Ingest Node
- ElasticSearch 5.0 后，引入的一种新的节点类型，默认配置下，每个节点都是 Ingest Node；
- Ingest Node 具有预处理数据的能力，可拦截 Index 或 Bulk API 的请求，并对数据进行转换，然后重新返回给 Index 或 Bulk API，最后写入到 ElasticSearch 中；
- 无需 Logstash，就可以进行数据的预处理，例如：
- 为某个字段设置默认值；
- 重命名某个字段的字段名；
- 对字段值进行 Split 操作；
- 支持设置 Painless Script，对数据进行更加复杂的加工；
Ingest Node vs Logstash
| Logstash | Ingest Node | |
|---|---|---|
| 数据输入与输出 | 支持从不同的数据源读取，并写入不同的数据源 | 支持从 ES REST API 获取数据并且写入 ElasticSearch |
| 数据缓冲 | 实现了简单的数据队列，支持重写 | 不支持缓冲 |
| 数据处理 | 支持大量的插件，也支持定制开发 | 内置的插件，可以开发 Plugin 进行扩展（Plugin 更新需要重启） |
| 配置和使用 | 增加了一定的架构复杂度 | 无需额外部署 |
Pipeline & Processor
Pipeline.png
在 Ingest Node 中可以定义 Pipeline
Pipeline
- Pipeline 会对通过的数据（文档），按照顺序进行加工；
Processor
- ElasticSearch 对一些加工的行为进行了抽象的包装；
- ElasticSearch 有很多内置的 Processor，也支持通过插件的方式，实现自己的 Processor；
ElasticSearch | 内置 Processor
- Split Processer - 将给定字段值分成一个数组
- Remove / Rename Processer - 移除 / 重命名一个字段
- Append Processer - 为商品增加一个新的标签
- Convert Processer - 将商品价格，从字符串转成 float 类型
- Date / JSON Processer - 日期格式转换 / 字符串转 JSON 对象
- Date Index Name Processor - 将通过该 Processor 的文档，分配到指定时间格式的索引中
- Fail Processer - 一旦出现异常，该 Pipeline 指定的错误信息能返回给用户
- Foreach Processer - 数组字段，数组的每个元素都会使用到一个相同的处理器
- Grok Processor Processer - 日志的日期格式切割
- Gsub / Join / Split Processer - 字符串替换 / 数组转字符串 / 字符串转数组
- Lowercase / Upcase Processer - 大小写转换
Pipeline | 举个栗子
准备数据
PUT tech_blogs/_doc/1
{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data"
}
_simulate API | 将字段的值用 "," 分割
- tags 字段不再是字符串，而是字符串的数组；
POST _ingest/pipeline/_simulate
{
"pipeline": {
"description": "to split blog tags",
"processors": [
{
"split": {
"field": "tags",
"separator": ","
}
}
]
},
"docs": [
{
"_index": "index",
"_id": "id",
"_source": {
"title": "Introducing big data......",
"tags": "hadoop,elasticsearch,spark",
"content": "You konw, for big data"
}
},
{
"_index": "index",
"_id": "idxx",
"_source": {
"title": "Introducing cloud computering",
"tags": "openstack,k8s",
"content": "You konw, for cloud"
}
}
]
}
_simulate API | 在 Pipeline 中再添加一个 Processor
- 为文档添加字段 views，并设置默认值 0；
POST _ingest/pipeline/_simulate
{
"pipeline": {
"description": "to split blog tags",
"processors": [
{
"split": {
"field": "tags",
"separator": ","
}
},
{
"set":{
"field": "views",
"value": 0
}
}
]
},
"docs": [
{
"_index":"index",
"_id":"id",
"_source":{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data"
}
},
{
"_index":"index",
"_id":"idxx",
"_source":{
"title":"Introducing cloud computering",
"tags":"openstack,k8s",
"content":"You konw, for cloud"
}
}
]
}
在 ElasticSearch 中添加一个 Pipeline
PUT _ingest/pipeline/blog_pipeline
{
"description": "a blog pipeline",
"processors": [
{
"split": {
"field": "tags",
"separator": ","
}
},
{
"set":{
"field": "views",
"value": 0
}
}
]
}
查看 Pipeline
GET _ingest/pipeline/blog_pipeline
测试 Pipeline
POST _ingest/pipeline/blog_pipeline/_simulate
{
"docs": [
{
"_source": {
"title": "Introducing cloud computering",
"tags": "openstack,k8s",
"content": "You konw, for cloud"
}
}
]
}
使用 Pipeline 和不使用 Pipeline 向索引中添加数据
- 一条数据被 Pipeline 处理，另一条没有；
PUT tech_blogs/_doc/1
{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data"
}
PUT tech_blogs/_doc/2?pipeline=blog_pipeline
{
"title": "Introducing cloud computering",
"tags": "openstack,k8s",
"content": "You konw, for cloud"
}
POST tech_blogs/_search
{}
使用 blog_pipeline 重建 tech_blogs 中的所有文档
- update_by_query 会导致错误，因为 id 为 1 的文档的 tags 字段是字符串数组，而不是字符串；
POST tech_blogs/_update_by_query?pipeline=blog_pipeline
{
}
增加 update_by_query 的条件
- 只对没有 views 字段的文档作用 blog_pipeline；
POST tech_blogs/_update_by_query?pipeline=blog_pipeline
{
"query": {
"bool": {
"must_not": {
"exists": {
"field": "views"
}
}
}
}
}