Elasticsearch 预处理的技巧示例分析

1、上问题

1.1 线上实战问题 1——字符串切分

es可以根据_id字符串切分，再聚合统计吗 比如：数据1、_id=C12345 数据2、_id=C12456 数据3、_id=C31268

通过es聚合统计 C1开头的数量有2个 C3开头的数据有1个

这个API怎么写，有大佬指导下吗？

1.2 线上实战问题 2——json 转 object

插入的时候，能不能对原数据进行一定的转化，再进行indexing

{
    "headers":{
        "userInfo":[
            "{  /"password/": /"test/",/n  /"username/": /"zy/"}"
        ]
    }
}

这里面的已经是字符串了，能在数据插入阶段把这个 json 转成 object 么？

1.3 线上实战问题 3——更新数组元素

我想对一个list每个值后面都加一个字符:

比如 {"tag":["a","b","c"]} 这样一个文档  我想变成  {"tag":["a2","b2","c2"]} 这样的,

各位有没有试过用 foreach 和 script 结合使用？

2、问题拆解分析

「问题 1」：分析环节需要聚合统计，当然用painless script 也能实现，但数据量大，势必有性能问题。

可以把数据处理前置，把前_id两个字符提取出来，作为一个字段处理。

「问题 2」：写入的时候期望做字符类型的转换，把复杂的字符串转换为格式化后的 Object 对象数据。

「问题 3」：数组类型数据全部规则化更新，当然 painless script 脚本也可以实现。

但是，在写入环节处理，就能极大减轻后面分析环节的负担。

以上三个问题，写入前用 java 或者 python 写程序处理，然后再写入 Elasticsearch 也是一种方案。

但，如果要死磕一把，有没有更好的方案呢？能否在写入前进行数据的预处理呢？

3、什么是数据预处理

一般情况下，我们程序写入数据或者从第三方数据源（Mysql、Oracle、HBase、Spark等）导入数据，都是原始数据张什么样，直接批量同步 ES，写入ES索引化的数据就是什么样。如下图所示：

如前所述的三个实战问题，实际业务数据可能不见得是我们真正分析环节所需要的。

需要对这些数据进行合理的预处理后，才便于后面环节的分析和数据挖掘。

数据预处理的步骤大致拆解如下：

• 数据清洗。

主要是为了去除 重复数据，去噪音（即干扰数据）以及填充缺省值。

• 数据集成。

将多个数据源的数据放在一个统一的数据存储中。

• 数据转换。

将数据转化成适合数据挖掘或分析的形式。

在 Elasticsearch 中，有没有预处理的实现呢？

4、Elasticsearch 数据预处理

Elasticsearch的ETL利器——Ingest节点，已经将节点角色划分、Ingest 节点作用，Ingest 实践、Ingest 和 logstash 预处理优缺点对比都做了解读。有相关盲点的同学，可以移步过去过一遍知识点。

Ingest 节点的本质——在实际文档建立索引之前，使用 Ingest 节点对文档进行预处理。Ingest 节点拦截批量索引和单个索引请求，应用转换，然后将文档传递回单个索引或批量索引API 写入数据。

下面这张图，比较形象的说明的 Elasticsearch 数据预处理的流程。

实际业务场景中，预处理步骤如下：

• 步骤1：定义 Pipeline，通过 Pipeline 实现数据预处理。

根据实际要处理的复杂数据的特点，有针对性的设置1个或者多个 pipeline （管道），上图的粉红和黄色部分。

• 步骤2：写入数据关联Pipeline。

写入数据、更新数据或者 reindex 索引环节，指定要处理索引的 pipeline , 实际就是写入索引与上面的 pipeline0 和 pipelineZ 关联起来。

• 步骤3：写入数据。

划重点：Ingest 实现在实际文档编制索引（索引化）之前对文档进行预处理。

5、实践一把

5.1 线上问题 1 实现

PUT _ingest/pipeline/split_id
{
  "processors": [
    {
      "script": {
        "lang": "painless",
        "source": "ctx.myid_prefix = ctx.myid.substring(0,2)"
      }
    }
  ]
}

借助 script 处理器中的 substring 提取子串，构造新的前缀串字段，用于分析环节的聚合操作。

5.2 线上问题 2 实现

PUT _ingest/pipeline/json_builder
{
  "processors": [
    {
      "json": {
        "field": "headers.userInfo",
        "target_field": "headers.userInfo.target"
      }
    }
  ]
}

借助 json 处理器做字段类型转换，字符串转成了 json。

5.3 线上问题3 实现

PUT _ingest/pipeline/add_builder
{
  "processors": [
    {
      "script": {
        "lang": "painless",
        "source": """
for (int i=0; i < ctx.tag.length;i++) {
      ctx.tag[i]=ctx.tag[i]+"2";
    } 
"""
      }
    }
  ]
}

借助 script 处理器，循环遍历数组，实现了每个数组字段内容的再填充。

篇幅原因，更详细解读参见：

https://github.com/mingyitianxia/deep_elasticsearch/blob/master/es_dsl_study/1.ingest_dsl.md

6、不预处理 VS 预处理后写入方案对比

「方案 1」：数据原样导入Elasticsearch，分析阶段再做 painless 脚本处理。简单粗暴。

导入一时爽，处理费大劲！

如前所述，script 处理能力有限，且由于 script 徒增性能问题烦恼。

不推荐使用。

「方案 2」：提前借助 Ingest 节点实现数据预处理，做好必要的数据的清洗（ETL) 操作，哪怕增大空间存储（如新增字段），也要以空间换时间，为后续分析环节扫清障碍。

看似写入变得复杂，实则必须。「以空间为分析赢取了时间」。

推荐使用。

7、常见问题

7.1 Ingest 节点是必须设置的吗？

默认情况下，所有节点都默认启用 Ingest，因此任何节点都可以完成数据的预处理任务。

但是，当集群数据量级够大，集群规模够大后，建议拆分节点角色，和独立主节点、独立协调节点一样，设置独立专用的 Ingest 节点。

7.2 pipeline 什么时候指定呢？

创建索引、创建模板、更新索引、reindex 以及 update_by_query 环节 都可以指定 pipeline。

7.2.1 创建索引环节指定 pipeline

PUT ms-test
{
  "settings": {
    "index.default_pipeline": "init_pipeline"
  }
}

7.2.2 创建模板环节指定 pipeline

PUT _template/template_1
{
  "index_patterns": ["te*", "bar*"],
  "settings": {
    "number_of_shards": 1,
    "index.default_pipeline":"add_builder"
  }
}

7.2.3 更新索引环节指定pipeline（原索引未指定）

PUT /my_index/_settings
{
    "index" : {
        "default_pipeline" : "my_pipeline"
    }
}

7.2.4  reindex 环节添加 pipeline

POST _reindex
{
  "source": {
    "index": "source"
  },
  "dest": {
    "index": "dest",
    "pipeline": "some_ingest_pipeline"
  }
}

7.2.5 update 环节指定pipeline

POST twitter/_update_by_query?pipeline=set-foo