Elasticsearch 通过Scroll遍历索引，构造pandas dataframe 【Python多进程实现】
Elasticsearch 通过Scroll遍历索引，构造pandas dataframe 【Python多进程实现】
首先，python 多线程不能充分利用多核CPU的计算资源（只能共用一个CPU），所以得用多进程。笔者从3.7亿数据的索引，取200多万的数据，从取数据到构造pandas dataframe总共大概用时14秒左右。每个分片用一个进程查询数据，最后拼接出完整的结果。
由于返回的json数据量较大，每次100多万到200多万，如何快速根据json构造pandas 的dataframe是个问题 — 笔者测试过read_json()、json_normalize()、DataFrame(eval(pandas_json))及DataFrame.from_dict()，from_dict()速度最快
转载请注明出处：https://www.cnblogs.com/NaughtyCat/p/how-to-get-all-results-from-es-by-scroll-python-version.html
- Elasticsearch scroll取数据— python版
源码如下：
def es_scroll(index, min_timestamp, max_timestamp, slice_no):
es = Elasticsearch('http://localhost:9200', timeout = 30, max_retries=10, retry_on_timeout=True)
page = es.search(
index = index,
doc_type = "tls_book",
scroll = '1m',
body={
"slice": {
"id": slice_no,
"max": SLICES
},
"_source": [
"SrcIP"
],
"sort": [
"_doc"
],
"query": {
"range" : {
"@timestamp" : {
"gte" : min_timestamp,
"lte" : max_timestamp,
"boost" : 2.0
}
}
}
},
version = False,
size = 10000)
sid = page['_scroll_id']
scroll_size = page['hits']['total']
# Start scrolling
df = pd.DataFrame()
appended_data = []
while (scroll_size > 0):
frame = pd.DataFrame.from_dict([document['_source'] for document in page["hits"]["hits"]])
appended_data.append(frame)
page = es.scroll(scroll_id = sid, scroll = '1m', request_timeout = 30)
# Update the scroll ID
sid = page['_scroll_id']
# Get the number of results that we returned in the last scroll
scroll_size = len(page['hits']['hits'])
if len(appended_data) > 0:
df = pd.concat(appended_data, ignore_index=True, sort = False)
del appended_data
gc.collect()
es.clear_scroll(body={'scroll_id': sid})
return df 注：
（1）通过 "_source" 关键字，指定要取的字段，可减少不必要的字段，提高查询速度
（2）官方文档指出，通过 "sort": "_doc" —即__按照_doc排序，可提高查询效率
（3）根据自己的环境，测试合理的 size ，效率会有数倍的差距。笔者环境（128G, 32核）一次取10000性能最好，网上大多测试，size取2000或者1000似乎较佳
（4）clear_scroll及时清理用完的scroll_id
（5）如果数据量较大，设置超时和重试次数（默认是10秒，否则超时会取不到数据），具体如下
timeout = 30, max_retries=10, retry_on_timeout=True（6）Sliced scroll
如果返回的数据量特别大，可通过slice让多个分片独自来处理请求，如下（id从0开始）：
"slice": {
"id": slice_no,
"max": SLICES
},参考： https://www.elastic.co/guide/en/elasticsearch/reference/5.1/search-request-scroll.html#sliced-scroll- python 多进程如何个函数传多个参数
python多进程或者多线程要向调用的函数传递多个参数，需要构造参数元组集合，代码如下（本示例每个进程不同的只有es的slice_id）：
def build_parameters(index, min_timestamp, max_timestamp):
parmeters =[]
for num in range(0, SLICES):
tuple_paremeter = (index, min_timestamp, max_timestamp, num)
parmeters.append(tuple_paremeter)
return parmeters- python多进程实例
示例使用进程池，及starmap 传递调用的函数及参数 （with相当于try, excepion, finallly的集合，会自动做资源的释放或关闭等）
with multiprocessing.Pool(processes = SLICES) as pool:
result = pool.starmap(es_scroll, parameters)然后，拼接返回的dataframe 集合即可构造一个完整的dataframe，如下：
frame = pd.concat(result, ignore_index=True, sort = False)*******************************************************************************************
精力有限，想法太多，专注做好一件事就行
- 我只是一个程序猿。5年内把代码写好，技术博客字字推敲，坚持零拷贝和原创
- 写博客的意义在于打磨文笔，训练逻辑条理性，加深对知识的系统性理解；如果恰好又对别人有点帮助，那真是一件令人开心的事
*******************************************************************************************