「Elasticsearch」ES重建索引怎麼才能做到資料無縫遷移呢？

Coder小明發表於2021-01-02
Elasticsearch索引

背景

眾所周知，Elasticsearch是⼀個實時的分散式搜尋引擎，為⽤戶提供搜尋服務。當我們決定儲存某種資料，在建立索引的時候就需要將資料結構，即Mapping確定下來，於此同時索引的設定和很多固定配置將不能改變。

那如果後續業務發生變化，需要改變資料結構或者更換ES更換分詞器怎麼辦呢？為此，Elastic團隊提供了很多通過輔助⼯具來幫助開發⼈員進⾏重建索引的方案。
如果對 reindex API 不熟悉，那麼在遇到重構的時候，必然事倍功半，效率低下。反之，就可以方便地進行索引重構，省時省力。

步驟

假設之前我們已經存在一個blog索引，因為更換分詞器需要對該索引中的資料進行重建索引，以便支援業務使用新的分詞規則搜尋資料，並且儘可能使這個變化對外服務沒有感知，大概分為以下幾個步驟：​

  • 新增⼀個索引blog_lastest，Mapping資料結構與blog索引一致
  • 將blog資料同步至blog_lastest
  • 刪除blog索引
  • 資料同步後給blog_lastest新增別名blog

新建索引

在這裡推薦一個ES管理工具Kibana，主要針對資料的探索、視覺化和分析。

官網

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

將舊索引資料copy到新索引

同步等待

接⼝將會在 reindex 結束後返回

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

在 kibana 中的使用如下所示
-w706

當然高版本（7.1.1）中，ES都有提供對應的Java REST Client，比如

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

為了防止贅述，接下來舉例全部以kibana中請求介紹，如果有需要用Java REST Client，可以自行去ES官網檢視。

非同步執⾏

如果 reindex 時間過⻓，建議加上 wait_for_completion=false 的引數條件，這樣 reindex 將直接返回 taskId。

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

返回：

{
  "task" : "dpBihNSMQfSlboMGlTgCBA:4728038"
}

op_type 引數

op_type 引數控制著寫入資料的衝突處理方式，如果把 op_type 設定為 create【預設值】，在 _reindex API 中，表示寫入時只在 dest index中新增不存在的 doucment，如果相同的 document 已經存在，則會報 version confilct 的錯誤，那麼索引操作就會失敗。【這種方式與使用 _create API 時效果一致】

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

如果這樣設定了，也就不存在更新資料的場景了【衝突資料無法寫入】，我們也可以把 op_type 設定為 index，表示所有的資料全部重新索引建立。

conflicts 配置

預設情況下，當發生 version conflict 的時候，_reindex 會被 abort，任務終止【此時資料還沒有 reindex 完成】，在返回體中的 failures 指標中會包含衝突的資料【有時候資料會非常多】，除非把 conflicts 設定為 proceed。

關於 abort 的說明，如果產生了 abort，已經執行的資料【例如更新寫入的】仍然存在於目標索引，此時任務終止，還會有資料沒有被執行，也就是漏數了。換句話說，該執行過程不會回滾，只會終止。如果設定了 proceed，任務在檢測到資料衝突的情況下，不會終止，會跳過沖突資料繼續執行，直到所有資料執行完成，此時不會漏掉正常的資料，只會漏掉有衝突的資料。

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

我們可以故意把 op_type 設定為 create，人為製造資料衝突的場景，測試時更容易觀察到衝突現象。

如果把 conflicts 設定為 proceed，在返回體結果中不會再出現 failures 的資訊，但是通過 version_conflicts 指標可以看到具體的數量。

批次大小配置

當你發現reindex的速度有些慢的時候，可以在 query 引數的同一層次【即 source 引數中】新增 size 引數，表示 scroll size 的大小【會影響批次的次數，進而影響整體的速度】，如果不顯式設定，預設是一批 1000 條資料，在一開始的簡單示例中也看到了。
如下，設定 scroll size 為 5000：

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

測試後，速度達到了 30 分鐘 500 萬左右，明顯提升了很多。

根據taskId可以實時檢視任務的執行狀態

一般來說，如果我們的 source index 很大【比如幾百萬資料量】，則可能需要比較長的時間來完成 _reindex 的工作，可能需要幾十分鐘。而在此期間不可能一直等待結果返回，可以去做其它事情，如果中途需要檢視進度，可以通過 _tasks API 進行檢視。

GET /_tasks/{taskId}

返回：

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

當執行完畢時，completed為true
檢視任務進度以及取消任務，除了根據taskId檢視以外，我們還可以通過檢視所有的任務中篩選本次reindex的任務。

GET _tasks?detailed=true&actions=*reindex

返回結果：

{
  "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" : { }
        }
      }
    }
  }
}

注意觀察裡面的幾個重要指標，例如從 description 中可以看到任務描述，從 tasks 中可以找到任務的 id【例如 dpBihNSMQfSlboMGlTgCBA:6629305】，從 cancellable 可以判斷任務是否支援取消操作。
這個 API 其實就是模糊匹配，同理也可以查詢其它型別的任務資訊，例如使用 GET _tasks?detailed=true&actions=*byquery 檢視查詢請求的狀態。
當叢集的任務太多時我們就可以根據task_id，也就是上面提到GET /_tasks/task_id 方式更加準確地查詢指定任務的狀態，避免叢集的任務過多，不方便檢視。
如果遇到操作失誤的場景，想取消任務，有沒有辦法呢？
當然有啦，雖然覆水難收，通過呼叫
_tasks API：

POST _tasks/task_id/_cancel

這裡的 task_id 就是通過上面的查詢任務介面獲取的任務id（任務要支援取消操作，即【cancellable 為 true】時方能收效）。

刪除舊索引

當我們通過 API 查詢發現任務完成後，就可以進行後續操作，我這裡是要刪除舊索引，然後再給新索引起別名，用於替換舊索引，這樣才能保證對外服務沒有任何感知。

DELETE /blog

使用別名

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

通過別名訪問新索引

進行過以上操作後，我們可以使用一個簡單的搜尋驗證服務。

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

如果搜尋結果達到我們的預期目標，至此，資料索引重建遷移完成。

本文可轉載，但需宣告原文出處。 程式設計師小明，一個很少加班的程式設計師。歡迎關注微信公眾號“程式設計師小明”，獲取更多優質文章。

相關文章