Apache Solr にGitHub のデータをインポートする方法

Jerod Johnson
Senior Technology Evangelist

CData JDBC Driver for GitHub をData Import Handler で使用して、GitHub のデータをApache Solr エンタープライズサーチプラットフォームに自動インポートできます。

Apache Solr は、Apache Lucene 上に構築された人気のある高速なオープンソースのエンタープライズサーチソリューションです。

Apache Solr には、データベースやXML、CSV、JSON ファイルからデータをインポートできるData Import Handler（DIH）が搭載されています。CData JDBC Driver for GitHub と組み合わせることで、GitHub のデータを簡単にApache Solr にインポートできます。この記事では、CData JDBC Driver をApache Solr のData Import Handler で使用し、エンタープライズサーチ用にGitHub のデータをインポートする方法をステップバイステップで解説します。

GitHub インポート用のApache Solr コアとスキーマを作成する

Apache Solr を起動し、コアを作成します。
```
> solr create -c CDataCore
```
この記事では、Solr はローカル環境でスタンドアロンインスタンスとして実行されており、次のURL でコアにアクセスできます：http://localhost:8983/solr/#/CDataCore/core-overview
インポートするGitHub のデータのカラムを表す「field」オブジェクトと、エンティティの一意キーで構成されるスキーマを作成します。GitHub にLastModifiedDate が存在する場合は、増分更新に使用されます。存在しない場合は、後述のdeltaquery を実行できません。スキーマはApache Solr が作成したmanaged-schema ファイルに保存します。

	GitHubUniqueKey

CData GitHub JDBC Driver をインストールします。JAR ファイルとライセンスファイル（cdata.github.jar とcdata.jdbc.github.lic）をSolr ディレクトリにコピーします。
- CData JDBC JAR ファイル：C:\Program Files\CData\CData JDBC Driver for GitHub ####\lib
- Apache Solr：solr-8.5.2\server\lib

これで、Solr でGitHub のデータを使用する準備が整いました。

GitHub からApache Solr へのインポートを定義する

このセクションでは、Data Import Handler の設定手順を説明します。

作成したコアのConfig ファイルを編集します。JAR ファイルの参照を追加し、DIH RequestHandler の定義を追加します。

	

	<lib dir="${solr.install.dir:../../../..}/dist/" regex="solr-dataimporthandler-.*\.jar" />

	<requestHandler name="/dataimport" class="org.apache.solr.handler.dataimport.DataImportHandler">
		<lst name="defaults">
			<str name="config">solr-data-config.xml</str>
		</lst>
	</requestHandler>

次に、同じ階層にsolr-data-config.xml を作成します。この記事ではGitHub からテーブルを取得しますが、カスタムSQL クエリを使用してデータをリクエストすることもできます。Driver クラスとサンプルJDBC 接続文字列は以下のサンプルコードにあります。

	
	<dataConfig>
		<dataSource driver="cdata.jdbc.github.GitHubDriver" url="jdbc:github:OAuthClientId=MyOAuthClientId;OAuthClientSecret=MyOAuthClientSecret;CallbackURL=http://localhost:portNumber;">
		</dataSource>
		<document>
			<entity name="Users"
				query="SELECT Id,GitHubColumn1,GitHubColumn2,GitHubColumn3,GitHubColumn4,GitHubColumn5,GitHubColumn6,GitHubColumn7,LastModifiedDate FROM Users"
				deltaQuery="SELECT Id FROM Users where LastModifiedDate >= '${dataimporter.last_index_time}'"
				deltaImportQuery="SELECT Id,GitHubColumn1,GitHubColumn2,GitHubColumn3,GitHubColumn4,GitHubColumn5,GitHubColumn6,GitHubColumn7,LastModifiedDate FROM Users where Id=${dataimporter.delta.Id}">
				<field column="Id" name="Id" ></field>
				<field column="GitHubColumn1" name="GitHubColumn1" ></field>
				<field column="GitHubColumn2" name="GitHubColumn2" ></field>
				<field column="GitHubColumn3" name="GitHubColumn3" ></field>
				<field column="GitHubColumn4" name="GitHubColumn4" ></field>
				<field column="GitHubColumn5" name="GitHubColumn5" ></field>
				<field column="GitHubColumn6" name="GitHubColumn6" ></field>
				<field column="GitHubColumn7" name="GitHubColumn7" ></field>
				<field column="LastModifiedDate" name="LastModifiedDate" ></field>
			</entity>
		</document>
	</dataConfig>

query セクションで、GitHub からデータを選択するSQL クエリを設定します。deltaQuery とdeltaImportquery は、同じエンティティの2回目以降のインポートで増分更新を使用する際のID と条件を定義します。
すべての設定が完了したら、Solr を再起動します。
```
	> solr stop -all
	> solr start
	
```

GitHub のデータのDataImport を実行する

以下のURL からDataImport を実行します：
http://localhost:8983/solr/#/CDataCore/dataimport//dataimport
「full-import」コマンドを選択し、Entity からテーブルを選択して、「Execute」をクリックします。
Query からインポート結果を確認します。
deltaQuery を使用した増分更新を試してみましょう。元のGitHub データセットのデータを変更します。DataImport ウィンドウから今度は「delta-import」コマンドを選択し、「Execute」をクリックします。
増分更新の結果を確認します。