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。

原文发布于微信公众号 - 铭毅天下(gh_0475cf887cf7)

原文发表时间:2018-07-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏LET

Web Workers实践

1504

控制MongoDB中的集合分布

分片标记(Shard tagging)是MongoDB 2.2.0版中的一项新功能。通过对集合进行标记使其被强制写入到本地数据中心,也可以用来将某个集合固定到一...

1866
来自专栏IT大咖说

饿了么资深Android工程师带你领略Kotlin协程的力量

内容来源:2018 年 6 月 28 日,饿了么资深Android工程师张涛在“droidcon上海2018安卓技术大会”进行《领略kotlin协程的力量》演讲...

1214
来自专栏MongoDB中文社区

MongoDB 新功能介绍-Change Streams

MongoDB 3.6已经GA有一段时间,网络上对于该版本新特性的详细介绍文章比较少为此借机会对部分新特性做一个相对详细的介绍。基于早期MongoDB版本实现如...

1352
来自专栏胡杰雄的专栏

编写可维护代码之“中间件模式”

当我们在编写业务代码时候,我们无法避免有些业务逻辑复杂而导致业务代码写得又长又乱,如果再加上时间紧凑情况下写出来的代码估计会更让人抓狂。以至于我们一直在寻求更好...

1K0
来自专栏熊二哥

快速入门系列--WCF--04元数据和异常处理

本章节将进行元数据和异常处理的介绍,这部分内容概念型比较强,可以快速浏览一下就好。 ? 客户端和服务器借助于终结点进行通信,服务的提供者通过一个或者多个终结点...

1788
来自专栏青枫的专栏

如何判断一个程序是否会有线程安全问题?

811
来自专栏aCloudDeveloper

Linux探秘之I/O效率

一、文章来由   最近看了《UNIX环境高级编程》,对以前比较模糊的一些知识结构又做了进一步的加强,特别是前两章讲到不带缓冲的文件I/O和带缓冲的标准I/O,对...

2047
来自专栏java一日一条

java分布式系统开关功能设计(服务升降级)

首先讲一下开关的由来,例如东京在6月18日做店庆促销活动,在交易下单环节,可能需要调用A、B、C三个接口来完成,但是其实A和B是必须的,C只是附加的功能(例如在...

1093
来自专栏SeanCheney的专栏

《Python分布式计算》 第3章 Python的并行计算 (Distributed Computing with Python)多线程多进程多进程队列一些思考总结

我们在前两章提到了线程、进程,还有并发编程。我们在很高的层次,用抽象的名词,讲了如何组织代码,已让其部分并发运行,在多个CPU上或在多台机器上。 本章中,我们会...

4396

扫码关注云+社区