干货 | Elasticsearch索引生命周期管理探索

2023-12-02 20:13:40

引言

Elasticsearch上海Meetup中ebay工程师提了索引生命周期管理的概念。的确，在Demo级别的验证阶段我们数据量比较小，不太需要关注索引的生命周期，一个或几个索引基本就能满足需要。所以，这也会产生一种假象，认为：“Elasticsearch不就是增删改查，毛毛雨啦”的荒诞的假象。
但是，在实战开发的生产环境中，索引的动态模板设置、索引Mapping设置、索引分片数/副本数设置、索引创建、打开、关闭、删除的全生命周期的管理必须高度关注，做好提前知识储备，
否则，会在开发后期出现由于数据激增暴露架构设计不合理问题，甚至引发分片/节点数据丢失、集群宕机等严重问题。

1、什么是Elasticsearch索引生命周期管理？

Elasticsearch索引生命周期管理指：Elasticsearch从设置、创建、打开、关闭、删除的全生命周期过程的管理。
Elasticsearch生产环境中一般采用多索引结合基于时间、基于空间的横向扩展的方式存储数据，随着数据量的增多，不用修改索引的底层架构逻辑。

2、索引生命周期管理为什么重要？

索引管理决定Elasticsearch鲁棒性、高可用性。
索引管理和搜索、插入性能也密切相关。
实际场景例子：100节点的集群中某一个节点数据丢失后，GET /_cat/nodes?v 接口的返回时延时延非常大，接近5-8s。搜索、聚合的性能更不必说。
原因：节点丢失后，ES会自动复制分片到新的节点中去，但是该丢失节点的shard非常大（几百个GB甚至上TB），集群当时的写入压力也非常大。这么大量级的数据拷贝和实时写入，最终导致延时会非常大。

3、索引生命周期管理面临的挑战

1）索引管理需要ES专业知识和业务知识的结合。
业务数据多少结合业务场景，有突发情况。
2）涉及生产环境的操作。
3）用户使用有突发情况。
比如：参数设置错误，分片数和副本数弄反了，路由设置错误。
4）索引操作的时候可能会失败。
5）高可用性挑战。

4、高可用的索引管理初探

Ebay的分享提及内部团队开发了索引管理系统，会择期分享，截止20180805 github还没有开源，期待中。
索引生命周期管理的核心就是定义索引的早期阶段，前面考虑充分了，后面的架构才会高效、稳定。
实际Elasticsearch5.X之后的版本已经推出：新增了一个Rollover API。Rollover API解决的是以日期作为索引名称的索引大小不均衡的问题。
medcl介绍如下：Rollover API对于日志类的数据非常有用，一般我们按天来对索引进行分割（数据量更大还能进一步拆分），没有Rollover之前，需要在程序里设置一个自动生成索引的模板，
相比于模板，Rollover API是更为简洁的方式。

4.1 RollOver 的定义

当现有索引被认为太大或太旧时，滚动索引API将别名滚动到新索引。该API接受一个别名和一个条件列表。别名必须只指向一个索引。如果索引满足指定条件，则创建一个新索引，并将别名切换到指向新索引的位置。
6.XRollover支持的三种条件是：

1）索引存储的最长时间。如： “max_age”: “7d”,
2）索引支持的最大文档数。如：”max_docs”: 1000,
3）索引最大磁盘空间大小。”max_size”: “5gb”。

注意：

5.X版本不支持”max_size”: “5gb”磁盘大小的方式。
分片的大小并不是一个可靠的测量标准，因为正在进行中的合并会产生大量的临时分片大小增长，而当合并结束后这些增长会消失掉。五个主分片，每个都在合并到一个 5GB 分片的过程中，那么此时索引大小会临时增多 25GB！而对于文档数量来说，它的增长则是可以预测的。

4.2 RollOver的适用场景

这个特性对于存放日志数据的场景、索引非常大、索引实时导入数据的场景是极为友好的。
你也可以先在索引模板里面设置索引的setting、mapping等参数, 然后设定好_rollover 规则，剩下的es会自动帮你处理。

4.3 6.XRollOverAPI调用方式如下：

方式一：基于序号的索引管理。

步骤1：创建索引（注意序号）

PUT /logs-000001 
{
  "aliases": {
    "logs_write": {}
  }
}

步骤2：指定RollOver规则。

POST /logs_write/_rollover 
{
  "conditions": {
    "max_age":   "7d",
    "max_docs":  2,
    "max_size":  "5gb"
  }
}

