在互联网环境中,我们从不指望用户都是规矩的玩家。
在我们的Elasticsearch应用场景中,用户向我们发送各种各样的JSON数据,而Elasticsearch会在某个JSON字段第一次来之后,判断其值的类型,并以此类型作为后续的相同字段的类型。可是不合规矩的数据总是会来:
第一次发送的数据: {"event":"buy", "context": {"price": 100}}
第二次发送的数据:{"event":"buy", "context":{"price":"kitty"}}
第一条数据发来之后,Elasticsearch会将context.price字段设置成long的数字类型,但是当第二条数据过来之后,Elasticsearch尝试将kitty转换成数字类型时出错了,换句话说本条数据丢了,这对于挑剔(不规矩,也有可能是不小心)的用户来说是不能接受的。为此,我们必须提供一种数据类型冗余的机制,而此机制并不复杂。
为了实现此数据类型冗余机制,我们需要做两件事情:
1. 对每个值进行数据类型推断
2. 将推断出来的类型与数据一并写入到Elasticsearch中
对每个值进行数据类型推断
这里需要注意的是,类型的推断应该从具体到抽象,也就是说我们应该先判断一个值是不是能够转换成数字,而后再判断一个值是不是能够转换成字符串,这是显而易见的,因为发过来的数据都是字符串。
将推断出来的类型与数据一并写入到Elasticsearch中
原始数据: {"event":"buy", "context": {"price": 100}}...
转换之后:{'event': {'s': "buy"}}, {'context':{"price": {'dbl': 100}}}
原始数据: {"event":"buy", "context": {"price": "kitty"}}...
转换之后:{'event': {'s': "buy"}}, {'context':{"price": {'s': "kitty"}}}
其中:l代表long,s代表string。dbl可以用来代表double, b可以用来代表bool等。
通过以上的方案,我们就完成了对数据类型信息的冗余。这样我们就可以以用户需要的操作来选择不同的数据类型:如果用户需要算price平均值,我们要做的仅仅是对context.price.dbl进行操作;而如果用户要做是查看price的分布,我们就可以分别对这个字段上所有类型的:context.price.s, context.price.dbl等一同进行操作即可。
还需要注意一点:对于字符串的处理
字符串在默认情况下,存储时会被analyze(默认是标准分析器),这个过程会将字符串进行分词动作,这对于数据分析需求来说是不必须要的,对于性能来说也是有损耗的,为此,我们需要将对应索引中的所有的字符串值设置成not_analyzed,这可以通过动态模板来完成:
需要注意几点:
1. 我们匹配了所有名字符合test*模式的索引,只对这些索引应用这个模板
2. 我们将字符串类型的值都设置成了not_analyzed
3. 由于不需要全文搜索,_all字段也是被禁用的,这对性能提升也有一定帮助
以上,希望对遇到类似问题的同学能有帮助。