干货Elasticsearch趋势科技实战分享笔记

干货Elasticsearch趋势科技实战分享笔记

少啰嗦，直接看东西。

1、Elasticsearch 索引的设计

1.1 单一索引还是基于时间的索引？

单一索引的问题：

1）不能更新Mapping。

比如：主分片数不可以修改（除非reindex）。

2）无法灵活、快速地扩展。

3）更适合固定、小型数据集。

基于时间的索引面临的问题：

1）如何确定间隔？

• 数据量

• 变更频率

• 默认尝试每周为单位分割——建议

2）如何实施？

• 索引模板

1.2 定义索引注意事项

举例：

{

'facet_internet_access_minute':{

'template':'ce-index-access-v1-*',

'order':0,

'settings':{

'number_of_shards':5

},

'aliases':{

'{index}-query':{

}

},

'mappings':{

'es_doc':{

'dynamic':'strict',

'_all':{

'enabled':false

},

'_source':{

'enabled':false

},

'properties':{

'CLF_Timestamp':{

'type':'long'

},

'CLF_CustomerID':{

'type':'keyword'

},

'CLF_ClientIP':{

'type':'ip',

'ignore_malformed':true

}

}

}

}

}

}

注意1：不要在一个索引中定义多个type。

6.X版本已经不支持，7.X版本彻底不支持。

扩展问题：5.X版本的父子文档实际实现中是一个索引中定义了多个type，到了6.X中实现方式改变为：join方式。

注意2：将Set _source设置为false。

假设你只关心度量结果，不是原始文件内容。

将节省磁盘空间并减少IO。

这个点，需要结合实际的业务场景具体问题具体分析。

举例：

'_source':{

'enabled':false

},

注意3：将_all设置为false。

假设你确切地知道你对哪个field做查询操作？

能实现性能提升，缩减存储。

举例：

'_all':{

'enabled':false },

注意4：设置dynamic = strict。

假设你的数据是结构化数据。

字段设置严格，避免脏数据注入。

举例：

'dynamic':'strict',

注意5：使用keyword类型

假设你只关心完全匹配

提高性能和缩小磁盘存储空间

举例：

'CLF_CustomerID':{

'type':'keyword'

},

注意6：使用别名

如何在不停机的前提从一个索引切换到另一个索引？

举例：

'aliases':{

'{index}-query':{

}

或者你通过head插件创建。

2、Elasticsearch分片分配原则

社区和QQ群中经常被问到的问题：

1）应该分几个索引、几个分片？

2）每个分片大小如何设置？

3）副本多少如何设置？

这里，明确给出实操可行的6个步骤。

步骤1：定义索引

思考索引中要大致有哪些字段？

最好能列一个Excel表统计一下，包含但不限于：

序号、名称、类型、作用、备注。

以上对计算单条数据大小也有用。

步骤2：评估数据量

评估方法举例：

1分钟有100条数据，1天=1006024=144000条。

1月=144000条30天=432W条数据。 1年=432W12=5184W条数据。

假设要保存2年，共=10368W条数据。

假设每条数据20KB，共需要存储：10368W*20/1024/1024/1024=1.977TB。

步骤3：评估索引大小和磁盘空间

步骤4：计算分片数

细节考虑点：

1、每个分片大小应小于30GB。

2、分片数量= k *数据节点数目（k = 一个足够小的整数，举例：1,2,3）

3、假设你有一个小的索引，并且你有集群中有足够的节点，请尝试使用默认值分片数5。

步骤5：评估索引数和类型

（此处可能会有多次反馈迭代）

3、数据去重的思考？

方法1：指定唯一id

缺点：

1、唯一值无法压缩，不利于存储。

2、存在高基数问题。

方法2：用聚合方法实现

步骤1：所有文档加一个Hash值；

步骤2：检查重复；

GET *_index/_search {

'size':0,

'aggs':{

'duplicate':{

'terms':{

'field':'hash',

'min_doc_count':2,

'size':5000

},

'aggs':{

'documents':{

'top_hits':{

'size':2

}

}

}

}

} }

步骤3：批量删除步骤2中的重复id。

以上步骤，不影响写入，可以实现异步。

缺点：

1. 存储量大（尤其超过3亿条 ）；

2. 随着数据量增加，聚合受影响，越来越慢。

3. 存在高基数问题。

方法3：用distinct query实现

深入方法待进一步探讨。

4、小结

以上内容是Elasticsearch南京分享会20180630上的分享核心笔记。具体PPT地址：/slides/115

很受用的分析步骤和实战经验，实战中都可以用得上。

出处https://mp.weixin.qq.com/s/YocdEQ3cVcPoXRc4tUOxOA

：