「Elasticsearch」ES重建索引怎么才能做到数据无缝迁移呢?

背景

众所周知,Elasticsearch是⼀个实时的分布式搜索引擎,为⽤户提供搜索服务。当我们决定存储某种数据,在创建索引的时候就需要将数据结构,即Mapping确定下来,于此同时索引的设定和很多固定配置将不能改变。

那如果后续业务发生变化,需要改变数据结构或者更换ES更换分词器怎么办呢?为此,Elastic团队提供了很多通过辅助⼯具来帮助开发⼈员进⾏重建索引的方案。
如果对 reindex API 不熟悉,那么在遇到重构的时候,必然事倍功半,效率低下。反之,就可以方便地进行索引重构,省时省力。

步骤

假设之前我们已经存在一个blog索引,因为更换分词器需要对该索引中的数据进行重建索引,以便支持业务使用新的分词规则搜索数据,并且尽可能使这个变化对外服务没有感知,大概分为以下几个步骤:

  • 新增⼀个索引blog_lastest,Mapping数据结构与blog索引一致

  • blog数据同步至blog_lastest

  • 删除blog索引

  • 数据同步后给blog_lastest添加别名blog

新建索引

在这里推荐一个ES管理工具Kibana,主要针对数据的探索、可视化和分析。

put /blog_lastest/{    "mappings":{        "properties":{            "title":{                "type":"text",                "analyzer":"ik_max_word"            },            "author":{                "type":"keyword",                "fields":{                    "seg":{                        "type":"text",                        "analyzer":"ik_max_word"                    }                }            }        }    }}

将旧索引数据copy到新索引

同步等待

接⼝将会在 reindex 结束后返回

POST /_reindex{"source": {"index": "blog"},"dest": {"index": "blog_lastest"}}

kibana 中的使用如下所示

当然高版本(7.1.1)中,ES都有提供对应的Java REST Client,比如

ReindexRequest reindexRequest = new ReindexRequest();reindexRequest.setSourceIndices("blog").setSource.setDestIndex("blog_lastest");TaskSubmissionResponse taskSubmissionResponse = client.submitReindexTask(reindexRequest, RequestOptions.DEFAULT);

为了防止赘述,接下来举例全部以kibana中请求介绍,如果有需要用Java REST Client,可以自行去ES官网查看。

异步执⾏

如果 reindex 时间过⻓,建议加上 wait_for_completion=false 的参数条件,这样 reindex 将直接返回 taskId

POST /_reindex?wait_for_completion=false{"source": {"index": "blog"},"dest": {"index": "blog_lastest"}}

返回:

{  "task" : "dpBihNSMQfSlboMGlTgCBA:4728038"}

op_type 参数

op_type 参数控制着写入数据的冲突处理方式,如果把 op_type 设置为 create【默认值】,在 _reindex API 中,表示写入时只在 dest index中添加不存在的 doucment,如果相同的 document 已经存在,则会报 version confilct 的错误,那么索引操作就会失败。【这种方式与使用 _create API 时效果一致】

POST _reindex{  "source": {    "index": "blog"  },  "dest": {    "index": "blog_lastest",    "op_type": "create"  }}

如果这样设置了,也就不存在更新数据的场景了【冲突数据无法写入】,我们也可以把 op_type 设置为 index,表示所有的数据全部重新索引创建。

conflicts 配置

默认情况下,当发生 version conflict 的时候,_reindex 会被 abort,任务终止【此时数据还没有 reindex 完成】,在返回体中的 failures 指标中会包含冲突的数据【有时候数据会非常多】,除非把 conflicts 设置为 proceed

关于 abort 的说明,如果产生了 abort,已经执行的数据【例如更新写入的】仍然存在于目标索引,此时任务终止,还会有数据没有被执行,也就是漏数了。换句话说,该执行过程不会回滚,只会终止。如果设置了 proceed,任务在检测到数据冲突的情况下,不会终止,会跳过冲突数据继续执行,直到所有数据执行完成,此时不会漏掉正常的数据,只会漏掉有冲突的数据。

POST _reindex{  "source": {    "index": "blog"  },  "dest": {    "index": "blog_lastest",    "op_type": "create"  },  "conflicts": "proceed"}

我们可以故意把 op_type 设置为 create,人为制造数据冲突的场景,测试时更容易观察到冲突现象。

如果把 conflicts 设置为 proceed,在返回体结果中不会再出现 failures 的信息,但是通过 version_conflicts 指标可以看到具体的数量。

