1、問題描述 您好，請教個問題。我現(xiàn)在有2千多萬的手機號碼信息保存在es里。5個分片，3個節(jié)點。 現(xiàn)在的需求是將后八位相同的號碼匹配到一起，重新放到一個index里。組成情侶號。方便后續(xù)查詢情侶號列表。 我目前的做法是用scroll查詢出一萬條，多線程循環(huán)一萬條中的每條，去全庫掃描---但是這種做法一分鐘才能處理一萬條。您有什么新的思路沒。 死磕Elasticsearch知識星球 https://t.zsxq.com/Iie66qV
問題補充：索引存儲了手機號，同時存儲了插入時間。 2、問題分析2.1 情侶號的定義后八位相同的號碼即為情侶號。 舉例： 13011112222
13511112222
13711112222
2.2 如何對后8位建立索引，以方便后續(xù)的識別？方案一 不單獨建索引，用script來實現(xiàn)缺點：script效率低一些 方案二：寫入數(shù)據(jù)的時候，同時基于后八位創(chuàng)建新的字段。2.3 8位相同的號碼匹配到一起，重新放到一個index里怎么實現(xiàn)？Elasticsearch自帶reindex功能就是實現(xiàn)索引遷移的，當然自定義讀寫也可以實現(xiàn)。 方案一：遍歷方式+寫入。步驟 1：基于時間遞增循環(huán)遍歷，以起始的手機號為種子數(shù)據(jù)，滿足后八位相同的加上標記flag=1。 步驟 2：循環(huán)步驟1，滿足flag=1直接跳過，直到所有手機號遍歷一遍。 步驟 3：將包含flag=1的字段，reindex到情侶號索引。
方案二：聚合出情侶號組，將聚合結(jié)果reindex到情侶號索引。考慮到數(shù)據(jù)量級千萬級別，全量聚合不現(xiàn)實。 可以，基于時間切片，取出最小時間戳、最大時間戳，根據(jù)數(shù)據(jù)總量和時間范圍劃分出時間間隔。 舉例：以30分鐘為單位切割千萬級數(shù)據(jù)。  terms聚合只返回對應：key，value值，默認value值由高到低排序。 key：代表手機號后8位，value：代表相同后8位的數(shù)據(jù)量。 步驟 2：top_hits子聚合取出手機號詳情。 步驟 3：json解析識別出步驟2的所有手機號或_id。 步驟 4：reindex步驟3的_id數(shù)據(jù)到情侶號索引。 步驟 5：時間切片周期遞增，直到所有數(shù)據(jù)遍歷完畢。
2.4 擴展自問：手機號怎么存，才能查出來后8位？舉例：查詢“11112222”，返回2.1列表的三個手機號。 優(yōu)點：無需額外字段存儲。 缺點：效率低。 優(yōu)點：效率高。 缺點：需要獨立存儲的后8位字段。 3、實戰(zhàn)一把3.1 數(shù)據(jù)建模3.1.1 字段設計只包含非業(yè)務的有效必要字段。 （1）插入時間戳字段 insert_time, date類型。 由：ingest默認生成，不手動添加，提高效率。 （2）手機號字段 phone_number, text和keyword類型。 text類型基于ngram分詞,主要方便phone_number全文檢索。
（3）后8位手機號字段 last_eight_number, keyword類型。 只聚合和排序用，不檢索。 3.1.2 ingest處理初始化數(shù)據(jù)先行ingest pipeline的核心功能可以理解為寫入前數(shù)據(jù)的ETL。 而：insert_time可以自動生成、last_eight_number可以基于phone_number提取。 定義如下： # 0.create ingest_pipeline of insert_time and last_eight_number
PUT _ingest/pipeline/initialize
{
"description": "Adds insert_time timestamp to documents",
"processors": [
{
"set": {
"field": "_source.insert_time",
"value": "{{_ingest.timestamp}}"
}
},
{
"script": {
"lang": "painless",
"source": "ctx.last_eight_number = (ctx.phone_number.substring(3,11))"
}
}
]
}
3.1.3 模板定義兩個索引： 由于兩索引Mapping結(jié)構(gòu)一樣，使用模板管理會更為方便。 定義如下： # 1.create template of phone_index and phone_couple_index
PUT _template/phone_template
{
"index_patterns": "phone_*",
"settings": {
"number_of_replicas": 0,
"index.default_pipeline": "initialize",
"index": {
"max_ngram_diff": "13",
"analysis": {
"analyzer": {
"ngram_analyzer": {
"tokenizer": "ngram_tokenizer"
}
},
