1、线上实战问题问题 1：想要请问一下，我这边需求是每分钟利用 sparksteaming 插入按天的索引150万条数据。一般情况下还好，索引7个分片，1副本，但是偶尔会出现延迟很高的情况。比如：一般情况下1分钟插入150万能正常插入，可能突然就出现了需要5分钟才能插入成功，然后又正常了。很头疼。 请问这种情况我需要怎么去查看一下是否正常。我已经把副本设置成了0，还把批量插入的参数从 5000 设置成 2 万。我节点是 12 个 16g 的，但是好像还是没有改观。 问题 2：由于使用了多个分词器的原因造成数据写入慢，请问有什么优化的方法吗？ 问题 3：求问：现在日志 收集链路 kafka-logstash-es，压力测试 logstash输出70M/s，而 Elasticsearch 索引写入一半不到。这边的性能损失可能是什么原因呢？需要怎么调优呢？ 类似问题还有很多、很多...... 2、问题分析以上三个问题各有各自特点，但基本都是基于不同的数据源向 Elasticsearch 写入过程中遇到的问题。 可以简单归结为：Elasticsearch 写入问题或者写入优化问题。Elasticsearch 写入问题涉及写入流程、写入原理及优化策略。 本文针对如上几点展开讨论。 3、基于单文档/批量文档写入流程谈写入优化单个文档写入对应 Index 请求，批量写入对应 Bulk 请求，Index 和 Bulk 是相同的处理逻辑，请求统一封装到 BulkRequest中。 流程拆解如下： 第一：客户端向 Node 1 发送写数据请求。 注意，此时Node1 便充当协调节点（cooridiniate）的角色。 第二：节点Node1 使用文档的 _id 确定文档属于分片 0 。请求会被转发到 Node 3，因为分片 0 的主分片目前被分配在 Node 3 上。 使用文档的 _id 确定文档所属分片的方法是：路由算法。 路由算法计算公式： shard = hash(routing) % number_of_primary_shards
第三：Node 3 在主分片上面执行写入操作。如果写入成功了，它将请求并行转发到 Node 1 和 Node 2 的副本分片上。一旦所有的副本分片都报告成功, Node 3 将向协调节点报告写入成功，协调节点向客户端报告写入成功。 如上流程拆解后的注意点：
如果设置了副本，数据会先写入主分片，主分片再同步到副本分片，同步操作会加重磁盘 IO，间接影响写入性能。 基于以上分析，既然主分片的写入起到写入成败的决定性作用。那么写入前将：副本分片写入前置为0，待写入完成后复原副本，是不是就能提升写入性能了呢？ 是的！ 写入优化一：副本分片写入前置为0，等完成写入后复原副本PUT test-0001写入优化二：优先使用系统自动生成 id文档的_id 的生成有两种方式，
但，如果使用外部 id，Elasticsearch 会先尝试读取原来文档的版本号，以判断是否需要更新。 也就是说，使用外部控制 id 比系统自动生成id要多一次读取磁盘操作。 所以，非特殊场景推荐使用系统自动生成的 id。 4、基于 Elasticsearch 写入原理谈写入优化Elasticsearch 中的 1 个索引由一个或多个分片组成，每个分片包含多个segment（段），每一个段都是一个倒排索引。如下图所示： 在 lucene 中，为了实现高索引速度，使用了segment 分段架构存储。一批写入数据保存在一个段中，其中每个段最终落地为磁盘中的单个文件。 将文档插入 Elasticsearch 时，它们会被写入缓冲区中，然后在刷新时定期从该缓冲区刷新到段中。刷新频率由 refresh_interval 参数控制，默认每1秒刷新一次。 也就是说，新插入的文档在刷新到段（内存中）之前，是不能被搜索到的。如下图所示： 刷新的本质是：写入数据由内存 buffer 写入到内存段中，以保证搜索可见。 来看个例子，加深对 refresh_inteval 的理解，注释部分就是解读。 PUT test_0001/_doc/1如下设置后，写入后 60s 后才可见。 DELETE test_0001关于是否需要实时刷新：
