Elasticsearch 批量导入数据

转载：https://blog.csdn.net/u013063153/article/details/61192244

前言

Elasticsearch 是一款非常高效的全文检索引擎。

Elasticsearch 可以非常方便地进行数据的多维分析，所以大数据分析领域也经常会见到它的身影，生产环境中绝大部分新产生的数据可以通过应用直接导入，但是历史或初始数据可能会需要单独处理，这种情况下可能遇到需要导入大量数据的情况

这里简单分享一下批量导入数据的操作方法与相关基础，还有可能会碰到的问题，详细内容可以参考 官方文档

Tip: 当前的最新版本为 Elasticsearch 2.2.0

---

概要

---

bulk API

ES提供了一个叫 bulk 的 API 来进行批量操作

它用来在一个API调用中进行大量的索引更新或删除操作，这极大的提升了操作效率

---

形式

API

API 可以是 /_bulk, /{index}/_bulk, 或 {index}/{type}/_bulk 这三种形式，当索引或类型已经指定后，数据文件中如不明确指定或申明的内容，就会默认使用API中的值

API 以是 /_bulk 结尾的，并且跟上如下形式的 JSON 数据

数据内容格式

1. action_and_meta_data\n

2. optional_source\n

3. action_and_meta_data\n

4. optional_source\n

5. ....

6. action_and_meta_data\n

7. optional_source\n

Note: 最后的一行也必须以 \n 结尾

可用方法

可用的操作有 index, create, delete 和 update ：

• index 和 create 得在操作与元数据(action_and_meta_data)之后另起一行然后接上内容(必须遵循这样的格式 ，后面会演示不这么做导致操作失败的示例)
• delete 只用接上元数据就可以了，不必接上内容(原因自不用说，定位到文档就OK了)
• update 得接上要变更的局部数据，也得另起一行

文本指定

由于是批量操作，所以不太会直接使用命令行的方式手动指定，更多的是使用文件，如果使用文本文件，则得遵循如下格式

curl -s -XPOST localhost:9200/_bulk --data-binary "@requests"

Tip: requests 是文件名 , -s 是静默模式，不产生输出，也可以使用 > /dev/null 替代

---

导入数据

尝试不按要求索引数据

1. [[email protected] tmp]# curl localhost:9200/stuff_orders/order_list/903713?pretty

2. {

3. "_index" : "stuff_orders",

4. "_type" : "order_list",

5. "_id" : "903713",

6. "found" : false

7. }

8. [[email protected] tmp]# cat test.json

9. {"index":{"_index":"stuff_orders","_type":"order_list","_id":903713}}{"real_name":"刘备","user_id":48430,"address_province":"上海","address_city":"浦东新区","address_district":null,"address_street":"上海市浦东新区广兰路1弄2号345室","price":30.0,"carriage":6.0,"state":"canceled","created_at":"2013-10-24T09:09:28.000Z","payed_at":null,"goods":["营养早餐：火腿麦满分"],"position":[121.53,31.22],"weight":70.0,"height":172.0,"sex_type":"female","birthday":"1988-01-01"}

10. [[email protected] tmp]# curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @test.json

11. {

12. "error" : {

13. "root_cause" : [ {

14. "type" : "action_request_validation_exception",

15. "reason" : "Validation Failed: 1: no requests added;"

16. } ],

17. "type" : "action_request_validation_exception",

18. "reason" : "Validation Failed: 1: no requests added;"

19. },

20. "status" : 400

21. }

22. [[email protected] tmp]# curl localhost:9200/stuff_orders/order_list/903713?pretty

23. {

24. "_index" : "stuff_orders",

25. "_type" : "order_list",

26. "_id" : "903713",

27. "found" : false

28. }

29. [[email protected] tmp]#

产生了报错，并且数据也的确没有加成功，原因是在校验操作请求(action_and_meta_data)时，由于不符合规范，所以报异常

正确导入方法

解决办法是将格式纠正过来，加上换行

1. [[email protected] tmp]# vim test.json

2. [[email protected] tmp]# cat test.json

3. {"index":{"_index":"stuff_orders","_type":"order_list","_id":903713}}

4. {"real_name":"刘备","user_id":48430,"address_province":"上海","address_city":"浦东新区","address_district":null,"address_street":"上海市浦东新区广兰路1弄2号345室","price":30.0,"carriage":6.0,"state":"canceled","created_at":"2013-10-24T09:09:28.000Z","payed_at":null,"goods":["营养早餐：火腿麦满分"],"position":[121.53,31.22],"weight":70.0,"height":172.0,"sex_type":"female","birthday":"1988-01-01"}

5. [[email protected] tmp]# curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @test.json

6. {

7. "took" : 36,

8. "errors" : false,

9. "items" : [ {

10. "index" : {

11. "_index" : "stuff_orders",

12. "_type" : "order_list",

13. "_id" : "903713",

14. "_version" : 1,

15. "_shards" : {

16. "total" : 2,

17. "successful" : 1,

18. "failed" : 0

19. },

20. "status" : 201

21. }

22. } ]

23. }

24. [[email protected] tmp]# curl localhost:9200/stuff_orders/order_list/903713?pretty

25. {

26. "_index" : "stuff_orders",

27. "_type" : "order_list",

28. "_id" : "903713",

29. "_version" : 1,

30. "found" : true,

31. "_source":{"real_name":"刘备","user_id":48430,"address_province":"上海","address_city":"浦东新区","address_district":null,"address_street":"上海市浦东新区广兰路1弄2号345室","price":30.0,"carriage":6.0,"state":"canceled","created_at":"2013-10-24T09:09:28.000Z","payed_at":null,"goods":["营养早餐：火腿麦满分"],"position":[121.53,31.22],"weight":70.0,"height":172.0,"sex_type":"female","birthday":"1988-01-01"}