"tokenizer": {
"ngram_tokenizer": {
"token_chars": [
"letter",
"digit"
],
"min_gram": "1",
"type": "ngram",
"max_gram": "11"
}
}
}
}
},
"mappings": {
"properties": {
"insert_time":{
"type":"date"
},
"last_eight_number":{
"type":"keyword"
},
"phone_number": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword"
}
},
"analyzer": "ngram_analyzer"
}
}
}
}
3.1.4 索引定義PUT phone_index
PUT phone_couple_index
3.2 數(shù)據(jù)寫入采用模擬數(shù)據(jù)，實際業(yè)務會有所區(qū)別。 POST phone_index/_bulk
{"index":{"_id":1}}
{"phone_number" : "13511112222"}
{"index":{"_id":2}}
{"phone_number" : "13611112222"}
{"index":{"_id":3}}
{"phone_number" : "13711112222"}
{"index":{"_id":4}}
{"phone_number" : "13811112222"}
{"index":{"_id":5}}
{"phone_number" : "13844248474"}
{"index":{"_id":6}}
{"phone_number" : "13866113333"}
{"index":{"_id":7}}
{"phone_number" : "15766113333"}
模擬數(shù)據(jù)顯示，有兩組情侶號。 第一組情侶號尾數(shù)：“11112222” 第二組情侶號尾數(shù)：“66113333”
3.2 數(shù)據(jù)聚合如前所述，聚合的目的是：提取出情侶號（>=2）的手機號或?qū)猧d。 GET phone_index/_search
{
"size": 0,
"query": {
"range": {
"insert_time": {
"gte": 1584871200000,
"lte": 1584892800000
}
}
},
"aggs": {
"last_aggs": {
"terms": {
"field": "last_eight_number",
"min_doc_count": 2,
"size": 10,
"shard_size": 30
},
"aggs": {
"sub_top_hits_aggs": {
"top_hits": {
"size": 100,
"_source": {
"includes": "phone_number"
},
"sort": [
{
"phone_number.keyword": {
"order": "asc"
}
}
]
}
}
}
}
}
}
注意： 查詢的目的：按時間間隔取數(shù)據(jù)。原因：「聚合全量性能太差」。 外層聚合last_aggs統(tǒng)計：情侶號分組及數(shù)量。 內(nèi)層子聚合sub_top_hits_aggs統(tǒng)計：下鉆的手機號或_id等信息。 min_doc_count作用：聚合后的分組記錄最小條數(shù)，情侶號必須>=2，則設置為2。
3.4 數(shù)據(jù)遷移基于3.3 取出的滿足條件的id進行跨索引遷移。 POST _reindex
{
"source": {
"index": "phone_index",
"query": {
"terms": {
"_id": [
1,
2,
3,
4,
6,
7
]
}
}
},
"dest": {
"index": "phone_couple_index"
}
}
注意：實際業(yè)務需要考慮數(shù)據(jù)規(guī)模，劃定輪詢時間間隔區(qū)間。 建議：按照2.3章節(jié)的流程圖執(zhí)行。 4、方案進一步探究第3節(jié)的實戰(zhàn)一把實際是基于基礎數(shù)據(jù)都寫入ES了再做的處理。 核心的操作都是基于Elasticsearch完成的。 試想一下，這個環(huán)節(jié)如果提前是不是更合理呢? 數(shù)據(jù)圖如下所示：  電話數(shù)據(jù)信息寫入消息隊列（如：kafka、rocketmq、rabbitmq等）。 消息隊列可以直接同步到ES的phone_index索引。如：紅線所示。 情侶號的處理借助第三方redis服務實現(xiàn)，逐條過濾，滿足條件的數(shù)據(jù)同步到ES的情侶號索引phone_couple_index。如：綠線所示。
這樣，Elasticsearch只干它最擅長的事情，剩下的工作前置交給消息隊列完成。 5、小結(jié)本文就提出問題做了詳細的闡述和實踐，用到Elasticsearch 模板、Ingest、reindex等核心知識點和操作，給線上業(yè)務提供了理論參考。 大家對本文有異議或者有更好的方案，歡迎留言交流。 |
