用dict读取和写入表格_项目实战 01：将唐诗三百首写入 Elasticsearch 会发生什么？...

1、实战项目

将唐诗三百首写入Elasticsearch会发生什么？

2、项目说明

此项目是根据实战项目浓缩的一个小项目，几乎涵盖之前讲解的所有知识点。

通过这个项目的实战，能让你串联起之前的知识点应用于实战，并建立起需求分析、整体设计、数据建模、ingest管道使用、检索/聚合选型、kibana可视化分析等的全局认知。

3、 需求

数据来源：https://github.com/xuchunyang/300

注意数据源bug： 第1753行种的"id":178 需要手动改成 "id": 252。

3.1 数据需求

注意：

• 1）词典选择
• 2）分词器选型
• 3）mapping设置
• 4）支持的目标维度考量
• 5）设定插入时间（自定义动态添加，非人工）

3.2 写入需求

注意：

• 1）特殊字符清洗
• 2）新增插入时间

3.3 分析需求

检索分析DSL实战

• 1）飞花令环节：包含铭 毅 天下（分别包含）诗句有哪些？各有多少首？
• 2）李白的诗有几首？按照诗长短排序，由短到长
• 3）取TOP10最长、最短的诗的作者列表

聚合分析实战及可视化实战

• 1）三百首谁的作品最多？取TOP10排行
• 2）五言绝句和七言律诗占比，以及对应作者占比统计
• 3）同名诗排行统计
• 4）三百首诗分词形成什么样的词云

4、 需求解读与设计

4.1 需求解读

本着：编码之前，设计先行的原则。

开发人员的通病——新的项目拿到需求以后，不论其简单还是复杂，都要先梳理需求，整理出其逻辑架构，优先设计，以便建立全局认知，而不是上来就动手敲代码。

本项目的核心知识点涵盖如下几块内容

• Elasticsearch 数据建模
• Elasticsearch bulk批量写入
• Elasticsearch 预处理
• Elasticsearch检索
• Elasticsearch聚合
• kibana Visualize 使用
• kibana Dashboard 使用

4.2 逻辑架构梳理

有图有真相。

根据需求梳理出如下的逻辑架构，实际开发中要谨记如下的数据流向。

4.3 建模梳理

之前也有讲述，这里再强调一下数据建模的重要性。

数据模型支撑了系统和数据，系统和数据支撑了业务系统。

一个好的数据模型：

• 能让系统更好的集成、能简化接口。
• 能简化数据冗余、减少磁盘空间、提升传输效率。
• 兼容更多的数据，不会因为数据类型的新增而导致实现逻辑更改。
• 能帮助更多的业务机会，提高业务效率。
• 能减少业务风险、降低业务成本。

对于Elasticsearch的数据建模的核心是Mapping的构建。

对于原始json数据：

 "id": 251,

 "contents": "打起黄莺儿，莫教枝上啼。啼时惊妾梦，不得到辽西。",

 "type": "五言绝句",

 "author": "金昌绪",

 "title": "春怨"

我们的建模逻辑如下：

字段名称字段类型备注说明_id对应自增idcontentstext & keyword涉及分词，注意开启：fielddata：truetypetext & keywordauthortext & keywordtitletext & keywordtimestampdate代表插入时间cont_lengthlongcontents长度， 排序用

由于涉及中文分词，选型分词器很重要。

这里依然推荐：选择ik分词。

ik词典的选择建议：自带词典不完备，网上搜索互联网的一些常用语词典、行业词典如（诗词相关词典）作为补充完善。

4.4 概要设计

• 原始文档json的批量读取和写入通过 elasticsearch python低版本 api 和 高版本 api elasticsearch-dsl 结合实现。
• 数据的预处理环节通过 ingest pipeline实现。设计数据预处理地方：每一篇诗的json写入时候，插入timestamp时间戳字段。
• template和mapping的构建通过kibana实现。
• 分词选型：ik_max_word 细粒度分词，以查看更细粒度的词云。

5、项目实战

5.1 数据预处理ingest

创建：indexed_at 的管道，目的：

• 新增document时候指定插入时间戳字段。
• 新增长度字段，以便于后续排序。

PUT _ingest/pipeline/indexed_at
{
 "description": "Adds timestamp  to documents",
 "processors": [
 {
 "set": {
 "field": "_source.timestamp",
 "value": "{
      {_ingest.timestamp}}"
 }
 },
 {
 "script": {
 "source": "ctx.cont_length = ctx.contents.length();"
 }
 }
 ]
}

