【ES三周年】ElasticSearch 简要技术总结与Spark结合使用实践

原创

大鹅

发布于 2023-02-14 16:03:23

1.6K0

发布于 2023-02-14 16:03:23

文章被收录于专栏：大鹅专栏：大数据到机器学习大鹅专栏：大数据到机器学习

ElasticSearch 简要技术总结

1. 总览

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。它是一个实时的分布式搜索和分析引擎。它可以帮助你用几秒钟内搜索百万级别的数据。

ES是高度可伸缩的开源全文搜索和分析引擎。它可以实时地存储、搜索和分析大容量的数据。通常用作底层引擎/技术力量有复杂的搜索功能和需求的应用程序。

这是一些典型的应用场景：

在线网上商店允许客户搜索销售的产品。在这种情况下，可以使用ElasticSearch存储整个产品目录和库存，并为它们提供搜索和自动填充建议。
希望收集日志或交易数据，并且希望分析和挖掘此数据以查找趋势，统计信息，摘要或异常。在这种情况下，可以使用Logstash（Elasticsearch / Logstash / Kibana堆栈的一部分）来收集，聚合和解析数据，然后让Logstash将此数据提供给Elasticsearch。一旦数据在ElasticSearch中，就可以运行搜索和聚合来挖掘您感兴趣的任何信息。
运行价格警报平台，允许精通价格的客户指定一条规则，例如“我有兴趣购买特定的电子产品，如果小工具的价格在下个月内从任何供应商降至X美元以下，我希望收到通知” 。在这种情况下，可以刮取供应商价格，将其推入ElasticSearch并使用其反向搜索（Percolator）功能来匹配价格变动与客户查询，并最终在发现匹配后将警报推送给客户。
有分析/业务智能需求，并希望快速调查，分析，可视化并询问有关大量数据的特定问题（数百万或数十亿条记录）。在这种情况下，可以使用ElasticSearch存储数据，然后使用Kibana（Elasticsearch / Logstash / Kibana堆栈的一部分）构建自定义仪表板，以便可视化重要的数据。此外，可以使用ElasticSearch聚合功能对数据执行复杂的商业智能查询。

2. 基本概念

2.1 Node 与 Cluster

Elastic 本质上是一个分布式数据库，允许多台服务器协同工作，每台服务器可以运行多个 Elastic 实例。

单个 Elastic 实例称为一个节点（node）。一组节点构成一个集群（cluster）。

2.2 Index

Elastic 会索引所有字段，经过处理后写入一个反向索引（Inverted Index）。查找数据的时候，直接查找该索引。

所以，Elastic 数据管理的顶层单位就叫做 Index（索引）。它是单个数据库的同义词。每个 Index （即数据库）的名字必须是小写。

下面的命令可以查看当前节点的所有 Index。

 $ curl -X GET 'http://localhost:9200/_cat/indices?v'

事实上，我们的数据被存储和索引在分片(shards)中，索引只是一个把一个或多个分片分组在一起的逻辑空间。然而，这只是一些内部细节——我们的程序完全不用关心分片。对于我们的程序而言，文档存储在索引(index)中。剩下的细节由Elasticsearch关心既可。

2.3 Document

Index 里面单条的记录称为 Document（文档）。许多条 Document 构成了一个 Index。

Document 使用 JSON 格式表示，下面是一个例子。

 {
   "user": "张三",
   "title": "工程师",
   "desc": "数据库管理"
 }

同一个 Index 里面的 Document，不要求有相同的结构（scheme），但是最好保持相同，这样有利于提高搜索效率。

通常，我们可以认为对象(object)和文档(document)是等价相通的。不过，他们还是有所差别：对象(Object)是一个JSON结构体——类似于哈希、hashmap、字典或者关联数组；对象(Object)中还可能包含其他对象(Object)。在Elasticsearch中，文档(document)这个术语有着特殊含义。它特指最顶层结构或者根对象(root object)序列化成的JSON数据（以唯一ID标识并存储于Elasticsearch中）。

