elasticsearch pipelineI详解：原理与使用-阿里云开发者社区

一、Pipeline 背景和原理

Elasticsearch 5.0之前的文档预处理

在 Elasticsearch 5.0 版本之前，如果用户希望在文档被索引到 Elasticsearch 之前进行预处理，他们通常需要依赖外部工具，如 Logstash，或者以编程方式/手动进行预处理。这是因为早期的 Elasticsearch 版本并不提供文档预处理或转换的能力，它仅仅是将文档按原样索引。

Ingest Node的引入

从 Elasticsearch 5.x 版本开始，为了解决这个问题，Elasticsearch 引入了一个名为 ingest node 的功能。Ingest node 为 Elasticsearch 本身提供了文档预处理和丰富的轻量级解决方案。这意味着用户可以在 Elasticsearch 内部直接对文档进行预处理，而无需依赖外部工具。

Ingest Node的工作原理

当数据进入 Elastic 集群并指定了特定的 Pipeline 时，Elasticsearch 中的 ingest node 会按照定义好的处理器（processor）顺序对数据进行操作和处理。这种预处理是通过截取批量和索引请求在 ingest node 上执行的，处理完成后将文档传递回索引或批量 API。

要在索引之前预处理文档，用户必须定义一个 Pipeline。Pipeline 是一系列处理器的集合，用于转换传入的文档。每个处理器都以某种方式转换文档，并且它们按照在 Pipeline 中定义的顺序执行。

要使用 Pipeline，用户只需在索引或批量请求上指定 pipeline 参数，告诉 ingest node 使用哪个 Pipeline。

Ingest Node的配置与灵活性

如果使用默认配置实现 Elasticsearch 节点，默认情况下将启用 master、data 和 ingest 功能，这意味着节点将充当主节点、数据节点和提取节点。但是，如果用户在 elasticsearch.yml 文件中配置了 node.ingest: false，则该节点上的 ingest 功能将被禁用。

与 Logstash 相比，Elasticsearch 的 ingest node 提供了更高的灵活性。因为用户可以通过编程的方式随时修改 Pipeline，而无需重启整个 Logstash 集群。

Elasticsearch对Logstash的替代

随着新的 ingest 功能的发布，Elasticsearch 已经取出了 Logstash 的部分功能，特别是其过滤器部分。这意味着用户现在可以在 Elasticsearch 中直接处理原始日志，而无需先通过 Logstash 进行过滤和预处理。这进一步简化了数据处理流程，并提高了系统的整体性能。

二、Pipeline API使用

要使用Pipeline API，首先需要定义Pipeline。Pipeline由两部分组成：描述（description）和处理器列表（processor list）。

描述（Description）：这是一个非必需字段，用于存储关于Pipeline的一些描述性信息，如用途、作者等。虽然这个字段不是必需的，但它对于理解和维护Pipeline非常有帮助。

处理器列表（Processor List）：这是Pipeline的核心部分，它定义了用于转换文档的处理器序列。每个处理器以某种方式转换文档，如替换文本、转换数据类型、删除字段等。处理器按照在Pipeline中定义的顺序执行。

Elasticsearch提供了大约20个内置的处理器，这些处理器可以在构建Pipeline时使用。此外，还可以使用一些插件提供的处理器，如Ingest Attachment用于处理附件数据、Ingest Geo-IP用于根据IP地址提取地理位置信息等。这些插件增强了Pipeline的数据处理能力。

定义好Pipeline后，就可以通过在索引或批量请求上指定Pipeline参数来使用它。例如，当通过POST请求将数据发送到指定索引时，可以带上pipeline参数来指定使用的Pipeline。

1. 定义 Pipeline

使用 PUT 请求和 _ingest/pipeline/<pipeline_id> 端点来定义一个新的 Pipeline 或更新一个已存在的 Pipeline。Pipeline 的定义包含了一个可选的 description 字段和一个 processors 列表。

例如，定义一个名为 firstpipeline 的 Pipeline，它将消息字段（message）中的值转换为大写：

PUT _ingest/pipeline/firstpipeline
{
  "description": "将 message 字段中的值转换为大写",
  "processors": [
    {
      "uppercase": {
        "field": "message"
      }
    }
  ]
}

2. 使用 Pipeline

要在索引文档之前使用定义的 Pipeline，只需在索引或批量请求的 URL 中添加 ?pipeline=<pipeline_id> 参数。

例如，使用之前定义的 firstpipeline 来索引一个文档：

PUT my_index/_doc/1?pipeline=firstpipeline
{
  "name": "pipeline",
  "message": "this is so cool!"
}

执行上述请求后，索引到 my_index 中的文档将具有大写形式的 message 字段。

3. 获取 Pipeline 信息

使用 GET 请求和 _ingest/pipeline 端点可以检索现有 Pipeline 的定义。

例如，要获取所有 Pipeline 的定义：

GET _ingest/pipeline

或者，要获取特定 Pipeline（如 secondpipeline）的定义：

GET _ingest/pipeline/secondpipeline

4. 删除 Pipeline

使用 DELETE 请求和 _ingest/pipeline/<pipeline_id> 端点可以删除一个 Pipeline。

例如，删除名为 firstpipeline 的 Pipeline：

DELETE _ingest/pipeline/firstpipeline

5. 模拟 Pipeline

使用 _simulate 端点可以模拟 Pipeline 的执行，而不实际索引文档。这对于测试 Pipeline 定义和查看预期结果非常有用。

例如，模拟 secondpipeline 对提供的文档集的执行：

POST _ingest/pipeline/secondpipeline/_simulate
{
  "docs": [
    {
      "_source": {
        "name": "pipeline",
        "message": "this is so cool!"
      }
    },
    {
      "_source": {
        "name": "nice",
        "message": "this is nice!"
      }
    }
  ]
}

