Elasticsearch 批量数据迁移和索引mapping修改

需求：原始索引中有2亿条数据，并且在线上运行，现在需要更具给部分数据添加一个标签(即新增一个字段，address)；

困难：

1).Elasticsearch不支持动态修改mapping。

2).由于数据量很大，新建索引，并且进行数据迁移效率很慢

数据情况：

索引：test_jyong_old

别名：test_jyong_alias

数据量：2亿

mapping:

{
  "test_jyong_old": {
    "mappings": {
      "doc": {
        "dynamic": "false",
        "_source": {
          "includes": [
            "name",
            "age"
          ]
        },
        "date_detection": false,
        "properties": {
          "name": {
            "type": "text"
          },
          "age": {
            "type": "Integer"
          }
        }
      }
    }
  }
}

解决方案：

由于mapping中_source字段includes有了约束，所以不能使用properties添加字段的方式进行处理只能新建索引（这种方式优先推荐），只能新建索引进行数据迁移

1.新建索引mapping

{
  "test_jyong_new": {
    "mappings": {
      "doc": {
        "dynamic": "false",
        "_source": {
          "includes": [
            "name",
            "address",
            "age"
          ]
        },
        "properties": {
          "name": {
            "type": "text"
          },
          "address": {
            "type": "keyword"
          },
          "age": {
            "type": "Integer"
          }
        }
      }
    }
  }
}

2.进行数据迁移

1.reindex迁移：（控制size大小批量)

reindex的核心做跨索引、跨集群的数据迁移。
慢的原因及优化思路无非包括：
    1）批量大小值可能太小。需要结合堆内存、线程池调整大小；
    2）reindex的底层是scroll实现，借助scroll并行优化方式，提升效率；
    3）跨索引、跨集群的核心是写入数据，考虑写入优化角度提升效率。

可行方案：

1）提升批量写入大小值

默认情况下，_reindex使用1000进行批量操作，您可以在source中调整batch_size。

POST /_reindex
{
    "source": {
        "index": "test_jyong_old",
        "size": 10000
    },
    "dest": {
        "index": "test_jyong_new",
        "routing": "=cat"
    }
}

数据迁移效率

问题发现：

常规的如果我们只是进行少量的数据迁移利用普通的reindex就可以很好的达到要求，但是当我们发现我们需要迁移的数据量过大时，我们会发现reindex的速度会变得很慢

数据量几十个G的场景下，elasticsearch reindex速度太慢，从旧索引导数据到新索引，当前最佳方案是什么？

原因分析：

reindex的核心做跨索引、跨集群的数据迁移。
慢的原因及优化思路无非包括：
    1）批量大小值可能太小。需要结合堆内存、线程池调整大小；
    2）reindex的底层是scroll实现，借助scroll并行优化方式，提升效率；
    3）跨索引、跨集群的核心是写入数据，考虑写入优化角度提升效率。

可行方案：

1）提升批量写入大小值

默认情况下，_reindex使用1000进行批量操作，您可以在source中调整batch_size。

数据迁移效率

问题发现：

常规的如果我们只是进行少量的数据迁移利用普通的reindex就可以很好的达到要求，但是当我们发现我们需要迁移的数据量过大时，我们会发现reindex的速度会变得很慢

数据量几十个G的场景下，elasticsearch reindex速度太慢，从旧索引导数据到新索引，当前最佳方案是什么？

原因分析：

批量大小设置的依据：

1、使用批量索引请求以获得最佳性能。

批量大小取决于数据、分析和集群配置，但一个好的起点是每批处理5-15 MB。

注意，这是物理大小。文档数量不是度量批量大小的好指标。例如，如果每批索引1000个文档:

1）每个1kb的1000个文档是1mb。

2）每个100kb的1000个文档是100 MB。

这些是完全不同的体积大小。

2、逐步递增文档容量大小的方式调优。

1）从大约5-15 MB的大容量开始，慢慢增加，直到你看不到性能的提升。然后开始增加批量写入的并发性(多线程等等)。

2）使用kibana、cerebro或iostat、top和ps等工具监视节点，以查看资源何时开始出现瓶颈。如果您开始接收EsRejectedExecutionException，您的集群就不能再跟上了:至少有一个资源达到了容量。

要么减少并发性，或者提供更多有限的资源(例如从机械硬盘切换到ssd固态硬盘)，要么添加更多节点

2.借助scroll的sliced提升写入效率

Reindex支持Sliced Scroll以并行化重建索引过程。 这种并行化可以提高效率，并提供一种方便的方法将请求分解为更小的部分。

sliced原理

1）用过Scroll接口吧，很慢？如果你数据量很大，用Scroll遍历数据那确实是接受不了，现在Scroll接口可以并发来进行数据遍历了。
2）每个Scroll请求，可以分成多个Slice请求，可以理解为切片，各Slice独立并行，利用Scroll重建或者遍历要快很多倍。

slicing使用举例

slicing的设定分为两种方式：手动设置分片、自动设置分片。
手动设置分片参见官网。
自动设置分片如下：

POST _reindex?slices=5&refresh
{
  "source": {
    "index": "test_jyong_old"
  },
  "dest": {
    "index": "test_jyong_new"
  }
}

slices大小设置注意事项：

1）slices大小的设置可以手动指定，或者设置slices设置为auto，auto的含义是：针对单索引，slices大小=分片数；针对多索引，slices=分片的最小值。
2）当slices的数量等于索引中的分片数量时，查询性能最高效。slices大小大于分片数，非但不会提升效率，反而会增加开销。
3）如果这个slices数字很大(例如500)，建议选择一个较低的数字，因为过大的slices 会影响性能。

实践证明，比默认设置reindex速度能提升10倍+。

3.使用painless脚本进行标签的添加

方式一：
 

POST test_jyong_new/doc/1/_update
{
  "script": {
    "lang": "painless",
    "inline": "ctx._source.address= params.address",
    "params": {
      "address":['北京','上海']
    }
  }
}

方式二：

POST test_jyong_new/doc/1/_update
{
  "script": {
    "lang": "painless",
    "inline": "ctx._source.sc='aa'"
  }
}

标签添加完成!!!

 

 

Tips: 动态修改mapings，索引mapping中没有设置_source的includes约束时可以使用properties动态修改

PUT test_jyong_new/doc/_mapping
{
  "properties": {
    "address":{
      "type": "keyword"
    }
  }
}