EleasticSearch中怎么利用索引按日期分割

EleasticSearch中怎么利用索引按日期分割，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

文檔中有時間字段，方便按日期切割
index的mapping配置中，_source需為 true（默認），以保證es存入了源文檔，而不僅僅是docId，便于執行reindex！
curl -XGET "localhost:9200/your_index_name/_mapping"
# 如果沒有顯示 _source, 代表"_source": false
1
2
2. 刪文檔（不建議）
這第一個想到的方法，將最老舊的日志刪掉，如只保留近3個月的，采用 delete_by_query 接口

curl -X POST "localhost:9200/twitter/_delete_by_query" -H 'Content-Type: application/json' -d'
{
  "query": {
    "range" : {
        "day" : {
           "lt" : "2018-12-01"
        }
    }
  }
}
'
1
2
3
4
5
6
7
8
9
10
11
但是，es的delete，并不是真正的物理刪，磁盤使用率(utilization)并不會下降。刪除的文檔僅僅被標記，es將文檔存入一個個segment file中，其file數量隨著文檔的寫入不斷增加，es因此會有合并segment file的操作，將多個小的segment合并成一個大的segment file，當segment合并的時候，標記的文檔才會真正的物理刪除。

這種方案，只適合在 項目早期、文檔量少、且機器負載不高 情況下進行，因為批量讀寫會導致cpu utilization的飆升，造成系統負載加重，可以在晚上業務量不高的時候進行

3. 磁盤擴容 (短期有效)
那如果標記刪除不能立即解決問題，那就對磁盤擴容吧！1T 到 2T，2T 到 4T，由于升級磁盤需要重啟機器，所以，如何做到優雅滾動關停es至關重要！

3.1 停止es集群服務
常見就是ps看一下es的進程，然后kill，先等一下！在此之前，需對集群進行配置，方便更加快速的服務重啟

3.1.1 停止分片分配
由于es中的index是分布式存儲，所以一個index分成了多個shard，分布在各個節點node上，每個shard都可以單獨提供服務，同時每個shard可以配置多個副本(replicas)，保證集群的高可用，提高了查詢效率。同時，es在管理這些分片時，有一套自有的均衡算法，保證shard均勻分散在各個node上，同時保證每個shard和其對應的replica不在同一node上。正是這種機制，使得當node離開和重新加入的時候，分片的分配會copy文件，會造成大量的io，因為node重啟很快就回來，所以暫時關掉自動分片分配，詳情參見另一篇文章，介紹集群重啟步驟。這里選擇直接停止分配

curl -X PUT "localhost:9200/_cluster/settings" -H 'Content-Type: application/json' -d'
{
  "persistent": {
    "cluster.routing.allocation.enable": "none"
  }
}'
1
2
3
4
5
6
這樣，在node停掉的時候，不會出現分片分配重新均衡了。

3.1.2 掛載新盤
由于機器是云上資源，因此按照各個云上的擴容文檔操作即可，無論是自有機房還是云上機器，無非是下面幾個步驟：

reboot重啟

df -h 看一下現在的掛載點（如/dev/vdb）和 掛載路徑(如/data/es/)

fdisk -l 可以進一步確認盤的信息

fdisk /dev/vdb，對新盤進行重新掛載，命令中可能涉及到的選項，不分區的話，大部分按回車默認選項：d n p 1 wq

其他操作 如e2fsck -f /dev/vdb,resize2fs /dev/vdb

mount /dev/vdb /data 重新掛載即可

3.1.3 恢復分配分配
curl -X PUT "localhost:9200/_cluster/settings" -H 'Content-Type: application/json' -d'
{
  "transient": {
    "cluster.routing.allocation.enable": "all"
  }
}
'
1
2
3
4
5
6
7
這一步，會有部分io，等到recovery結束，集群恢復正常。如果有 Unassigned 狀態的shard，需要手動執行分片分配，對應的命令reroute，這個不難，正常情況下，幾乎不會出現 Unassigned 的shard。
執行完上述操作，磁盤體積翻倍。在短期內，可以保證服務正常。

4. 索引拆分(最佳實踐)
無論標記刪除，還是磁盤擴容，都沒有真正的解決索引過大的問題，隨著文檔數的增加，索引勢必會變得更大。針對大索引，標記刪除以及擴容后分片恢復的操作時間，也會大幅增加，可能會從幾小時到一兩天。上述方法不可行！

因為es對index的刪除是物理刪除，是立即的，既然不能直接刪除原索引，得想辦法把大索引拆成小索引，然后再刪除老舊的。那么es有么有這種api，將大的索引按照某種條件(按天、按月)進行拆分呢？為此，我找了很多博客，最后發現，很多博客里介紹的api都很老舊，還是官網的文檔最實在，文檔是英文，不過理解起來并不復雜。墻裂推薦看官方文檔。為此，我調研了這些api：_rollover，alias，template，reindex，大家可以有針對的深入學習這幾個api，細節這里就不講了，先看我怎么用的吧~

4.1. 錯誤嘗試
_rollover 當看到這個api時，我以為找到了最接近需求的api，這個api介紹如下

The rollover index API rolls an alias over to a new index when the existing index is considered to be too large or too old.