上述请求将返回模拟执行后的文档，并显示每个文档经过 Pipeline 处理后的结果。

6. 引用其他 Pipeline

在 Pipeline 的定义中，还可以引用其他已存在的 Pipeline。这允许用户创建复杂的文档处理流程，通过组合多个 Pipeline 来实现。

例如，先定义一个 pipelineA，然后在 pipelineB 中引用它：

PUT _ingest/pipeline/pipelineA
{
  "description": "内部 Pipeline",
  "processors": [
    {
      "set": {
        "field": "inner_pipeline_set",
        "value": "inner"
      }
    }
  ]
}

PUT _ingest/pipeline/pipelineB
{
  "description": "外部 Pipeline",
  "processors": [
    {
      "pipeline": {
        "name": "pipelineA"
      }
    },
    {
      "set": {
        "field": "outer_pipeline_set",
        "value": "outer"
      }
    }
  ]
}

在上述示例中，当使用 pipelineB 索引文档时，首先会执行 pipelineA 的处理器，然后再执行 pipelineB 中定义的其他处理器。

三、Pipeline API应用场景

Pipeline API在数据预处理方面有着广泛的应用。以下是一些具体的应用场景：

数据清洗：通过Pipeline API，可以在数据索引到Elasticsearch之前对数据进行清洗，去除无用的字段、转换数据类型、处理缺失值等。这有助于确保数据的准确性和一致性。
日志处理：对于日志数据，Pipeline API非常有用。它可以用于解析和格式化日志数据，提取出有用的字段进行索引，以便于后续的查询和分析。例如，可以使用Grok处理器来解析复杂的日志行。
数据增强：除了基本的数据清洗和转换外，Pipeline API还可以用于数据增强。例如，通过Ingest Geo-IP插件，可以根据IP地址提取出地理位置信息并添加到文档中；通过Ingest User-Agent插件，可以解析用户代理字符串并提取出浏览器、操作系统等信息。
动态修改Pipeline：由于Pipeline API支持编程方式修改，因此可以根据实际需求动态地修改Pipeline。这意味着当数据格式或处理需求发生变化时，无需修改源代码或重启Elasticsearch集群，只需通过API调用即可更新Pipeline。

四、Pipeline 应用方式

在 Bulk API 中使用
使用 Bulk API 时，可以指定 pipeline 来预处理批量文档。例如：

POST _bulk
{"index": {"_index": "my_index", "_id" : "1", "pipeline": "my_pipeline"}}
{"name": "zhang san", "category": "sports"}

对于 Bulk API 请求，可以包含多个操作（如 index, update, delete 等），并为每个操作指定不同的 pipeline（如果需要）。
在 Beats 中使用

在 Filebeat 或其他 Beats 中，可以通过配置 pipeline processor 来预处理事件数据。这允许在数据发送到 Elasticsearch 之前进行必要的转换和增强。具体可参阅 Elastic 官方文档中关于 Beats 和 pipeline processor 的部分。

在 Reindex API 中使用

当从一个索引重新索引到另一个索引时，可以使用 pipeline 来预处理数据。例如：

POST _reindex
{
  "source": {
    "index": "source_index"
  },
  "dest": {
    "index": "destination_index",
    "pipeline": "some_ingest_pipeline"
  }
}

这样，从 source_index 重新索引到 destination_index 的所有文档都将通过 some_ingest_pipeline 进行预处理。
在 Enrich Processors 中使用

Elasticsearch 的 enrich processor 允许你根据其他索引中的数据进行数据丰富。结合 ingest pipeline，可以在数据丰富之前对文档进行预处理。例如，可以在 enrich processor 之前使用 pipeline 来提取或转换字段，以确保它们可用于 enrich processor。

在 Update By Query API 中使用

使用 Update By Query API 更新索引中的文档时，可以通过指定 pipeline 来预处理这些文档。例如：

POST my_index/_update_by_query?pipeline=my_pipeline
{
  "query": {
    "match": {
      "some_field": "some_value"
    }
  }
}

上述请求将更新 my_index 中满足 some_field: some_value 条件的文档，并在更新前通过 my_pipeline 对它们进行预处理。
在索引中设置 Default Pipeline

对于特定索引，可以通过设置默认 pipeline 来确保所有新索引的文档都经过该 pipeline 的处理。例如：

PUT my_index
{
  "settings": {
    "index.default_pipeline": "my_pipeline"
  }
}

此后，任何索引到 my_index 的新文档都将默认通过 my_pipeline 进行预处理。注意，在较新版本的 Elasticsearch 中，设置方式可能有所变化，请查阅相应版本的官方文档。

五、内置 Processors

默认情况下，Elasticsearch 提供大量的ingest处理器。可以在地址https://www.elastic.co/guide/en/elasticsearch/reference/current/ingest-processors.html 找到已经为我设计好的内置的 processors。下面是一些常见的一些 processor ：

elasticsearch pipelineI详解：原理与使用