Elasticsearch：从写入原理谈写入优化

1、线上实战问题

问题 1：想要请问一下，我这边需求是每分钟利用 sparksteaming 插入按天的索引150万条数据。一般情况下还好，索引7个分片，1副本，但是偶尔会出现延迟很高的情况。比如：一般情况下1分钟插入150万能正常插入，可能突然就出现了需要5分钟才能插入成功，然后又正常了。很头疼。

请问这种情况我需要怎么去查看一下是否正常。我已经把副本设置成了0，还把批量插入的参数从 5000 设置成 2 万。我节点是 12 个 16g 的，但是好像还是没有改观。

 

问题 2：由于使用了多个分词器的原因造成数据写入慢，请问有什么优化的方法吗？

 

问题 3：求问：现在日志 收集链路 kafka-logstash-es，压力测试 logstash输出70M/s，而 Elasticsearch 索引写入一半不到。这边的性能损失可能是什么原因呢？需要怎么调优呢？

 

类似问题还有很多、很多......

 

2、问题分析

以上三个问题各有各自特点，但基本都是基于不同的数据源向 Elasticsearch 写入过程中遇到的问题。

 

可以简单归结为：Elasticsearch 写入问题或者写入优化问题。Elasticsearch 写入问题涉及写入流程、写入原理及优化策略。

 

本文针对如上几点展开讨论。

 

3、基于单文档/批量文档写入流程谈写入优化

单个文档写入对应 Index 请求，批量写入对应 Bulk 请求，Index 和 Bulk 是相同的处理逻辑，请求统一封装到 BulkRequest中。

流程拆解如下：

 

第一：客户端向 Node 1 发送写数据请求。

 

注意，此时Node1 便充当协调节点（cooridiniate）的角色。

 

第二：节点Node1 使用文档的 _id 确定文档属于分片 0 。请求会被转发到 Node 3，因为分片 0 的主分片目前被分配在 Node 3 上。

 

使用文档的 _id 确定文档所属分片的方法是：路由算法。

 

路由算法计算公式：

 •  routing：文档 _id。
 •  number_of_primary_shards: 主分片个数。
 •  shard: 文档 _id 所属分片号。

第三：Node 3 在主分片上面执行写入操作。如果写入成功了，它将请求并行转发到 Node 1 和 Node 2 的副本分片上。一旦所有的副本分片都报告成功, Node 3 将向协调节点报告写入成功，协调节点向客户端报告写入成功。

 

如上流程拆解后的注意点：

 

 •  写操作必须在主分片执行成功后，才能复制到相关的副本分片。
 •  主分片写入失败，则整个请求被认为是写失败。
 •  如果有部分副本写失败（前提：主分片写入成功），则整个请求被认为是写成功。

如果设置了副本，数据会先写入主分片，主分片再同步到副本分片，同步操作会加重磁盘 IO，间接影响写入性能。

 

基于以上分析，既然主分片的写入起到写入成败的决定性作用。那么写入前将：副本分片写入前置为0，待写入完成后复原副本，是不是就能提升写入性能了呢？

 

是的！

 

 

文档的_id 的生成有两种方式，

 

 •  第一：系统自动生成id。

 •  第二：外部控制自增id。

但，如果使用外部 id，Elasticsearch 会先尝试读取原来文档的版本号，以判断是否需要更新。

 

也就是说，使用外部控制 id 比系统自动生成id要多一次读取磁盘操作。

 

所以，非特殊场景推荐使用系统自动生成的 id。

 

4、基于 Elasticsearch 写入原理谈写入优化

Elasticsearch 中的 1 个索引由一个或多个分片组成，每个分片包含多个segment（段），每一个段都是一个倒排索引。如下图所示：

在 lucene 中，为了实现高索引速度，使用了segment 分段架构存储。一批写入数据保存在一个段中，其中每个段最终落地为磁盘中的单个文件。

 

将文档插入 Elasticsearch 时，它们会被写入缓冲区中，然后在刷新时定期从该缓冲区刷新到段中。刷新频率由 refresh_interval 参数控制，默认每1秒刷新一次。

 

也就是说，新插入的文档在刷新到段（内存中）之前，是不能被搜索到的。如下图所示：

刷新的本质是：写入数据由内存 buffer 写入到内存段中，以保证搜索可见。

 

来看个例子，加深对 refresh_inteval 的理解，注释部分就是解读。

如下设置后，写入后 60s 后才可见。

关于是否需要实时刷新：

 

 •  如果新插入的数据需要近乎实时的搜索功能，则需要频繁刷新。

 •  如果对最新数据的检索响应没有实时性要求，则应增加刷新间隔，以提高数据写入的效率。

所以，自然我们想到的优化是：调整刷新频率。

 

调整方法如下：

 

方法1：写入前刷新频率设置为 -1，写入后设置为业务实际需要值（比如：30s）。

方法2：直接设置为业务实际需要值（比如：30s）

堆内存中 index_buffer 用于存储新索引的文档。

 

填满后，缓冲区中的文档将最终写入磁盘上的某个段。

 

index_buffer_size 默认值如下所示，为堆内存的 10%。

 

 

例如，如果给 JVM 31GB的内存，它将为索引缓冲区提供 3.1 GB的内存，一般情况下足以容纳大量数据的写入操作。

 