2.4 Type(将在ES6.0移除)

Document 可以分组，比如weather这个 Index 里面，可以按城市分组（北京和上海），也可以按气候分组（晴天和雨天）。这种分组就叫做 Type，它是虚拟的逻辑分组，用来过滤 Document。

不同的 Type 应该有相似的结构（schema），举例来说，id字段不能在这个组是字符串，在另一个组是数值。这是与关系型数据库的表的一个区别。性质完全不同的数据（比如products和logs）应该存成两个 Index，而不是一个 Index 里面的两个 Type（虽然可以做到）。

下面的命令可以列出每个 Index 所包含的 Type。

 $ curl 'localhost:9200/_mapping?pretty=true'

在应用中，我们使用对象表示一些“事物”，例如一个用户、一篇博客、一个评论，或者一封邮件。每个对象都属于一个类(class)，这个类定义了属性或与对象关联的数据。user类的对象可能包含姓名、性别、年龄和Email地址。
在关系型数据库中，我们经常将相同类的对象存储在一个表里，因为它们有着相同的结构。同理，在Elasticsearch中，我们使用相同类型(type)的文档表示相同的“事物”，因为他们的数据结构也是相同的。
每个类型(type)都有自己的映射(mapping)或者结构定义，就像传统数据库表中的列一样。所有类型下的文档被存储在同一个索引下，但是类型的映射(mapping)会告诉Elasticsearch不同的文档如何被索引。

3. 数据操作

3.1 新增记录

向指定的 /Index/Type 发送 PUT 请求，就可以在 Index 里面新增一条记录。比如，向/accounts/person发送请求，就可以新增一条人员记录。

 $ curl -X PUT 'localhost:9200/accounts/person/1' -d '
 {
   "user": "张三",
   "title": "工程师",
   "desc": "数据库管理"
 }'

服务器返回的 JSON 对象，会给出 Index、Type、Id、Version 等信息。

 {
   "_index":"accounts",
   "_type":"person",
   "_id":"1",
   "_version":1,
   "result":"created",
   "_shards":{"total":2,"successful":1,"failed":0},
   "created":true
 }

如果你仔细看，会发现请求路径是/accounts/person/1，最后的1是该条记录的 Id。它不一定是数字，任意字符串（比如abc）都可以。

新增记录的时候，也可以不指定 Id，这时要改成 POST 请求。

 $ curl -X POST 'localhost:9200/accounts/person' -d '
 {
   "user": "李四",
   "title": "工程师",
   "desc": "系统管理"
 }'

上面代码中，向/accounts/person发出一个 POST 请求，添加一个记录。这时，服务器返回的 JSON 对象里面，_id字段就是一个随机字符串。

 {
  "_index":"accounts",
   "_type":"person",
   "_id":"AV3qGfrC6jMbsbXb6k1p",
   "_version":1,
   "result":"created",
   "_shards":{"total":2,"successful":1,"failed":0},
   "created":true
 }

如果没有先创建 Index（这个例子是accounts），直接执行上面的命令，Elastic 也不会报错，而是直接生成指定的 Index

3.2 查看记录

向/Index/Type/Id发出 GET 请求，就可以查看这条记录。

 $ curl 'localhost:9200/accounts/person/1?pretty=true'

上面代码请求查看/accounts/person/1这条记录，URL 的参数pretty=true表示以易读的格式返回。

返回的数据中，found字段表示查询成功，_source字段返回原始记录。

 {
   "_index" : "accounts",
   "_type" : "person",
   "_id" : "1",
   "_version" : 1,
   "found" : true,
   "_source" : {
     "user" : "张三",
     "title" : "工程师",
     "desc" : "数据库管理"
   }
 }

如果 Id 不正确，就查不到数据，found字段就是false。

 $ curl 'localhost:9200/weather/beijing/abc?pretty=true'
 {
   "_index" : "accounts",
   "_type" : "person",
   "_id" : "abc",
   "found" : false
 }

3.3 删除记录

删除记录就是发出 DELETE 请求

 $ curl -X DELETE 'localhost:9200/accounts/person/1'

