimeTypes一份，即MimeTypes拥有所有的Magic

MinShouldMatchClause/OrClause/AndClause自身并不实际eval magic，负责逻辑连接Magic的所有match，分别实现最少匹配数，或，并连接逻辑，3者可复合嵌套；最终包装MagicMatch，执行MagicDetector

MagicMatch MagicDetector构建/选择器

MagicDetector 真正执行magic eval逻辑，每个MimeType对应一个

总述整个流程：

MimeTypes-->Magic-->[MinShouldMatchClause/OrClause/AndClause]-->MagicMatcher-->MagicDetector

穷举Magic找到匹配的

??? 有个优先级排除，不知道怎么定优先级

下面两图展示magic xml配置与对象关系对照，上下层and关系，同层or关系

从MimeType看，magic标签下，第一层每个match对应一个Magic，实质也是or关系

MimeTypes自身也是Detector实现，但并没有在SPI中，而是作为最后防线特定添加进默认Detector

Detector

Tika有3类探测器，内容类型探测(Detector)，编码探测(EncodingDetector)，语言探测(LangDetector)

与探测器类似，TaskConfig构建复合类型对象，默认实现使用ServiceLoader构建，自身也是复合类型

Metadata

Metadata文档内容属性，可以是文档自身属性，如word文档拥有者，创建日期等，也可以是taka分析获取的

Metadata 实质是key/多值map

Property 相当于DTO，传递metadata定义

Parser/SAX handler

分析器是内容抓取的核心，Detector检测到内容的具体类型，找到对应的parser，解释和抓取内容

统一的Parser接口，整体架构看，属于适配器架构模式，分析器使用对应的解释组件*，解释文档，解释结果装配为XHTML格式，client使用的SAX规范处理，使用ContentHandler处理XHTML内容

*pdf, PdfBox;office, POI;html, tagsoup

内容处理器使用装饰者模式(Decorator)，被装饰者指派装饰者处理特定的xml事件，提高处理器的重用

重点分析一下主体内容处理器，BodyContentHandler

内容抓取主要关系主题内容，重点分析一下BodyContentHandler

BodyContentHandler 指派装饰者MatchingContentHandler处理sax事件，指派的sax事件类型由xpath匹配器，即Matcher确定

MatchingContentHandler 指派WriteOutContentHandler处理匹配matcher xpath的xml text，后者使用writer写入

！上面分析可知，如果文件文本量大的情况下，Writer是很关键的角色，如果使用内存缓存的实现，会出现内存溢出

Tika

Tika门面类(facade), 整合前面的组件，为用户提供开箱即用的tika

Paser库

tika提供覆盖广泛的分析器实现，从常见的html，text，到pdf，word，压缩类的，音视频类的，工业类的cad等

内容抓取组件

封装tika，分析返回metadata/content构建Document

索引组件文档模型设计

文档模型使用metadata+内容设计，metadata遵循最大化和最细化原则

最大化：支持通用的搜索，如文件名称，创建时间，创建者，内容

最细化：支持特点类型文档专有属性搜索

对应的索引schema定义，extras文档类型特有属性，定义为nested类型索引，content定义为Text类型索引

索引器设计

搜索引擎实现索引服务，索引模式(Index Schema)+属性getter

索引器整合抓取器和索引服务即可

集成分布式dataX文档分片遍历

接入分布式dataX，需要分片的策略，无重复无遗漏的遍历所有的文档

数据库分片

数据表的分片

b) 目录分支分片

节点分配一个分支(路径)，该策略简单，但容易出现分配倾斜

c) 文件名哈希

所有节点遍历整个文档目录，只处理分派给自身的hash分片，该策略分配比较均衡，需要完整统一的文件名hash实现，能处理不同语言，特殊字符的hash计算

Reader

Reader 抓取器-》Record

Writer

Writer elasticsearch写入组件，索引服务

增量模式

支持数据表(CDC)和文件目录变更监控，另外，文件变更无关联，可多线程并行处理

技术架构

下图分布式索引技术架构

client 负责写入任务组分片；触发 worker 执行；client 可集成到管理台；作业监管，检测作业完成，清理作业环境

watcher 作业统计，输出统计；按作业分片观测和聚合计算; watcher 可集成到管理台

worker 分配分片；任务(组)执行，任务组执行统计

架构质量

高并发 高可用 高吞吐 伸缩性 健壮性

高并发/高可用/高吞吐/伸缩性 分布式dataX提供保障

健壮性 运行实例宕机，切换节点运行(failover)，数据不丢失，少重复

分两个场景

数据库，文档在数据库记录

数据库分片即分页，分页合理大小，failover后整个分片重新处理；也可以使用可靠channel，failover后断点继续处理，但对存在大量大文件的情况，channel需缓存大量数据

2) 目录，文档没有数据库记录，直接读取目录

目前版本不考虑该场景

部署架构

参考技术架构，部署组件包括：

分布式调度平台，其包括zookeeper集群redis集群管理台，内含分布式调度平台管理api和client，其中client是dataX的Engine

除单点，管理台部署集群即可