顯然被 too large 和 too old 吸引了。。。

curl -X PUT "localhost:9200/logs-000001" -H 'Content-Type: application/json' -d'
{
  "aliases": {
    "logs_write": {}
  }
}
'
# Add > 1000 documents to logs-000001
curl -X POST "localhost:9200/logs_write/_rollover" -H 'Content-Type: application/json' -d'
{
  "conditions": {
    "max_age":   "7d", #當文檔創建時間大于7天
    "max_docs":  1000, #當文檔數量超過上限1000
    "max_size":  "5gb" #當索引大小超過5GB
  }
}
'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
思路：

先給 index 建一個別名 alias，再 rollover，當執行時，滿足任一個條件即可創建新索引，同時別名 alias 指向新的，除此之外，_rollover還可以按日期生成新索引

問題：

拆分只在api執行時生效，后面不會自動拆分，如果按天索引，則必須每天定時執行，增加維護成本，如果定時任務失敗…
當別名滾向新的索引后，舊索引不能通過 alias 再訪問
并沒有將歷史的索引按天生成，只是在此api執行后，新文檔才會進新index
4.2 最佳實踐
假設原索引name knight-log，當前月份 2019-02

思路：

創建別名alias：alias-knight-log
為舊的 knight-log 關聯別名 alias-knight-log
創建索引模板template: template-knight-log，該模板匹配所有 knight-log.* 索引,在模板中定義settings和mappings，以及自動關聯別名 alias-knight-log
此外，將項目中讀寫es的操作分別設置：

讀 alias-knight-log，可以查詢所有關聯索引
寫 knight-log.2019-02，在原索引后append月份即可！調用Java api進行索引時，接口規定每條文檔需要指定index name，因此將原來的 name 變為 name + current_month 即可，其他語言同理！
更新業務代碼，重新上線后，新文檔會進入到形如 knight-log.2019-02 的索引中，原 knight-log 將不會有寫請求，讀請求也經過別名 alias-knight-log 代理了

經過上述步驟，舊的index只讀不寫，寫請求全部進入 knight-log.2019-02 的索引中，保障了這一點，我們就可以對 knight-log 按時間粒度以大化小，逐個刪除了！

Sad，沒有這種直接的api，不過，不起眼的reindex卻承擔起這個重任，一開始我覺得跟這個api應該沒有關系，不僅不省空間，反而還翻倍，直到發現可以按條件reindex后，眼前一亮！我按時間條件reindex不就好了嘛~~

# 將 2019-01 月的文檔, 全部 reindex 到 knight-log.2019-01 中
curl -X POST "localhost:9200/_reindex" -H 'Content-Type: application/json' -d'
{
  "source": {
    "index": "knight-log",
    "type": "your_doc_type",
    "query": {
      "bool": {
        "filter": {
          "range": {
            "day": {
              "gte": "2019-01-01",
              "lt": "2019-02-01"
            }
          }
        }
      }
    }
  },
  "dest": {
    "index": "knight-log.2019-01"
  }
}
'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
tips1: 在reindex到新index之前，為了加快索引，可以對新index設置，常規的批量索引設置注意項，這里也適用,如：replicas=0，refresh_interval=-1

tips2：第一次使用reindex，沒有開啟slice(相當于多線程)，io和cpu雖然都不高，但很慢，可適當開啟，但注意slice不要超過index的shard數，看官方文檔，此處不多提！

tips3：如果一個月的文檔數太多，不放心一次性操作，你可以嘗試先按天reindex到新月份index中，這樣可以觀察cup和io，然后適當調整reindex相關參數后，再把當月余下天數的文檔全部reindex到新index中

tips4：當進行完一次reindex，恢復 refresh_interval 后，可以對新舊索引同時查詢，看文檔數是否一致！確保無異常！

tips5：手誤執行reindex，可以中途取消本次task

將 knight-log 的replicas數從默認的1 變為 0，這樣整個index省掉一半大小（非必須，剩余磁盤多可以忽略），然后，對 knight-log 按月份進行reindex，這樣反復操作幾次，可完成近幾月的備份，形如 knight-log.2019-01，knight-log.2018-12 等（不要忘記2月的舊文檔哦，同樣需要reindex，這樣2月的index才會完整），同時因為模板的特性，月份索引會自動加上 alias-knight-log 這個別名，一舉兩得!

reindex完必要的數據后（如近3月），就可以直接刪掉 knight-log！

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。