天天看点
返回

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

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

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": ,
          "store": true          
        }        
      }
    }
  }
}

插入同样的数据对比：

Elasticsearch 数据建模
Elasticsearch 数据建模

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:

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":
  },
  "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

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。

elk elasticsearch 数据建模
上一篇: 悲观锁解决高并发访问问题
下一篇: 预算3K-4K，4款有望成为“2023钉子户”的旗舰安卓，骁龙8gen2芯

继续阅读