Elasticsearch全量数据增量遍历实现原理

0、需求

针对凤凰网财经版块的新闻数据和评论数据， 1个索引存储采集凤凰网财经版块的新闻数据；1个索引存储相关的财经数据评论结果。
统计：

1）某条新闻的评论数的多少？
2）某条评论属于哪条新闻？
3）当前已采集数据的所有评论、评论数汇总，按照评论数逆序排序，以便于图形化展示。

1、问题分解

1.1 数据如何存储，方案选型？

方案一：类似需求，1个索引ifeng_index存储新闻数据；1个索引ifeng_comm_index存储评论数据。
二者之间通过唯一值建立关联：评论数据中其来源新闻的唯一id值。
优点：数据分开存储，不存在交叉问题；
缺点：如果实现需求3），会非常复杂，做全局两通道的遍历和统计。

方案二：借助2.X-5.X版本ES中特有的父子文档实现。
注意：由于6.X版本以后，一个索引下只能存储一个type，所以父子文档也就不再可以使用。
所谓父子文档，可以理解为：
1）统一索引下的两个type，1个父type存储凤凰网新闻数据；1个子type存储凤凰网评论数据；
2）其中子type的Mapping定义要特殊处理；
3）其中子type的每条凤凰网评论数据都要关联唯一的父type的相关ID值。
优点：可以以相对较小的复杂度满足需求1）、2）、3）
缺点：以上方案二，ES6.X+都不再适用。

注意：
ES6.X已经移除父子文档的相关实现：http://t.cn/RE07V5A
但是转换为新的join的实现方式：http://t.cn/RE07IG1
综上分析，我是5.X的版本，采取方案二。

1.2 所需要技术支撑

1）父子文档技术
父子文档定义：
用于两个索引之间通过某一个特殊字段建立关联的场景。
在1对多的场景，尤其适用。如：1个父文档下有多个子文档。
缺点： 查询速度会比同等的嵌套查询慢5到10倍，详见：http://t.cn/ROir5rQ

父子文档实现：
建立父-子文档映射关系时只需要指定某一个文档 type 是另一个文档 type 的父亲。 该关系可以在如下两个时间点设置：1）创建索引时；2）在子文档 type 创建之前更新父文档的 mapping。

2）全局遍历技术
借助Scroll实现。之前的博文也有说明，http://t.cn/RE068mD
【scroll机制】：相对于from和size的分页来说，使用scroll可以模拟一个传统数据的游标，记录当前读取的文档信息位置。这个分页的用法，不是为了实时查询数据，而是为了一次性查询大量的数据（甚至是全部的数据）。
假设某索引下共有8个document，document中由code字段标记不同，0，1，2….8区分。

第一次scroll请求中，size设置为3，基于code升序排序，时间戳设置为1min；
第二次基于scroll_id查询,基于scroll_id查询第一次返回结果：0，1，2； 基于scroll_id查询第二次，返回结果：3，4，5； 基于scroll_id查询第三次，返回结果：6，7。
假设仍在的有效时间1min内，继续查询，返回结果：空。
若超时，继续scroll_id请求，则会返回类似如下的错误：

{
  "error": {
  "root_cause": [
  {
  "type": "search_context_missing_exception",
  "reason": "No search context found for id [79110689]"
  },
  {
  "type": "circuit_breaking_exception",
  "reason": "[parent] Data too large, data for [<transport_request>] would be [23195655038/21.6gb], which is larger than the limit of [23190280601/21.5gb]",
  "bytes_wanted": 23195655038,
  "bytes_limit": 23190280601
  },

3）增量遍历统计计数
对修改字段打flag标记，可以通过ES中update_by_query方法，对ES中数据进行更新操作。
如果：不存在flag字段，遍历到该条记录的时候，新增flag字段且flag置为1。
如果：存在flag字段，代表该条记录已经被遍历过。
这样的好处，防止数据被循环遍历。
其实：scroll机制已经预防了这一点，以防万一。

2、具体原理

2.1 scroll实现遍历DSL实现

步骤1：scroll查询。
基于特定的字段进行排序如下：

POST scroll_index/_search?scroll=1m
{
  "size": 3,
  "query": {
  "match_all": {}
  },
  "sort": {
  "code":"asc"
  }
}

