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

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

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_index的mapping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_source的enabled设定为false时设置store为true

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：

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：

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。