干货 | Elasticsearch 趋势科技实战分享笔记

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。

可以这样估算：
如果1分钟产生100条数据，那么1天就是1006024=144000条。
按30天计算，1个月就是144000条*30天=432W条数据。
继续往下推，1年就是432W*12=5184W条数据。
假设需要保存2年，总量就是10368W条数据。
再按每条数据20KB来算，所需存储空间为：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。

作者：铭毅天下

转载请标明出处，原文地址：

https://blog.csdn.net/laoyang360/article/details/80892392