批次大小配置

当你发现reindex的速度有些慢的时候,可以在 query 参数的同一层次【即 source 参数中】添加 size 参数,表示 scroll size 的大小【会影响批次的次数,进而影响整体的速度】,如果不显式设置,默认是一批 1000 条数据,在一开始的简单示例中也看到了。
如下,设置 scroll size 为 5000:

POST /_reindex?wait_for_completion=false{"source": {"index": "blog","size":5000},"dest": {"index": "blog_lastest","op_type": "create"},"conflicts": "proceed"}

测试后,速度达到了 30 分钟 500 万左右,明显提升了很多。

根据taskId可以实时查看任务的执行状态

一般来说,如果我们的 source index 很大【比如几百万数据量】,则可能需要比较长的时间来完成 _reindex 的工作,可能需要几十分钟。而在此期间不可能一直等待结果返回,可以去做其它事情,如果中途需要查看进度,可以通过 _tasks API 进行查看。

GET /_tasks/{taskId}

返回:

{  "completed" : false,  "task" : {    "node" : "dpBihNSMQfSlboMGlTgCBA",    "id" : 4704218,    "type" : "transport",    "action" : "indices:data/write/reindex",    ……}

当执行完毕时,completed为true
查看任务进度以及取消任务,除了根据taskId查看以外,我们还可以通过查看所有的任务中筛选本次reindex的任务。

GET _tasks?detailed=true&actions=*reindex

返回结果:

{  "nodes" : {    "dpBihNSMQfSlboMGlTgCBA" : {      "name" : "node-16111-9210",      "transport_address" : "192.168.XXX.XXX:9310",      "host" : "192.168.XXX.XXX",      "ip" : "192.168.16.111:9310",      "roles" : [        "ingest",        "master"      ],      "attributes" : {        "xpack.installed" : "true",        "transform.node" : "false"      },      "tasks" : {        "dpBihNSMQfSlboMGlTgCBA:6629305" : {          "node" : "dpBihNSMQfSlboMGlTgCBA",          "id" : 6629305,          "type" : "transport",          "action" : "indices:data/write/reindex",          "status" : {            "total" : 8361421,            "updated" : 0,            "created" : 254006,            "deleted" : 0,            "batches" : 743,            "version_conflicts" : 3455994,            "noops" : 0,            "retries" : {              "bulk" : 0,              "search" : 0            },            "throttled_millis" : 0,            "requests_per_second" : -1.0,            "throttled_until_millis" : 0          },          "description" : "reindex from [blog] to [blog_lastest][_doc]",          "start_time_in_millis" : 1609338953464,          "running_time_in_nanos" : 1276738396689,          "cancellable" : true,          "headers" : { }        }      }    }  }}

注意观察里面的几个重要指标,例如从 description 中可以看到任务描述,从 tasks 中可以找到任务的 id【例如 dpBihNSMQfSlboMGlTgCBA:6629305】,从 cancellable 可以判断任务是否支持取消操作。
这个 API 其实就是模糊匹配,同理也可以查询其它类型的任务信息,例如使用 GET _tasks?detailed=true&actions=*byquery 查看查询请求的状态。
当集群的任务太多时我们就可以根据task_id,也就是上面提到GET /_tasks/task_id 方式更加准确地查询指定任务的状态,避免集群的任务过多,不方便查看。
如果遇到操作失误的场景,想取消任务,有没有办法呢?
当然有啦,虽然覆水难收,通过调用
_tasks API

POST _tasks/task_id/_cancel

这里的 task_id 就是通过上面的查询任务接口获取的任务id(任务要支持取消操作,即【cancellable 为 true】时方能收效)。

删除旧索引

当我们通过 API 查询发现任务完成后,就可以进行后续操作,我这里是要删除旧索引,然后再给新索引起别名,用于替换旧索引,这样才能保证对外服务没有任何感知。

DELETE /blog

使用别名

POST /_aliases{    "actions":[        {            "add":{                "index":"blog_lastest",                "alias":"blog"            }        }    ]}

通过别名访问新索引

进行过以上操作后,我们可以使用一个简单的搜索验证服务。

POST /blog/_search{"query": {"match": {"author": "james"}}}

如果搜索结果达到我们的预期目标,至此,数据索引重建迁移完成。

(0)

相关推荐