查看原文
其他

干货 | Elasticsearch 趋势科技实战分享笔记

铭毅天下 铭毅天下 2019-04-16

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:https://elasticsearch.cn/slides/115
很受用的分析步骤和实战经验,实战中都可以用得上。

加入知识星球,更短时间更快习得更多干货!

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存