3.4 更新记录

更新记录就是使用 PUT 请求，重新发送一次数据

 $ curl -X PUT 'localhost:9200/accounts/person/1' -d '
 {
     "user" : "张三",
     "title" : "工程师",
     "desc" : "数据库管理，软件开发"
 }' 
 
 {
   "_index":"accounts",
   "_type":"person",
   "_id":"1",
   "_version":2,
   "result":"updated",
   "_shards":{"total":2,"successful":1,"failed":0},
   "created":false
 }

上面代码中，我们将原始数据从"数据库管理"改成"数据库管理，软件开发"。返回结果里面，有几个字段发生了变化

可以看到，记录的 Id 没变，但是版本（version）从1变成2，操作类型（result）从created变成updated，created字段变成false，因为这次不是新建记录

Elasticsearch是一个分布式系统。当documents被创建、更新或者删除，其新版本会被复制到集群的其它节点。Elasticsearch既是异步的(asynchronous )也是同步的(concurrent)，其含义是复制请求都是并行发送的，但是到达目的地的顺序是无序的。Elasticsearch系统需要一种方法使得老版本的文档永远都无法覆盖新的版本。
每当文档被改变的时候，文档中的_version将会被增加（+1）。Elasticsearch使用_version确保所有的修改都会按照正确的顺序执行。如果文档旧的版本在新的版本之后到达，它会被简单的忽略。

4. 数据查询

4.1 返回所有记录

使用 GET 方法，直接请求/Index/Type/_search，就会返回所有记录。

 
 $ curl 'localhost:9200/accounts/person/_search'
 
 {
   "took":2,
   "timed_out":false,
   "_shards":{"total":5,"successful":5,"failed":0},
   "hits":{
     "total":2,
     "max_score":1.0,
     "hits":[
       {
         "_index":"accounts",
         "_type":"person",
         "_id":"AV3qGfrC6jMbsbXb6k1p",
         "_score":1.0,
         "_source": {
           "user": "李四",
           "title": "工程师",
           "desc": "系统管理"
         }
       },
       {
         "_index":"accounts",
         "_type":"person",
         "_id":"1",
         "_score":1.0,
         "_source": {
           "user" : "张三",
           "title" : "工程师",
           "desc" : "数据库管理，软件开发"
         }
       }
     ]
   }
 }

上面代码中，返回结果的 took字段表示该操作的耗时（单位为毫秒），timed_out字段表示是否超时，hits字段表示命中的记录，里面子字段的含义如下。

total：返回记录数，本例是2条。
max_score：最高的匹配程度，本例是1.0。
hits：返回的记录组成的数组。

返回的记录中，每条记录都有一个_score字段，表示匹配的程序，默认是按照这个字段降序排列。

4.2 全文搜索

Elastic 的查询非常特别，使用自己的查询语法，要求 GET 请求带有数据体

 
 $ curl 'localhost:9200/accounts/person/_search'  -d '
 {
   "query" : { "match" : { "desc" : "软件" }}
 }'

上面代码使用 Match 查询，指定的匹配条件是desc字段里面包含"软件"这个词，返回结果如下

 
 {
   "took":3,
   "timed_out":false,
   "_shards":{"total":5,"successful":5,"failed":0},
   "hits":{
     "total":1,
     "max_score":0.28582606,
     "hits":[
       {
         "_index":"accounts",
         "_type":"person",
         "_id":"1",
         "_score":0.28582606,
         "_source": {
           "user" : "张三",
           "title" : "工程师",
           "desc" : "数据库管理，软件开发"
         }
       }
     ]
   }
 }

Elastic 默认一次返回10条结果，可以通过size字段改变这个设置。

 
 $ curl 'localhost:9200/accounts/person/_search'  -d '
 {
   "query" : { "match" : { "desc" : "管理" }},
   "size": 1
 }'

上面代码指定，每次只返回一条结果。

还可以通过from字段，指定位移。

 
 $ curl 'localhost:9200/accounts/person/_search'  -d '
 {
   "query" : { "match" : { "desc" : "管理" }},
   "from": 1,
   "size": 1
 }'

