Elasticsearch 数据建模

数据建模:英文为Data Modeling,为创建数据模型的过程
数据模型(Data Model)

  • 对现实世界进行抽象描述的一种工具和方法
  • 通过抽象的实体及实体之间联系的形式去描述业务规则,从而实现对现实世界的映射

数据建模的过程

  • 概念分析:确定系统的核心需求和范围边界,设计实现和实体间的关系
  • 逻辑模型:进一步梳理业务需求,确定每个实体的属性、关系和约束等
  • 物理模型:结合具体的数据库产品,在满足业务读写性能等需求的前提下确定最终的定义

ES中的数据建模相关配置

ES是基于Lucene以倒排索引为基础实现的存储体系,不遵循关系型数据库中的范式约定
Elasticsearch 数据建模_第1张图片

Mapping字段的相关设置:

参数 取值 说明
enbaled true|false 默认为true, false:仅存储,不做搜索或聚合分析(比如cookie|session字段)
index true|false 控制当前字段是否索引,默认为true,即记录索引,false不记录,即不可搜索
index_options docs|freqs|positions|offsets 存储倒排索引的哪些信息,text类型默认配置为positions,其他默认为docs ,记录内容越多,占用空间越大。
norms true|false 是否存储归一化相关参数,如果字段仅用于过滤和聚合分析,可关闭
doc_values true|false 是否启用doc_values,用于排序和聚合分析
field_data false|true 是否为text类型启用fielddata,实现排序和聚合分析
store false|true 是否存储该字段值(默认是false)
coerce true|false 是否开启自动数据类型转换功能,比如字符串转换为数字、浮点转换为整型等(默认是true)
multifields多字段 - 灵活使用多字段特性来解决多样的业务需求
dynamic true|false|strict 控制mapping自动更新
date_detection true|false 是否自动识别日期类型

Mapping字段属性的设定流程

Elasticsearch 数据建模_第2张图片
是何种类型?
字符串类型:需要分词设定为text类型,否则设置为keyword类型
枚举类型:基于性能考虑将其设定为keyword类型,即便该数据为整型(如状态码)
数值类型:尽量选择贴近的类型,比如byte即可表示所有数值时,即选用byte,不要用long
其他类型:比如布尔类型、日期、地理位置数据等

是否需要检索?
完全不需要检索、排序、聚合分析的字段:enable设置为false

不需要检索的字段:index设置为false

需要检索的字段,可以通过如下配置设定需要的存储粒度

  • index_options: 结合需要设定
  • norms: 不需要归一化数据时关闭即可

是否需要排序和聚合分析?
不需要排序或者聚合分析功能:

  • doc_values设定为false
  • fielddata设定为false

是否需要专门存储当前字段的数据?
store设定为true,即可存储该字段的原始内容(与_source中的不相关)
一般结合_source的enabled设定为false时使用

ES中的数据建模实例

以博客文章blog_index为例说明创建过程:

字段 字段名称 字段类型
标题 title text,子字段keyword
发布日期 publish_date date
作者 author keyword
摘要 abstract text
网络地址 url enabled:false(仅存储不做检索分析)

blog_indexmapping设置如下:

PUT blog_index
{
  "mappings": {
    "doc":{
      "properties": {
        "title":{
          "type":"text",
          "fields": {
            "keyword":{
              "type": "keyword"
            }
          }
        },
        "publish_date":{
          "type": "date"
        },
        "author":{
          "type": "keyword"
        },
        "abstract":{
          "type": "text"
        },
        "url":{
          "enabled":"false"     #url不需要做搜索,只存储即可
        }
      }
    }
  }
}   

扩展:在上面的基础上,添加内容content字段,mapping应该如何设计?

字段 字段名称 字段类型
标题 title text,子字段keyword
发布日期 publish_date date
作者 author keyword
摘要 abstract text
网络地址 url keyword(需要做相应修改)
内容 content ???

