Solr父子文档在文档检索中的实战应用

从需求到实现，解决文档级全文检索的五个关键问题

大家好，我是负责公司知识库搜索模块的后端开发。最近我们重构了文档检索功能，目标是让用户搜索“文档”本身，而不是零散的内容片段。今天就把这套基于 Solr 父子文档 + EDisMax 的方案拆开揉碎，分享给正在做类似需求的朋友。

一、业务场景：搜的是“文档”，不是“段落”

我们的文档库包含大量技术规程、作业指导书，每篇文档有标题、标签、目录结构，正文被切分为多个内容块（如章节、表格）。用户输入一段话，期望的是：

• 按文档维度返回列表：同一文档里命中 10 处，只算 1 个文档，不能重复刷屏；

• 全字段检索：标题、标签、目录标题、正文、表头、页脚，哪儿命中都行；

• 分页按文档数算：total 是文档总数，翻页在文档列表上翻；

• 中文长短语友好：“10kV 带电作业安全距离”这种长词，不能因为分词太碎而召回 0 条。

传统方案里，如果直接对内容块建索引，搜出来全是段落 ID，前端还得按文档聚合、手动分页，既麻烦又容易出错。所以我们重新设计了索引结构——Solr 父子文档。

二、整体架构：一条清晰的数据流水线

关系库 → 同步工具 → Solr（父子文档） → 查询接口 → 前端展示

• 数据源：MySQL，三张核心表：文档表、目录表、内容块表。

• 索引层：Solr 8.11，父文档存文档级信息，子文档存每个内容块。

• 同步层：Java 定时任务，将三张表 JOIN 后灌入 Solr。

• 查询层：接口接收关键词、分页参数，构造 {!parent which=...} 查询，强制返回父文档。

• 展示层：列表显示文档卡片，点击进入详情再高亮具体内容块。

这套流水线的核心，就是 “子文档命中，父文档现身”。

三、数据建模：父子文档怎么设计？

1. 数据库表（简化版）

• doc_documents：文档 ID、标题、标签、浏览/下载数……

• doc_outline_nodes：目录节点 ID、所属文档、父节点、标题、层级、页码。

• doc_content_blocks：内容块 ID、所属文档、关联目录、正文、表头/页脚、页码、排序。

一个文档 → 多个目录节点 → 多个内容块，典型的一对多。

2. Solr 父子文档字段设计

父文档（文档维度）

• 常规字段：title（中文分词）、image（不分词）、各类计数（plongs/pint）

• 标签字段：tag_comprehensive、tag_technical、tag_business（中文分词）

• 目录聚合字段：多值字段，如 outline_title、outline_level，把目录标题全部塞进来，方便直接命中目录关键词

• 全局检索字段：search_all，通过 copyField 汇集 title + outline_title + content_text（可选），简化跨字段查询

子文档（内容块维度）

• parent_id：指向父文档 ID（关键关联）

• content_text：正文（中文分词，权重最高）

• header_list / footer_list：表格标题（中文分词，权重次之）

• page_number、sort_order：用于排序和高亮定位

为什么把目录信息也冗余到父文档？
因为用户搜目录标题时，我们希望直接由父文档命中，不需要走子文档再折返。这是提升性能的小技巧。

四、索引同步：如何把关系数据变成父子文档？

同步步骤并不复杂，核心是 聚合 + 分批次。

// 伪代码示意
List<D