ES数据库重建索引——Reindex(数据迁移)
Elasticsearch-Reindex
应用背景
1、当你的数据量过大，而你的索引最初创建的分片数量不足，导致数据入库较慢的情况，此时需要扩大分片的数量，此时可以尝试使用Reindex。
2、当数据的mapping需要修改，但是大量的数据已经导入到索引中了，重新导入数据到新的索引太耗时；但是在ES中，一个字段的mapping在定义并且导入数据之后是不能再修改的，
所以这种情况下也可以考虑尝试使用Reindex。
需要重建的索引，线上使用的一定是索引的别名。因为改索引重建完成之后会被删除。
Reindex
ES提供了_reindex这个API。相对于我们重新导入数据肯定会快不少，实测速度大概是bulk导入数据的5-10倍。
数据迁移步骤：
源索引
{
"reindex_old": {
"mappings": {
"reindex_type": {
"properties": {
"title": {
"type": "date"
}
}
}
}
}
}当后期向索引中加入string类型的title值的时候，就会报错
PUT /reindex_old/reindex_type/2
{
"title": "name"
}
{
"error": {
"root_cause": [
{
"type": "mapper_parsing_exception",
"reason": "failed to parse [title]"
}
],
"type": "mapper_parsing_exception",
"reason": "failed to parse [title]",
"caused_by": {
"type": "illegal_argument_exception",
"reason": "Invalid format: \"name\""
}
},
"status": 400
}依靠dynamic mapping，插入数据，但是不小心有些数据是2019-09-10这种日期格式的，所以title这种field被自动映射为了date类型，实际上它应该是string类型的。
但是在ES中，一个字段的mapping在定义并且导入数据之后是不能再修改的，所以这种情况下也可以考虑尝试使Reindex
创建索引别名
旧索引reindex_old，新索引的名字是reindex_new，终端java应用已经在使用reindex_old在操作了，难道还要去停止java应用，修改使用的index为reindex_new，才重新启动java应用吗？这个过程中，就会导致java应用停机，可用性降低。
所以说，给java应用一个别名，这个别名是指向旧索引的，java应用先用着，java应用先用reindex_alias来操作，此时实际指向的是旧的my_index
POST /_aliases
{
"actions": [
{
"add": {
"index": "reindex_old",
"alias": "reindex_alias"
}
}
]
}创建新的索引
注意：在创建索引的时候要把表结构也要创建好(也就是mapping)
PUT /reindex_new/reindex_type/_mapping
{
"reindex_type":{
"properties": {
"title": {
"type": "text"
}
}
}
}
# 查看新建立的mapping
{
"reindex_new": {
"mappings": {
"reindex_type": {
"properties": {
"title": {
"type": "text"
}
}
}
}
}
}同步数据到新的mapping
POST /_reindex
{
"source": {
"index": "reindex_old"
},
"dest": {
"index": "reindex_new"
}
}
# 结果
{
"took": 44,
"timed_out": false,
"total": 1,
"updated": 0,
"created": 1,
"deleted": 0,
"batches": 1,
"version_conflicts": 0,
"noops": 0,
"retries": {
"bulk": 0,
"search": 0
},
"throttled_millis": 0,
"requests_per_second": -1,
"throttled_until_millis": 0,
"failures": []
}查看进度
GET _tasks?detailed=true&actions=*reindex&human新的索引添加别名，旧的索引去除别名
POST /_aliases
{
"actions": [{
"add": {
"index": "reindex_old",
"alias": "index-alias"
}
},
{
"remove": {
"index": "reindex_new",
"alias": "index-alias"
}
}
]
}删除旧索引
DELETE /reindex_old数据迁移效率
常规的如果我们只是进行少量的数据迁移利用普通的reindex就可以很好的达到要求，但是当我们发现我们需要迁移的数据量过大时，我们会发现reindex的速度会变得很慢
数据量几十个G的场景下，elasticsearch reindex速度太慢，从旧索引导数据到新索引，当前最佳方案是什么？
原因分析：
reindex的核心做跨索引、跨集群的数据迁移。
慢的原因及优化思路无非包括：
1）批量大小值可能太小。需要结合堆内存、线程池调整大小；
2）reindex的底层是scroll实现，借助scroll并行优化方式，提升效率；
3）跨索引、跨集群的核心是写入数据，考虑写入优化角度提升效率。
可行方案：
1）提升批量写入大小值
默认情况下，_reindex使用1000进行批量操作，您可以在source中调整batch_size。
POST _reindex
{
"source": {
"index": "source",
"size": 5000
},
"dest": {
"index": "dest"
}
}批量大小设置的依据：
1、使用批量索引请求以获得最佳性能。
批量大小取决于数据、分析和集群配置，但一个好的起点是每批处理5-15MB。
注意，这是物理大小。文档数量不是度量批量大小的好指标。例如，如果每批索引1000个文档:
1）每个1kb的1000个文档是1mb。
2）每个100kb的1000个文档是100MB。
这些是完全不同的体积大小。
2、逐步递增文档容量大小的方式调优。
1）从大约5-15MB的大容量开始，慢慢增加，直到你看不到性能的提升。然后开始增加批量写入的并发性(多线程等等)。
2）使用kibana、cerebro或iostat、top和ps等工具监视节点，以查看资源何时开始出现瓶颈。如果您开始接收EsRejectedExecutionException，您的集群就不能再跟上了:至少有一个资源达到了容量。
要么减少并发性，或者提供更多有限的资源(例如从机械硬盘切换到ssd固态硬盘)，要么添加更多节点。
2）借助scroll的sliced提升写入效率
Reindex支持SlicedScroll以并行化重建索引过程。这种并行化可以提高效率，并提供一种方便的方法将请求分解为更小的部分。
sliced原理（frommedcl）
1）用过Scroll接口吧，很慢？如果你数据量很大，用Scroll遍历数据那确实是接受不了，现在Scroll接口可以并发来进行数据遍历了。
2）每个Scroll请求，可以分成多个Slice请求，可以理解为切片，各Slice独立并行，利用Scroll重建或者遍历要快很多倍。
slicing使用举例
slicing的设定分为两种方式：手动设置分片、自动设置分片。
手动设置分片参见官网。
自动设置分片如下：
POST _reindex?slices=5&refresh
{
"source": {
"index": "twitter"
},
"dest": {
"index": "new_twitter"
}
}
slices大小设置注意事项：
1）slices大小的设置可以手动指定，或者设置slices设置为auto，auto的含义是：针对单索引，slices大小=分片数；针对多索引，slices=分片的最小值。
2）当slices的数量等于索引中的分片数量时，查询性能最高效。slices大小大于分片数，非但不会提升效率，反而会增加开销。
3）如果这个slices数字很大(例如500)，建议选择一个较低的数字，因为过大的slices会影响性能。
效果
实践证明，比默认设置reindex速度能提升10倍+。
引用