但，如果着实数据量非常大，建议调大该默认值。比如：调整为堆内存的 20%。

 

调整建议：必须在集群中的每个数据节点上进行配置。

 

缓存区越大，意味着能缓存数据量越大，相同时间段内，写盘频次低、磁盘 IO 小，间接提升写入性能。

 

这其实算不上写入优化建议，而是通用集群配置的常规配置。

 

内存分配设置堆内存比例官方建议：机器内存大小一半，但不超过 32 GB。

 

一般设置建议：

 

 •  如果内存大小 >= 64 GB，堆内存设置：31 GB。

 •  如果内存大小 < 64 GB，堆内存设置：内存大小一半。

堆内存之外的内存留给：Lucene 使用。

 

推荐阅读：干货 | 吃透Elasticsearch 堆内存

 

批量写入自然会比单个写入性能要好（批量写入意味着相同时间产生的段会大，段的总个数自然会少），但批量值的设置一般需要慎重，不要盲目一下搞的很大。

 

一般建议：递增步长测试，直到达到资源使用上限。

 

比如：第一次批量值设置：100，第二次：200，第三次：400，以此类推......

 

批量值 bulk 已经 ok 了，但集群尚有富余资源，资源利用并没有饱和怎么办？

 

上多线程，通过并发提升写入性能。

 

这点，在 logstash 同步数据到 Elasticsearch，基于spark、kafka、Flink 批量写入 Elasticsearch时，经常会出现：Bulk Rejections 的报错。

 

当批量请求到达集群中的某个节点时，整个请求将被放入批量队列中，并由批量线程池中的线程进行处理。批量线程池处理来自队列的请求，并将文档转发到副本分片，作为此处理的一部分。子请求完成后，将响应发送到协调节点。

 

Elasticsearch 具有有限大小的请求队列的原因是：为了防止集群过载，从而增加了稳定性和可靠性。

 

如果没有任何限制，客户端可以很容易地通过恶意攻击行为将整个集群搞宕机。

 

这里就引申出下面的优化点。

关于线程池和队列，参考：Elasticsearch 线程池和队列问题，请先看这一篇。

 

核心建议就是：结合 CPU 核数和 esrally 的测试结果谨慎的调整 write 线程池和队列大小。

 

为什么要谨慎设置？

 

针对批量写入拒绝（reject）的场景，官方建议：

 

增加队列的大小不太可能改善集群的索引性能或吞吐量。相反，这只会使集群在内存中排队更多数据，这很可能导致批量请求需要更长的时间才能完成。

 

队列中的批量请求越多，将消耗更多的宝贵堆空间。如果堆上的压力太大，则可能导致许多其他性能问题，甚至导致集群不稳定。

 

推荐阅读：

 

https://www.elastic.co/cn/blog/why-am-i-seeing-bulk-rejections-in-my-elasticsearch-cluster

 

5、其他写入优化建议

实战业务场景中不推荐使用默认 dynamic Mapping，一定要手动设置 Mapping。

 

 •  举例1：默认字符串类型是：text 和 keyword 的组合类型，就不见得适用所有业务场景。要结合自己业务场景设置，正文 cont 文本内容一般不需要设置 keyword 类型（因为：不需要排序和聚合操作）。

 

 •  举例2：互联网采集数据存储场景，正文需要全文检索，但包含 html 样式的文本一般留给前端展示用，不需要索引。这时候Mapping 设置阶段要果断将 index 设置为 false。

分词器决定分词的粒度，常见的中文分词 IK 可细分为：

 

 •  粗粒度分词：ik_smart。

 •  细粒度分词：ik_max_word。

从存储角度基于 ik_max_word 分词的索引会比基于 ik_smart 分词的索引占据空间大。

 

而更细粒度自定义分词 ngram 会占用大量资源，并且可能减慢索引速度并显着增加索引大小。

 

所以要结合检索指标（召回率和精准率）、结合写入场景斟酌选型。

 

SSD 很贵，但很香。

 

尤其针对写入密集型场景，如果其他优化点都考虑了，这可能是你最后一根“救命稻草“。

 

这也是经常被问到的问题，集群规模小的时候，一般节点会混合多种角色，如：主节点 + 数据节点、数据节点 + 协调节点混合部署。

 

但，集群规模大了之后，硬件资源相对丰富后，强烈建立：独立主节点、独立协调节点。

 

让各个角色的节点各尽其责，对写入、检索性能都会有帮助。

 

推荐使用官方 Elasticsearch API，因为官方在连接池和保持连接状态方面有优化。

 

高版本 JAVA API 推荐：官方的High-level-Rest API。

待补充......

 

6、写入过程中做好监控

如下是 kibana 监控截图，其中：index Rate 就是写入速率。

 

 •  index rate: 每秒写入的文档数。
 •  search rate：每秒的查询次数（分片级别，非请求级别），也就意味着一次查询请求命中的分片数越多，值越大。

 

7、小结
 

Elasticsearch 写入优化没有普适的最优优化建议，只有适合自己业务场景的反复试验、调优，形成属于自己业务场景的最佳实践。

你的业务场景做过哪些写入优化？欢迎留言讨论交流。