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: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。
文章转载自公众号:铭毅天下Elasticsearch