elasticsearch 教程(elasticsearch配置优化详解)

本文展示了一个Elasticsearch预处理技巧的实例分析，简洁易懂，绝对能让你大放异彩。希望通过这篇文章的详细介绍，你能有所收获。

00-101010

1、上问题

es可以根据_id字符串进行分段和聚合。例如，数据1，_id=C12345数据2，_id=C12456数据3和_id=C31268。

根据es汇总统计，有两个数字以C1开头，一个数据以C3开头。

这个API怎么写，在老大哥的指导下？

00-1010，插入的时候，能不能把原始数据转换到一定程度，然后索引？

{

标题’ :{

用户信息’ :[

{\ ‘密码’ : \ ‘ test \ ‘，\n ‘用户名’ : \ ‘ zy \ ‘ } ‘

]

}

}

里面已经有一个字符串了。你能在数据插入阶段把这个json转换成一个对象吗？

1.1 线上实战问题 1——字符串切分

我想给列表的每个值添加一个字符：

例如，像{‘tag’:[‘a ‘，’ b ‘，’ c’]这样的文档}我希望像{‘tag’:[‘a2 ‘，’ b2 ‘，’ c2′]}，

你试过把foreach和script一起使用吗？

00-1010「问题 1」:分析环节需要聚合统计，当然也可以用无痛脚本实现，但由于数据量大，势必会出现性能问题。

您可以将数据处理放在前面，提取first _id字符，并将它们视为一个字段。

「问题 2」:在写作时，我希望进行字符类型转换，并将复杂的字符串转换为格式化的对象数据。

「问题 3」:所有阵列类型数据都定期更新。当然，无痛脚本脚本也可以实现。

但是在写作过程中，后期分析过程的负担可以大大减轻。

对于以上三个问题，在编写之前先用java或python编写，然后写入Elasticsearch也是一种解决方案。

然而，如果你想拼命，有没有更好的计划？写之前可以对数据进行预处理吗？

00-1010一般来说，当我们的程序从第三方数据源(Mysql、Oracle、HBase、Spark等)写入数据或导入数据时。)，它们都是原始数据的样子，与ES直接批量同步并由ES索引的数据就是它的样子。如下图所示：

如上所述，对于这三个实际问题，实际的业务数据可能并不是我们在分析中真正需要的。

有必要对这些数据进行合理的预处理，以便于后续环节的分析和数据挖掘。

数据预处理的步骤大致分解如下：

数据清理。主要是去除重复数据、噪声(即干扰数据)和填写默认值。

数据集成。将来自多个数据源的数据放在统一的数据存储中。

数据转换。将数据转换为适合数据挖掘或分析的形式。

存在

Elasticsearch 中，有没有预处理的实现呢？

4、Elasticsearch 数据预处理

Elasticsearch的ETL利器——Ingest节点，已经将节点角色划分、Ingest 节点作用，Ingest 实践、Ingest 和 logstash 预处理优缺点对比都做了解读。有相关盲点的同学，可以移步过去过一遍知识点。

Ingest 节点的本质——在实际文档建立索引之前，使用 Ingest 节点对文档进行预处理。Ingest 节点拦截批量索引和单个索引请求，应用转换，然后将文档传递回单个索引或批量索引API 写入数据。

下面这张图，比较形象的说明的 Elasticsearch 数据预处理的流程。

实际业务场景中，预处理步骤如下：

• 步骤1：定义 Pipeline，通过 Pipeline 实现数据预处理。

根据实际要处理的复杂数据的特点，有针对性的设置1个或者多个 pipeline （管道），上图的粉红和黄色部分。

• 步骤2：写入数据关联Pipeline。

写入数据、更新数据或者 reindex 索引环节，指定要处理索引的 pipeline , 实际就是写入索引与上面的 pipeline0 和 pipelineZ 关联起来。

• 步骤3：写入数据。

划重点：Ingest 实现在实际文档编制索引（索引化）之前对文档进行预处理。

5、实践一把

5.1 线上问题 1 实现

PUT _ingest/pipeline/split_id
{
  "processors": [
    {
      "script": {
        "lang": "painless",
        "source": "ctx.myid_prefix = ctx.myid.substring(0,2)"
      }
    }
  ]
}

借助 script 处理器中的 substring 提取子串，构造新的前缀串字段，用于分析环节的聚合操作。

5.2 线上问题 2 实现

PUT _ingest/pipeline/json_builder
{
  "processors": [
    {
      "json": {
        "field": "headers.userInfo",
        "target_field": "headers.userInfo.target"
      }
    }
  ]
}

借助 json 处理器做字段类型转换，字符串转成了 json。

5.3 线上问题3 实现

PUT _ingest/pipeline/add_builder
{
  "processors": [
    {
      "script": {
        "lang": "painless",
        "source": """
for (int i=0; i < ctx.tag.length;i++) {
      ctx.tag[i]=ctx.tag[i]+"2";
    } 
"""
      }
    }
  ]
}

借助 script 处理器，循环遍历数组，实现了每个数组字段内容的再填充。

篇幅原因，更详细解读参见：

https://github.com/mingyitianxia/deep_elasticsearch/blob/master/es_dsl_study/1.ingest_dsl.md

6、不预处理 VS 预处理后写入方案对比

「方案 1」：数据原样导入Elasticsearch，分析阶段再做 painless 脚本处理。简单粗暴。

导入一时爽，处理费大劲！

如前所述，script 处理能力有限，且由于 script 徒增性能问题烦恼。

不推荐使用。

「方案 2」：提前借助 Ingest 节点实现数据预处理，做好必要的数据的清洗（ETL) 操作，哪怕增大空间存储（如新增字段），也要以空间换时间，为后续分析环节扫清障碍。

看似写入变得复杂，实则必须。「以空间为分析赢取了时间」。

推荐使用。

7、常见问题

7.1 Ingest 节点是必须设置的吗？

默认情况下，所有节点都默认启用 Ingest，因此任何节点都可以完成数据的预处理任务。

但是，当集群数据量级够大，集群规模够大后，建议拆分节点角色，和独立主节点、独立协调节点一样，设置独立专用的 Ingest 节点。

7.2 pipeline 什么时候指定呢？

创建索引、创建模板、更新索引、reindex 以及 update_by_query 环节 都可以指定 pipeline。

7.2.1 创建索引环节指定 pipeline

PUT ms-test
{
  "settings": {
    "index.default_pipeline": "init_pipeline"
  }
}

7.2.2 创建模板环节指定 pipeline

PUT _template/template_1
{
  "index_patterns": ["te*", "bar*"],
  "settings": {
    "number_of_shards": 1,
    "index.default_pipeline":"add_builder"
  }
}

7.2.3 更新索引环节指定pipeline（原索引未指定）

PUT /my_index/_settings
{
    "index" : {
        "default_pipeline" : "my_pipeline"
    }
}

7.2.4  reindex 环节添加 pipeline

POST _reindex
{
  "source": {
    "index": "source"
  },
  "dest": {
    "index": "dest",
    "pipeline": "some_ingest_pipeline"
  }
}

7.2.5 update 环节指定pipeline

POST twitter/_update_by_query?pipeline=set-foo

上述内容就是Elasticsearch 预处理的技巧示例分析，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注行业资讯频道。