思考:博客的content内容可能会有几百上千字,但是如果博客换成书,content的内容可能会有几十万字,变的非常的大。这样如果content字段依然默认为text类型:在取原始数据时,是通过_source来获取原始内容的,每一次取_source都会把content内容取出来,如果content过大就会导致_source获取过多的内容,降低性能

mapping设置成如下内容:结合_sourceenabled设定为false时设置storetrue

PUT blog_index
{
  "mappings": {
    "doc":{
      "_source": {
        "enabled": false
      },
      "properties": {
        "title":{
          "type":"text",
          "fields": {
            "keyword":{
              "type": "keyword"
            }
          },
          "store": true
        },
        "publish_date":{
          "type": "date",
          "store": true
        },
        "author":{
          "type": "keyword",
          "store": true
        },
        "abstract":{
          "type": "text",
          "store": true
        },
        "aontent":{
          "type":"text",
          "store": true
        },
        "url":{
          "type": "keyword",
          "doc_values":false,
          "norms": false,
          "ignore_above": 100,
          "store": true          
        }        
      }
    }
  }
}           

插入同样的数据对比:
Elasticsearch 数据建模_第3张图片
Elasticsearch 数据建模_第4张图片

查询高亮显示:

GET blog_index/_search
{
  "stored_fields": ["title","publish_date","author","abstract","url"], #不获取content字段
  "query": {
    "match": {
      "content": "blog"
    }
  },
  "highlight": {
    "fields": {"content": {}}
  }
}

Reindex

Reindex指重建所有数据的过程,一般发生在如下情况:

  • mapping设置变更,比如字段类型变化,分词字典变更等
  • index设置变更,比如分片数更改等
  • 迁移数据

ES提供了现成的API用于完成该工作:

  • _update_by_query 在现有索引上重建
  • _reindex 在其他索引上重建

官方文档:
Reindex API
Update By Query API

_update_by_query

将twitter的所有文档重建一遍

POST twitter/_update_by_query?conflicts=proceed
#conflicts=proceed:如果遇到版本冲突,覆盖并继续执行
POST twitter/_update_by_query
{
  "script": {
    "source": "ctx._source.likes++",
    "lang": "painless"
  },
  "query": {
    "term": {
      "user": "kimchy"
    }
  }
}   
#script:更新文档的字段值; query:可以更新部分文档

_reindex

POST _reindex
{
  "source": {
    "index": "twitter"
  },
  "dest": {
    "index": "new_twitter"
  }
}   


POST _reindex
{
  "source": {
    "remote": {
      "host": "http://otherhost:9200",
      "username": "user",
      "password": "pass"
    },
    "index": "source",
    "query": {
      "match": {
        "test": "data"
      }
    }
  },
  "dest": {
    "index": "dest"
  }
}

Task
数据重建的时间受源索引文档规模的影响,当规模越大时,所需的时间越多,此时需要通过设定url参数wait_for_completion为false来异步执行,ES以task来描述此类执行任务

ES提供了Task API来查看任务的执行进度和相关数据

POST blog_index/_update_by_query?conflicts=proceed&wait_for_completion=false

{
  "task": "q5X8C6RXT1K0d9PrIZOQ7w:3438612"
}   

GET _tasks/q5X8C6RXT1K0d9PrIZOQ7w:3438612

其他建议

1.对mapping进行版本管理
包含在代码或者以专门的文件进行管理,添加好注释,并加入git等版本管理仓库中方便回顾
为每个增加一个metadata字段,在其中维护一些文档相关的元数据,方便对数据进行管理

{
  "metadata":{
    "version":1
  },
  "username":"alfred",
  "job":"engineer"
}           
#mapping版本,可以自行制定,比如每次更新mapping设置后,该version加1

2.防止字段过多
字段过多:难于维护,当字段成百上千时,基本很难有人明确知道每个字段的含义;mapping的信息存储在cluster state里面,过多的字段会导致mapping过大,最终导致更新变慢。

通过设置index.mapping.total_fields.limit可以限定索引中最大字段数,默认为1000
可以通过key/value的方式解决字段过多的问题,但并不完美:
Elasticsearch 数据建模_第5张图片

key/value方式缺点:

  • query语句复杂度飙升,且有一些可能无法实现,比如聚合分析相关的
  • 不利于在kibana中做可视化分析

一般字段过多的原因是由于没有高质量的数据建模导致的,比如dynamic设置为true,考虑拆分多个索引来解决问题。

你可能感兴趣的:(ELK,elasticsearch)