利用Python进行Elasticsearch数据索引

jopen 9年前

Elasticsearch 是一个分布式、Restful的搜索及分析服务器,和Apache Solr一样,它也是基于Lucence的索引服务器,而Elasticsearch对比Solr的优点在于:

  • 轻量级:安装启动方便,下载文件之后一条命令就可以启动;
  • Schema free:可以向服务器提交任意结构的JSON对象,Solr中使用schema.xml指定了索引结构;
  • 多索引文件支持:使用不同的index参数就能创建另一个索引文件,Solr中需要另行配置;
  • 分布式:Solr Cloud的配置比较复杂。

环境配置

启动Elasticsearch,访问端口在9200,通过浏览器可以查看到返回的JSON数据,Elasticsearch提交和返回的数据格式都是JSON.

>> bin/elasticsearch -f

安装官方提供的Python API

>> pip install elasticsearch

索引操作

对于单条索引,可以调用create或index方法。

from datetime import datetime    from elasticsearch import Elasticsearch    es = Elasticsearch() #create a localhost server connection, or Elasticsearch("ip")    es.create(index="test-index", doc_type="test-type", id=1,        body={"any":"data", "timestamp": datetime.now()})

Elasticsearch批量索引的命令是bulk,利用Python API提交

from datetime import datetime    from elasticsearch import Elasticsearch    from elasticsearch import helpers    es = Elasticsearch("10.18.13.3")    j = 0    count = int(df[0].count())    actions =     while (j < count):         action = {                   "_index": "tickets-index",                   "_type": "tickets",                   "_id": j + 1,                   "_source": {                               "crawaldate":df[0][j],                               "flight":df[1][j],                               "price":float(df[2][j]),                               "discount":float(df[3][j]),                               "date":df[4][j],                               "takeoff":df[5][j],                               "land":df[6][j],                               "source":df[7][j],                               "timestamp": datetime.now()}                   }        actions.append(action)        j += 1            if (len(actions) == 500000):            helpers.bulk(es, actions)            del actions[0:len(actions)]        if (len(actions) > 0):        helpers.bulk(es, actions)        del actions[0:len(actions)]

实践过程中发现Python API序列化JSON时对数据类型支撑比较有限,原始数据使用的NumPy.Int32必须转换为int才能索引。此外,现在的bulk操作默认是每次提交500条数据,我修改为5000甚至50000进行测试,会有索引不成功的情况。

#helpers.py source code    def streaming_bulk(client, actions, chunk_size=500, raise_on_error=False,            expand_action_callback=expand_action, **kwargs):        actions = map(expand_action_callback, actions)            # if raise on error is set, we need to collect errors per chunk before raising them        errors =             while True:            chunk = islice(actions, chunk_size)            bulk_actions =             for action, data in chunk:                bulk_actions.append(action)                if data is not None:                    bulk_actions.append(data)                if not bulk_actions:                return        def bulk(client, actions, stats_only=False, **kwargs):        success, failed = 0, 0            # list of errors to be collected is not stats_only        errors =             for ok, item in streaming_bulk(client, actions, **kwargs):            # go through request-reponse pairs and detect failures            if not ok:                if not stats_only:                    errors.append(item)                failed += 1            else:                success += 1            return success, failed if stats_only else errors

对于索引的批量删除和更新操作,对应的文档格式如下,更新文档中的doc节点是必须的。

{        '_op_type': 'delete',        '_index': 'index-name',        '_type': 'document',        '_id': 42,    }    {        '_op_type': 'update',        '_index': 'index-name',        '_type': 'document',        '_id': 42,        'doc': {'question': 'The life, universe and everything.'}    }

常见错误

  • SerializationError:JSON数据序列化出错,通常是因为不支持某个节点值的数据类型
  • RequestError:提交数据格式不正确
  • ConflictError:索引ID冲突
  • TransportError:连接无法建立

性能

上面是使用MongoDB和Elasticsearch存储相同数据的对比,虽然服务器和操作方式都不完全相同,但还是可以看出批量写入数据,单纯的数据库还是比索引服务器更具备优势。 Elasticsearch的索引文件是自动分块,达到千万级数据对写入速度也没有影响。但在达到磁盘空间上限时,Elasticsearch出现了文件合并错误,并且大量丢失数据(共丢了100多万条),停止客户端写入后,服务器也无法自动恢复,必须手动停止。在生产环境中这点比较致命,尤其是使用非Java客户端,似乎无法在客户端获取到服务端的Java异常,这使得程序员必须很小心地处理服务端的返回信息。

原文 http://openskill.cn/article/237