AIQ - 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。
