使用Elasticsearch建索引提高HBase检索速度的探索

一个多月对Elasticsearch的探索，现将其中的坑列出来，以免后面再忘记。

首先在这里申明数据量：

记录数：1914531

用户量：62749

可以看到数据量还是很小的。数据是一个用户在某个时间确证的疾病的编码，然后我们利用该数据去计算OR。

对于OR的计算介绍如下：

给定疾病A与疾病B，得到表格：

	疾病B存在	疾病B不存在
疾病A存在	N11	N10
疾病A不存在	N01	N00

其中：

• N11：A存在，B存在， 
• N10：A存在，B不存在
• N01：A不存在，B存在，
• N00：A不存在，B不存在

Odds ratio：OR=N11*N00/（N01*N10）
Standard error:SE=sqrt(1/N11+1/N10+1/N01+1/N00)
置信区间：[e^M,e^N]，M=ln(OR)-1.96SE，N=ln(OR)+1.96SE

HBase中直接计算OR

数据导入HBase当然是我们的第一步，这里不介绍。数据格式如下：

然后我们进行计算OR：

//tow exits!
val sf1 = new SingleColumnValueFilter(Bytes.toBytes(colFamily),Bytes.toBytes(icdname.apply(i).apply(0).toString),CompareFilter.CompareOp.EQUAL,Bytes.toBytes("1"))
val sf2 = new SingleColumnValueFilter(Bytes.toBytes(colFamily),Bytes.toBytes(icdname.apply(j).apply(0).toString),CompareFilter.CompareOp.EQUAL,Bytes.toBytes("1"))
sf1.setFilterIfMissing(true)
sf2.setFilterIfMissing(true)

val filterList = new FilterList(FilterList.Operator.MUST_PASS_ALL)
filterList.addFilter(sf1)
filterList.addFilter(sf2)

scan1.setFilter(filterList)

val scanner1 = table.getScanner(scan1)

val doubleexit = scanner1.iterator().asScala.length

其他的情况跟上面的代码相似。

if(doubleexit*oneexit1*oneexit2*noexit!=0){
  val or:Float = (doubleexit*oneexit1)/(oneexit2*noexit).toFloat
  val se:Float = math.sqrt((1.toFloat/doubleexit)+(1.toFloat/oneexit1)+(1.toFloat/oneexit2)+(1.toFloat/noexit)).toFloat
  val m = math.log(or)/math.log(math.E)-(1.96*se)
  val n = math.log(or)/math.log(math.E)+(1.96*se)
  val disease1 = icdname.apply(i).apply(0)
  val disease2 = icdname.apply(j).apply(0)
  out.println(s"$disease1  $disease2  $or  $se  $m  $n")
  out.flush()
}

然后使用公式计算出相应的OR已经置信区间。

但是不幸的是：任务跑了34个小时。

Elasticsearch运行OR

HBase不能满足我们的要求，故而去选择Elasticsearch。

首先，我们需要将需要建索引的字段写入到Elasticsearch中，为字段建索引。这个过程经历了比较多的坑，但是归根结底还是Elasticsearch没有熟悉，所以对其中的原理不熟悉，导致整个过程经历了比较久。

数据写入到Elasticsearch中之后，接下来的工作就是检索疾病的数量，从而进行OR的计算。由于考虑到要使用spark作为计算引擎，所以想着先把数据加载到spark中，然后再基于spark进行计算。下面是我的计算逻辑：

将数据加载进来，但是需要去基于lucene去检索。最后返回一个数量。

在这里，我们需要每两个病，判断四种不同情况下人群的数量，也就是：两种病都存在，一种存在一种不存在，一种不存在一种存在，两种都不存在四种情况下，人群的数量。在这里用了lucene的检索方式，?q=A AND B,?q=A NOT B,?q=NOT A AND B,?q=NOT A AND NOT B。

但是很不幸的，我的任务跑了还是26个小时左右。这里面，我们能够发现的问题是每一次都是进行全文检索，而且是使用query，这种方式在lucene里面是非常慢的。显然，这种方式是不能够满足我们的要求的。

Elasticsearch Client运行OR

人生总是在折腾，有探索才能有发现。

The most common way to get a client is by creating a TransportClient that connects to a cluster.在这里，

我个人理解为Client是将我们的计算集群作为一个client端连接到Elasticsearch集群中，这样的方式下，对于取数据不需要进行传输，

速度会快很多。

这里申明一下我的集群环境：

Elasticsearch版本：2.3.4

• •        spark集群：1.4.1
  •        Scala版本：2.10.4
  •        lucene版本：5.5.0

在这里我们需要Elasticsearch client的jar包，一定要卸载和自己的Elasticsearch版本一致的jar包，要不然链接不到集群上去。这里贴一下可以下载的网址，我也是找了好久才找到的。建议保存。

https://mvnrepository.com/artifact/org.elasticsearch/elasticsearch

下载完成之后，将该包加入到spark的环境变量里，也就是修改一下spark-env.xml中的配置。然后会需要将Elasticsearch中lib文件夹下的jar包加入到spark的环境变量里，这里主要是使用lucene的相关jar包。配置完成之后，需要重启spark。

这些配置完成之后，接下来初始化刻客户端，如下所示：

这些工作完成之后，就可以进行检索了。

这次，任务终于在四分钟跑完了。26个小时到4分钟。

所以，最终的建议就是使用client端去处理数据，不要使用esDF，检索数据太慢了。