5.2 Mapping和template构建

如下DSL,分别构建了模板：my_template。

指定了settings、别名、mapping的基础设置。

模板的好处和 便捷性 ，在之前的章节中有过详细讲解。

PUT _template/my_template
{
 "index_patterns": [
 "some_index*"
 ],
 "aliases": {
 "some_index": {}
 },
 "settings": {
 "index.default_pipeline": "indexed_at",
 "number_of_replicas": 1,
 "refresh_interval": "30s"
 },
 "mappings": {
 "properties": {
 "cont_length":{
 "type":"long"
 },
 "author": {
 "type": "text",
 "fields": {
 "field": {
 "type": "keyword"
 }
 },
 "analyzer": "ik_max_word"
 },
 "contents": {
 "type": "text",
 "fields": {
 "field": {
 "type": "keyword"
 }
 },
 "analyzer": "ik_max_word",
 "fielddata": true
 },
 "timestamp": {
 "type": "date"
 },
 "title": {
 "type": "text",
 "fields": {
 "field": {
 "type": "keyword"
 }
 },
 "analyzer": "ik_max_word"
 },
 "type": {
 "type": "text",
 "fields": {
 "field": {
 "type": "keyword"
 }
 },
 "analyzer": "ik_max_word"
 }
 }
 }
}
PUT some_index_01

5.3 数据读取与写入

通过如下的python代码实现。注意：

• bulk批量写入比单条写入性能要高很多。
• 尤其对于大文件的写入优先考虑bulk批量处理实现。

def read_and_write_index():
 # define an empty list for the Elasticsearch docs
 doc_list = []
 # use Python's enumerate() function to iterate over list of doc strings
 input_file = open('300.json',  encoding="utf8", errors='ignore')
 json_array = json.load(input_file)
 for item in json_array:
 try:
 # convert the string to a dict object
 # add a new field to the Elasticsearch doc
 dict_doc = {}
 # add a dict key called "_id" if you'd like to specify an ID for the doc
 dict_doc["_id"] = item['id']
 dict_doc["contents"] = item['contents']
 dict_doc["type"] = item['type']
 dict_doc["author"] = item['author']
 dict_doc["title"] = item['title']
 # append the dict object to the list []
 doc_list += [dict_doc]
 except json.decoder.JSONDecodeError as err:
 # print the errors
 print("ERROR for num:", item['id'], "-- JSONDecodeError:", err, "for doc:", dict_doc)
 print("Dict docs length:", len(doc_list))
 try:
 print ("nAttempting to index the list of docs using helpers.bulk()")
 # use the helpers library's Bulk API to index list of Elasticsearch docs
 resp = helpers.bulk(
 client,
 doc_list,
 index = "some_index",
 doc_type = "_doc"
 )
 # print the response returned by Elasticsearch
 print ("helpers.bulk() RESPONSE:", resp)
 print ("helpers.bulk() RESPONSE:", json.dumps(resp, indent=4))
 except Exception as err:
 # print any errors returned w
 ## Prerequisiteshile making the helpers.bulk() API call
 print("Elasticsearch helpers.bulk() ERROR:", err)
 quit()

5.4 数据分析

5.5 检索分析

5.5.1 飞花令环节：包含铭 毅 天下（分别包含）诗句有哪些？各有多少首？

GET some_index/_search
{
 "query": {
 "match": {
 "contents": "铭"
 }
 }
}
GET some_index/_search
{
 "query": {
 "match": {
 "contents": "毅"
 }
 }
}
GET some_index/_search
{
 "query": {
 "match": {
 "contents": "天下"
 }
 }
}

实践表明：

• 铭：0首
• 毅：1首
• 天下：114 首

不禁感叹：唐诗先贤们也是心怀天下，忧国忧民啊！

5.5.2 李白的诗有几首？按照诗长短排序，由短到长

POST some_index/_search
{
 "query": {
 "match_phrase": {
 "author": "李白"
 }
 },
 "sort": [
 {
 "cont_length": {
 "order": "desc"
 }
 }
 ]
}
POST some_index/_search
{
 "aggs": {
 "genres": {
 "terms": {
 "field": "author.keyword"
 }
 }
 }
}

唐诗三百首中，李白共33首诗（仅次于杜甫39首），最长的是“蜀道难”，共：353 个字符。

李白、杜甫不愧为：诗仙和诗圣啊！也都是高产诗人！

5.5.3 取TOP10最长、最短的诗的作者列表

POST some_index/_search
{
 "sort": [
 {
 "cont_length": {
 "order": "desc"
 }
 }
 ]
}
POST some_index/_search
{
 "sort": [
 {
 "cont_length": {
 "order": "asc"
 }
 }
 ]
}

最长的诗：白居易-长恨歌-960个字符。

最短的诗：王维-鹿柴- 24个字符（并列的非常多）。

5.6 聚合分析

以下的截图通过kibana实现。细节在之前的kibana可视化中都有过讲解。

5.6.1 三百首谁的作品最多？取TOP10排行

5.6.2 五言绝句和七言律诗占比，以及对应作者占比统计

5.6.3 同名诗排行统计

5.6.4 三百首诗分词形成什么样的词云

5.6.5 全局视图

6、小结

结合唐诗300首的业务场景，结合本小项目的需求、设计、实现三个阶段，建立起对Elasticsearch、kibana核心知识点的全局认识。

核心目的：通过小项目练手，促进公司实际项目能力、产品研发能力的提升

思考：本文词云效果不好，为什么？