上面代码指定，从位置1开始（默认是从位置0开始），只返回一条结果。

4.3 逻辑运算

如果有多个搜索关键字， Elastic 认为它们是or关系

 
 $ curl 'localhost:9200/accounts/person/_search'  -d '
 {
   "query" : { "match" : { "desc" : "软件 系统" }}
 }'

上面代码搜索的是软件 or 系统。

如果要执行多个关键词的and搜索，必须使用布尔查询。

 
 $ curl 'localhost:9200/accounts/person/_search'  -d '
 {
   "query": {
     "bool": {
       "must": [
         { "match": { "desc": "软件" } },
         { "match": { "desc": "系统" } }
       ]
     }
   }
 }'

5. ES与Spark整合

5.1 Maven配置

引入对应依赖

<dependency>
  <groupId>org.elasticsearch</groupId>
  <artifactId>elasticsearch-spark-13_2.10</artifactId>
  <version>5.0.1</version>
</dependency>

5.2 写入Map对象

// 1
import org.apache.spark.api.java.JavaSparkContext;                              
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.SparkConf;
// 2
import org.elasticsearch.spark.rdd.api.java.JavaEsSpark;                        
...
// 3
SparkConf conf = ...
JavaSparkContext jsc = new JavaSparkContext(conf);                              
// 4
Map<String, ?> numbers = ImmutableMap.of("one", 1, "two", 2);                   
Map<String, ?> airports = ImmutableMap.of("OTP", "Otopeni", "SFO", "San Fran");
// 5
JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));
// 6
JavaEsSpark.saveToEs(javaRDD, "spark/docs");

下面是代码解释：

步骤	具体含义
1	Spark imports
2	elasticsearch-hadoop imports
3	运行Spark
4	使用了Guava`Immutable`* 方法简化 `Map`, `List` 的创建
5	创建 RDD
6	保存到ES中，Index为`spark/docs`

5.3 写入JSON对象

我们可以直接将Json字符串写入到ElasticSearch中，如下：

String json1 = "{\"reason\" : \"business\",\"airport\" : \"SFO\"}";  
String json2 = "{\"participants\" : 5,\"airport\" : \"OTP\"}";

JavaSparkContext jsc = ...
JavaRDD<String> stringRDD = jsc.parallelize(ImmutableList.of(json1, json2));
JavaEsSpark.saveJsonToEs(stringRDD, "spark/json-trips");

5.4 Spark Streaming 写入数据

Java有一个专用的类，它提供与EsSparkStreaming类似的功能，即包org.elasticsearch.spark.streaming.api.java中的JavaEsSparkStreaming（类似于Spark的Java API的包）：

import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.SparkConf;                                              
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import org.apache.spark.streaming.api.java.JavaDStream;

import org.elasticsearch.spark.streaming.api.java.JavaEsSparkStreaming;         
...

SparkConf conf = ...
JavaSparkContext jsc = new JavaSparkContext(conf);                              
JavaStreamingContext jssc = new JavaSparkStreamingContext(jsc, Seconds.apply(1));

Map<String, ?> numbers = ImmutableMap.of("one", 1, "two", 2);                   
Map<String, ?> airports = ImmutableMap.of("OTP", "Otopeni", "SFO", "San Fran");

JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));
Queue<JavaRDD<Map<String, ?>>> microbatches = new LinkedList<>();
microbatches.add(javaRDD);                                                      
JavaDStream<Map<String, ?>> javaDStream = jssc.queueStream(microbatches);

JavaEsSparkStreaming.saveToEs(javaDStream, "spark/docs");                       

jssc.start()

5.5 读取数据

Java有一个专用的JavaPairRDD，返回的Tuple2值（或第二个元素）将文档作为java.util集合返回。

import org.apache.spark.api.java.JavaSparkContext;               
import org.elasticsearch.spark.rdd.api.java.JavaEsSpark;             
...

SparkConf conf = ...
JavaSparkContext jsc = new JavaSparkContext(conf);               

JavaPairRDD<String, Map<String, Object>> esRDD =
                        JavaEsSpark.esRDD(jsc, "radio/artists");