所以，自然我们想到的优化是：调整刷新频率。 写入优化三：合理调整刷新频率调整方法如下： 方法1：写入前刷新频率设置为 -1，写入后设置为业务实际需要值（比如：30s）。 PUT test-008方法2：直接设置为业务实际需要值（比如：30s） PUT test-008写入优化四：合理调整堆内存中索引缓冲区（index_buffer）大小堆内存中 index_buffer 用于存储新索引的文档。 填满后，缓冲区中的文档将最终写入磁盘上的某个段。 index_buffer_size 默认值如下所示，为堆内存的 10%。 indices.memory.index_buffer_size: 10%例如，如果给 JVM 31GB的内存，它将为索引缓冲区提供 3.1 GB的内存，一般情况下足以容纳大量数据的写入操作。 但，如果着实数据量非常大，建议调大该默认值。比如：调整为堆内存的 20%。 调整建议：必须在集群中的每个数据节点上进行配置。 缓存区越大，意味着能缓存数据量越大，相同时间段内，写盘频次低、磁盘 IO 小，间接提升写入性能。 写入优化五：给堆外内存也留够空间（常规要求）这其实算不上写入优化建议，而是通用集群配置的常规配置。 内存分配设置堆内存比例官方建议：机器内存大小一半，但不超过 32 GB。 一般设置建议：
堆内存之外的内存留给：Lucene 使用。 写入优化六：bulk 批量写入而非单个文档写入批量写入自然会比单个写入性能要好（批量写入意味着相同时间产生的段会大，段的总个数自然会少），但批量值的设置一般需要慎重，不要盲目一下搞的很大。 一般建议：递增步长测试，直到达到资源使用上限。 比如：第一次批量值设置：100，第二次：200，第三次：400，以此类推...... 批量值 bulk 已经 ok 了，但集群尚有富余资源，资源利用并没有饱和怎么办？ 上多线程，通过并发提升写入性能。 写入优化七：多线程并发写入这点，在 logstash 同步数据到 Elasticsearch，基于spark、kafka、Flink 批量写入 Elasticsearch时，经常会出现：Bulk Rejections 的报错。 当批量请求到达集群中的某个节点时，整个请求将被放入批量队列中，并由批量线程池中的线程进行处理。批量线程池处理来自队列的请求，并将文档转发到副本分片，作为此处理的一部分。子请求完成后，将响应发送到协调节点。 Elasticsearch 具有有限大小的请求队列的原因是：为了防止集群过载，从而增加了稳定性和可靠性。 如果没有任何限制，客户端可以很容易地通过恶意攻击行为将整个集群搞宕机。 这里就引申出下面的优化点。 写入优化八：合理设置线程池和队列大小关于线程池和队列，参考：Elasticsearch 线程池和队列问题，请先看这一篇。 核心建议就是：结合 CPU 核数和 esrally 的测试结果谨慎的调整 write 线程池和队列大小。 为什么要谨慎设置？ 针对批量写入拒绝（reject）的场景，官方建议： 增加队列的大小不太可能改善集群的索引性能或吞吐量。相反，这只会使集群在内存中排队更多数据，这很可能导致批量请求需要更长的时间才能完成。 队列中的批量请求越多，将消耗更多的宝贵堆空间。如果堆上的压力太大，则可能导致许多其他性能问题，甚至导致集群不稳定。 推荐阅读： https://www./cn/blog/why-am-i-seeing-bulk-rejections-in-my-elasticsearch-cluster 5、其他写入优化建议写入优化九：设置合理的Mapping实战业务场景中不推荐使用默认 dynamic Mapping，一定要手动设置 Mapping。
写入优化十：合理的使用分词器分词器决定分词的粒度，常见的中文分词 IK 可细分为：
从存储角度基于 ik_max_word 分词的索引会比基于 ik_smart 分词的索引占据空间大。 而更细粒度自定义分词 ngram 会占用大量资源，并且可能减慢索引速度并显着增加索引大小。 所以要结合检索指标（召回率和精准率）、结合写入场景斟酌选型。 写入优化十一：必要时，使用 SSD 磁盘SSD 很贵，但很香。 尤其针对写入密集型场景，如果其他优化点都考虑了，这可能是你最后一根“救命稻草“。 写入优化十二：合理设置集群节点角色这也是经常被问到的问题，集群规模小的时候，一般节点会混合多种角色，如：主节点 + 数据节点、数据节点 + 协调节点混合部署。 但，集群规模大了之后，硬件资源相对丰富后，强烈建立：独立主节点、独立协调节点。 让各个角色的节点各尽其责，对写入、检索性能都会有帮助。 写入优化十三：推荐使用官方客户端推荐使用官方 Elasticsearch API，因为官方在连接池和保持连接状态方面有优化。 高版本 JAVA API 推荐：官方的High-level-Rest API。 其他写入优化待补充...... 6、写入过程中做好监控如下是 kibana 监控截图，其中：index Rate 就是写入速率。
7、小结Elasticsearch 写入优化没有普适的最优优化建议，只有适合自己业务场景的反复试验、调优，形成属于自己业务场景的最佳实践。 你的业务场景做过哪些写入优化？欢迎留言讨论交流。 参考：
推荐： |
|
|