步骤3：批量插入数据。

POST logs_write/log/_bulk
{ "create": {"_id":1}}
{ "text": "111"}
{ "create": {"_id":2}}
{ "text": "222" }
{ "create": {"_id":3}}
{ "text": "333"}
{ "create": {"_id":4}}
{ "text": "4444"}

注意啦，理论上：_id=3和_id=4的数据会滚动到logs-000002的索引，实际并没有。
这个问题困扰我一上午。
实践验证发现，然并卵。

步骤4：重复步骤2。
查看返回结果如下：

{
  "old_index": "logs-000001",
  "new_index": "logs-000002",
  "rolled_over": true,
  "dry_run": false,
  "acknowledged": true,
  "shards_acknowledged": true,
  "conditions": {
    "[max_docs: 2]": true,
    "[max_age: 7d]": false,
    "[max_size: 5gb]": false
  }
}

这样以后，后续插入的数据索引就自动变为logs-000002，logs-000003…..logs-00000N。

注意：

1）执行数据插入前要先执行_rollover API。

2）_rollover API不是一劳永逸的，需要手动执行后才能生效。

方式二：基于时间的索引管理。

步骤1：创建基于日期的索引。

#PUT /<logs-{now/d}-1> with URI encoding:
PUT /%3Clogs-%7Bnow%2Fd%7D-1%3E 
{
  "aliases": {
    "logs_write": {}
  }
}

URI 编码工具：http://tool.oschina.net/encode?type=4
输入：
输出：%3Clogs-%7Bnow%2Fd%7D-1%3E

步骤2：插入一条数据。

PUT logs_write/_doc/1
{
  "message": "a dummy log"
}

步骤3：指定RollOver规则。

POST /logs_write/_rollover 
{
  "conditions": {
    "max_docs":   "1"
  }
}

返回结果：

{
  "old_index": "logs-2018.08.05-1",
  "new_index": "logs-2018.08.05-000002",
  "rolled_over": true,
  "dry_run": false,
  "acknowledged": true,
  "shards_acknowledged": true,
  "conditions": {
    "[max_docs: 1]": true
  }
}

注意，可能感觉到日期没有变更困惑的问题解释如下：

1）如果立即执行，new_index的名字就是当前的日期：logs-2018.08.05-000002。

2）如果24小时候后执行，new_index的名字就是+1天后的日期：logs-2018.08.06-000002。

5、高可用的索引管理进阶

ES官网博客做了更好的诠释：https://www.elastic.co/blog/managing-time-based-indices-efficiently。
翻译版本：https://juejin.im/post/5a990cdbf265da239b40de65。
在基础RollOver滚动索引的基础上，引入冷、热数据分离。这是实际业务非常需要一种场景。
冷热分离结合滚动模式工作流程如下：

步骤1：有一个用于写入的索引别名，其指向活跃索引（热数据）； 
步骤2：另外一个用于读取（搜索）的索引别名，指向不活跃索引（冷数据）； 
步骤3：活跃索引具有和热节点数量一样多的分片，可以充分发挥昂贵硬件的索引写入能力； 
步骤4：当活跃索引太满或者太老的时候，它就会滚动：新建一个索引并且索引别名自动从老索引切换到新索引； 
步骤5：移动老索引到冷节点上并且缩小为一个分片，之后可以强制合并和压缩。

具体实现，官方博客已经做了具体的说明。
注意：

"routing.allocation.include.box_type": "hot",
"routing.allocation.total_shards_per_node": 2

单节点执行上述操作会导致失败，具体原因待进一步验证。

6、Rollover的不足和改进

Rollover API大大简化了基于时间的索引的管理。但是，仍然需要以一种重复的方式调用_rollover API接口，可以手动调用，也可以通过基于crontab的工具(如director)调用。
但是，如果翻转过程是隐式的并在内部进行管理，则会简单得多。其思想是在创建索引时(或在索引模板中相等地)在别名中指定滚动条件。

PUT /<logs-{now/d}-1>
{
    "mappings": {...},
    "aliases" : {
        "logs-search" : {},
        "logs-write" : {
            "rollover" : {
                "conditions": {
                    "max_age":   "1d",
                    "max_docs":  100000
                }
            }
        }
    }
}

github提出的改进建议如下：
https://github.com/elastic/elasticsearch/issues/26092
截止：20180805这种方式没有实现。

7、小结

Elasticsearch索引生命周期管理是件大事，无论你是开发还是运维人员，千万不要轻视。
Rollover的出现能相对缓解分片、索引、集群的压力，相对高效的管理索引的生命周期。
结合curator的定时删除机制会更高效。
参考：
https://elasticsearch.cn/slides/120

码农公寓

引言