返回结果：

{
  "_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAFcOGqFllFRGNIdVQ2Ui1LaFJRblJKOWVDNkEAAAAABXDhqxZZRURjSHVUNlItS2hSUW5SSjllQzZBAAAAAAPXB3EWTllZcVhfUlNSRUN5M3NueUJ2YkVXUQAAAAAD1wd0Fk5ZWXFYX1JTUkVDeTNzbnlCdmJFV1EAAAAAA9cHchZOWVlxWF9SU1JFQ3kzc255QnZiRVdR",
  "took": 4,
  "timed_out": false,
  "_shards": {
  "total": 5,
  "successful": 5,
  "failed": 0
  },
  "hits": {
  "total": 8,
  "max_score": null,
  "hits": [
  {
  "_index": "scroll_index",
  "_type": "scroll_type",
  "_id": "0",
  "_score": null,
  "_source": {
  "code": 0
  },
  "sort": [
  0
  ]
  },
  {
  "_index": "scroll_index",
  "_type": "scroll_type",
  "_id": "1",
  "_score": null,
  "_source": {
  "code": 1
  },
  "sort": [
  1
  ]
  },
  {
  "_index": "scroll_index",
  "_type": "scroll_type",
  "_id": "2",
  "_score": null,
  "_source": {
  "code": 2
  },
  "sort": [
  2
  ]
  }
  ]
  }
}

步骤2：基于Scroll_id查询

POST /_search/scroll
{
  "scroll" : "1m",
  "scroll_id" : "DnF1ZXJ5VGhlbkZldGNoBQAAAAAFcOGqFllFRGNIdVQ2Ui1LaFJRblJKOWVDNkEAAAAABXDhqxZZRURjSHVUNlItS2hSUW5SSjllQzZBAAAAAAPXB3EWTllZcVhfUlNSRUN5M3NueUJ2YkVXUQAAAAAD1wd0Fk5ZWXFYX1JTUkVDeTNzbnlCdmJFV1EAAAAAA9cHchZOWVlxWF9SU1JFQ3kzc255QnZiRVdR"
}

步骤3：循环执行，直至遍历结束。
主要注意的时间。

2.3 增量部分java如何实现？

在延迟指定时间后以指定的间隔时间循环执行定时任务。
借助Java Timer类实现。 Timer 是一种定时器工具，用来在一个后台线程计划执行指定任务。

  public class TimerTest03 {
        Timer timer;

        public TimerTest03(){
            timer = new Timer();
            timer.schedule(new TimerTaskTest03(), 1000, 2000);
        }

        public static void main(String[] args) {
            new TimerTest03();
        }
    }

    public class TimerTaskTest03 extends TimerTask{

        @Override
        public void run() {
            Date date = new Date(this.scheduledExecutionTime());
            System.out.println("本次执行该线程的时间为：" + date);
        }
    }

2.5 父子文档的实现。

步骤1：定义索引，同常规定义索引一致。
但，要规划好父子文档，通过：type类型区分。
如，父文档的type定义为：fenghuang_type, 子文档定义为ifeng_comm_type。

PUT ifeng_index
{
  "mappings": {
    "ifeng_type": {},
    " ifeng_comm_type ": {
      "_parent": {
        "type": "fenghuang_type"
      }
    }
  }
}

步骤2：插入子文档数据。
父文档数据插入和传统导入数据方式一致。
举例如下：

PUT /ifeng_index/ifeng_comm_type/1?parent=XVFBASDE! 

注意： 父子文档关联建立的关键是：在导入子文档数据的时候通过加入参数parent=父文档的_id。

步骤3：基于父文档查询子文档。

POST ifeng_index/ifeng_comm_type/_search
{
  "query": {
    "has_parent": {
      "type":  "ifeng_type",
      "query": {
        "match": {
          "title": "世锦赛-墨西哥锦标赛移动日精彩集锦"
        }
      }
    }
  }
}

步骤4：基于子文档查询父文档。

POST ifeng_index/ifeng_type/_search
{
  "query": {
    "has_child": {
      "type":  "ifeng_comm_type",
      "score_mode": "max",
      "query": {
        "match": {
          "title": "很精彩，棒极啦!"
        }
      }
    }
  }
}

步骤5： 查看索引中每个父文档下有多少个子文档

POST /ifeng_index/ifeng_type/
{
  "size": 0,
  "aggs": {
  "ifeng_key_agg": {
  "terms": {
  "field": "_key",
  "order": {
  "ifeng_comm_type": "desc"
  }
  },
  "aggs": {
  "ifeng_comm_type": {
  "children": {
  "type": "ifeng_comm_type"
  }
  }
  }
  }
  }
}

3、小结

通过父子文档，实现了1对多数据的关联；
通过scroll可以实现遍历操作，实现全量遍历；
通过scroll+java定时任务Timer，实现增量遍历。

作者：铭毅天下
转载请标明出处，原文地址：
http://blog.csdn.net/laoyang360/article/details/79437408