实战 | ELK实现全量Elastic日报（2017-2019）多维度可视化分析

2022-02-19 09:50:21

题记

Elastic社区主席M大、Elastic源码解析书作者超哥都曾多次强调Elastic日报是非常好的学习资料，然后呢？
Elastic日报自2017年7月30日发布第一篇文章，截止2019年6月6日，近10位责任编辑累计贡献了1653篇文章。
日报分散在社区文章专区，全部看完至少需要翻页40次+（每页18条数据，还需要过滤掉非日报文章），检索相对不方便。
能不能把Elastic日报爬取并导入Elasticsearch，借助ELK实现分析呢？
好想法，开搞！很期待~~

1、需求

当成一个小项目处理，自定义下需求。
想象一下，导入Elastic日报能在Kibana做哪些分析呢？
1）title 词频统计
2）编辑发布文章统计
3）2017，2018，2019日报量统计
4）日报按月统计
5）编辑发日报时间按区间统计
6）关键词检索，如：性能、设计、优化、实战等
7）…
的确，有了数据，能实现N多分析！

2、架构设计

编码之前，设计先行。一图胜千言，核心架构设计图如下所示：

架构层面要考虑的核心工作：

1、模块划分

可分为几个模块：爬虫模块、同步模块、存储检索模块、可视化模块。

2、数据流

爬虫->Mysql->logstash->ES->Kibana

3、数据ETL

日报数据算是半结构化数据，需要自定义正则解析、抽取后才能做分析用。
日期字段的时区原因，需要借助logstash filter进行日期格式转换。

4、数据存储建模

一方面：同步数据格式的定义；
另一方面：为后续可视化做数据铺垫。

3、爬虫模块

3.1 抓包分析网页

步骤1：根据需求，结合postman抓包分析日报模块的请求和返回内容。
步骤2：评估核心字段（标题、URL、编辑、发布时间等）是否好获取。

3.2 日报解析

Java + Jsoup + 正则分页解析、并构造出字段信息。
记录了第几期日报字段，且给每一篇文章构造定义了唯一id。

3.3 日报入库

写入Mysql。
坑1：日期字段设置timestamp，避免精度损失，影响后面的分析。

4、同步模块

借助logstash_input_jdbc实现Mysql到ES的同步。

坑1：为便于后续字段的自定义分析，务必不要使用动态映射，全部字段提前自定义。下一节详细论述。
坑2：同步ES后默认时区为ETC，发布时间会比实际落后8小时。需要filter阶段处理。

核心处理如下：

filter {
  date {
    match => ["publish_time", "yyyy-MM-dd HH:mm:ss"]
    target => "publish_time"
    timezone => "Asia/Shanghai"
  }
 ruby {
   code => "event.set('timestamp', event.get('publish_time').time.localtime + 8*60*60)"
 }
 ruby {
   code => "event.set('publish_time',event.get('timestamp'))"
 }
 mutate {
   remove_field => ["timestamp"]
 }
}

5、存储分析模块

最核心就是Mapping的定义。如前分析，要自定义Mapping各字段，不要使用默认动态的Mapping。

原因1、string类型全部解析为：text和keyword，实际我们不一定需要，会浪费存储空间。

原因2：采用默认分词器analyzer，实际我们需要自定义分词：采用中文ik分词，使用ik_max_word或者ik_smart进行自定义分词。
为便于后续扩展和维护，使用template、alias实现。

坑1：第一次导入分词结果不理想，可能会有大量的停用词。比如：1、2、3、的、你、日、中、在、与、来、一、二、三、到等。

处理方案：在stopword.dic添加如上关键词，重启ES，重建索引并再次导入数据。

坑2：text类型的字段聚合。

处理方案：定义索引Mapping的时候，指定"fielddata": "true",

推荐阅读：
Elasticsearch词频统计实现与原理解读

6、可视化模块

关于title 词频统计，对应上图的左上角：词云和如下的细化词频统计。

日报在：搜索、分析、实践、性能、监控方面都有大量的中英文优秀精选文章。

其他3张图，对应需求2）编辑发布文章统计、3）2017，2018，2019日报量统计、4）日报按月统计趋势图。
针对需求5）编辑发日报时间按区间统计，实践一把：

POST  es_daily_info/_search
{
  "size": 0, 
    "aggs" : {
        "time_range" : {
            "range" : {
                "script" : {
                    "source": "doc['publish_time'].date.getHourOfDay()",
                    "lang": "painless"
                },
                "ranges" : [
                    { "from":0, "to" : 6 },
                    { "from" : 6, "to" : 20 },
                    { "from" : 20, "to": 24}
                ]
            }
        }
    }
}

返回结果如下：

 [
        {
          "key" : "0.0-6.0",
          "from" : 0.0,
          "to" : 6.0,
          "doc_count" : 21
        },
        {
          "key" : "6.0-20.0",
          "from" : 6.0,
          "to" : 20.0,
          "doc_count" : 1524
        },
        {
          "key" : "20.0-24.0",
          "from" : 20.0,
          "to" : 24.0,
          "doc_count" : 108
        }
      ]

可以看出: 有21篇文章是凌晨以后发的，有108篇是晚上8点到晚24点发布的。（辛苦各位日报编辑了！）
针对需求6）：
一个检索语句搞定：Elasticsearch+性能优化干货文章，比Google搜出来的靠谱。
因为：这些文章都是编辑们人工筛选的，可谓是优中选优。

POST  es_daily_info/_search
{
  "_source": {
    "includes": ["title","url"]
  },
  "query": {
    "match_phrase": {
      "title": "性能优化"
    }
  }
}

7、小结

数据获取是整个小项目的最核心一环，有了数据，展开多维度的分析不再是难事。
当前互联网环境下，Elasticsearch学习资料网上一搜会是一箩筐，但搜索引擎毕竟是根据相关度推荐，到实际业务可用还有差距。
Elastic日报不同点核心在于人工精选，优中选优。如果你还在为学习资源发愁，不妨过一遍。
本文的实现，就是对日报资源抽丝破茧、条分缕析的对每条数据建立倒排索引，可极大提高Elastic学习和实战的效率。

8、禅定时刻

其实，Elastic中文社区完全可以上线日报搜索功能，方便大家O(1)复杂度获取想要的日报文章。

铭毅天下——Elasticsearch基础、进阶、实战第一公众号

码农公寓

题记