32. }

33. [[email protected] tmp]#

Tip: 当数据量极大时，这样一个个改肯定不方便，这时可以使用sed脚本，能很方便的进行批量修改

1. [[email protected] summary]# sed -ir 's/[}][}][{]/\}\}\n\{/' jjjj.json

2. [[email protected] summary]# less jjjj.json

其实就是匹配到合适的地方加上一个换行

---

内存不足

基本上只要遵循前面的操作方式，理想情况下都会很顺利地将数据导入ES，但是实现环境中，总会有各种意外，我就遇到了其中一种：内存不足

1. [[email protected] tmp]# time curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @es_data.json > /dev/null

2. % Total % Received % Xferd Average Speed Time Time Time Current

3. Dload Upload Total Spent Left Speed

4. 38 265M 0 0 38 102M 0 43.8M 0:00:06 0:00:02 0:00:04 43.9M

5. curl: (56) Failure when receiving data from the peer

6.  

7. real 0m5.351s

8. user 0m0.161s

9. sys 0m0.919s

10. [[email protected] tmp]#

当时百思不得其解，已经反复确认了数据格式无误，并且随机选取其中一些进行导入测试也没发现问题，但只要整体一导就出问题，而且每次都一样

1. [[email protected] tmp]# free -m

2. total used free shared buffers cached

3. Mem: 3949 3548 400 0 1 196

4. -/+ buffers/cache: 3349 599

5. Swap: 3951 237 3714

6. [[email protected] tmp]#

系统内存明明还有多余，但是再看到JAVA内存时，就隐约感觉到了原因

1. [[email protected] tmp]# ps faux | grep elas

2. root 14479 0.0 0.0 103252 816 pts/1 S+ 16:05 0:00 \_ grep elas

3. 495 19045 0.2 25.6 3646816 1036220 ? Sl Mar07 25:45 /usr/bin/java -Xms256m -Xmx1g -Djava.awt.headless=true -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:+DisableExplicitGC -Dfile.encoding=UTF-8 -Djna.nosys=true -Des.path.home=/usr/share/elasticsearch -cp /usr/share/elasticsearch/lib/elasticsearch-2.1.1.jar:/usr/share/elasticsearch/lib/* org.elasticsearch.bootstrap.Elasticsearch start -p /var/run/elasticsearch/elasticsearch.pid -d -Des.default.path.home=/usr/share/elasticsearch -Des.default.path.logs=/var/log/elasticsearch -Des.default.path.data=/var/lib/elasticsearch -Des.default.path.conf=/etc/elasticsearch

4. [[email protected] tmp]#

ES和lucene是使用的JAVA，JAVA的内存分配大小决定了它们的发挥空间，这里的初始内存为 256M ，这也是大多数情况下的默认配置，但是应对当前的实际数据大小 265M 时就不够了，虽然官方说会尽量减小使用buffer，但实测下来，系统应该会是首先尽量使用内存，通过导入内存的方式来起到显著加速的效果，但是内存不够时，就直接报错退出了

解决内存不足有两种思路：

• 1.调整 Xms 和 Xmx 参数，使其适应业务需求，然后重启服务使之生效
• 2.将原来的数据切小，分批导入

第一种方式，要求停应用和业务，在某些情况下是不具备条件的(得统一协调时间窗口)，那么就尝试使用第二种方式,好在text文档的切分也可以使用sed快速完成

1. [[email protected] tmp]# sed -rn '1,250000p' es_data.json > es_data1.json

2. [[email protected] tmp]# sed -rn '250001,500000p' es_data.json > es_data2.json

3. [[email protected] tmp]# sed -rn '500001,750000p' es_data.json > es_data3.json

4. [[email protected] tmp]# sed -rn '750001,943210p' es_data.json > es_data4.json

5. [[email protected] tmp]#

6. [[email protected] tmp]# du -sh es_data*.json

7. 71M es_data1.json

8. 68M es_data2.json

9. 71M es_data3.json

10. 58M es_data4.json

11. 266M es_data.json

12. [[email protected] tmp]#

13. [[email protected] tmp]# tail es_data1.json

14. ...

15. ...

16. [[email protected] tmp]# tail es_data2.json

17. ...

18. ...

再依次进行导入，就发现没问题了

1. [[email protected] tmp]# time curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @es_data1.json > /dev/null

2. % Total % Received % Xferd Average Speed Time Time Time Current

3. Dload Upload Total Spent Left Speed

4. 100 101M 100 30.6M 100 70.3M 981k 2253k 0:00:31 0:00:31 --:--:-- 0

5.  

6. real 0m33.308s

7. user 0m0.100s

8. sys 0m0.390s

9. [[email protected] tmp]#

---

命令汇总

• curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @test.json
• curl localhost:9200/stuff_orders/order_list/903713?pretty
• sed -ir 's/[}][}][{]/\}\}\n\{/' jjjj.json
• less jjjj.json
• time curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @es_data.json > /dev/null
• free -m
• ps faux | grep elas
• sed -rn '1,250000p' es_data.json > es_data1.json
• sed -rn '250001,500000p' es_data.json > es_data2.json
• sed -rn '500001,750000p' es_data.json > es_data3.json
• sed -rn '750001,943210p' es_data.json > es_data4.json
• du -sh es_data*.json
• tail es_data1.json
• time curl -XPOST 'localhost:9200/stuff_orders/_bulk?pretty' --data-binary @es_data1.json > /dev/null