摘要
System：Centos7.X
ES Version：6.5.4
# Reindex 简介
5.X版本后新增Reindex。Reindex可以直接在Elasticsearch集群里面对数据进行重建，如果你的mapping因为修改而需要重建，又或者索引设置修改里面重建的时候，借助Reindex可以很方便的异步进行重建，并且支持跨集群间的数据迁移。比如按天创建的索引可以定期重建合并到以月为单位的索引里面去。当然索引里面要启用_source
POST _reindex
{
"source" : {
"index" : "twitter"
},
"dest" : {
"index" : "new_twitter"
}
}
2
3
4
5
6
7
8
9
# Q1：reindex和snapshot的速率极慢，是否有办法改善？
reindex和snapshot的速率比用filebeat或者kafka到es的写入速率慢好几个数量级（集群写入性能不存在瓶颈），reindex/snapshot的时候CPU还是IO使用率都很低，是不是集群受什么参数限制了reindex和snapshot的速率？ reindex不管是跨集群还是同集群上都很忙，大约3~5M/s的索引速率，会是什么原因导致？
# Q2：数据量几十个G的场景下，elasticsearch reindex速度太慢，从旧引导数据到新索引，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。 慢的原因和优化思路无非包括：
- 批量大小值可能太小，需要结合堆内存、线程池调整太小;
- reindex的底层是scroll实现，借助scroll并行优化方式，提高效率
- 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
# Reindex提升迁移效率的方案
# 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",
"routing" : "=cat"
}
}
2
3
4
5
6
7
8
9
10
11
批量大小设置的依据：
- 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，这里是物理大小。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
- 每个1kb的1000个文档是1mb
- 每个100kb的1000个文档是100MB 这些是完全不同的体积大小
- 逐步递增文档容量大小的方式调优
- 从大学5-15MB的大容量开始，慢慢增加，直到你看不见性能的提升。然后开始增加批量写入的并发性（多线程等等）
- 使用kibana、cerebo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
# 借助scroll的sliced提升写入效率
Reindex支持Sliced Scroll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（from medcl）
- 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。
- 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"
}
}
2
3
4
5
6
7
8
9
slices大小设置注意事项：
- 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
- 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，反而会增大开销。
- 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
# ES副本数设置为0
如果要进行大量批量导入，请考虑通过设置index.number_of_replicas来禁用副本：0 主要原因在于：复制文档时，将整个文档发送到副本节点，并逐字重复索引过程。这意味着每个副本都将执行分析，索引和潜在合并过程 相反，如果您使用零副本进行索引，然后再提取完成时启用副本，则恢复过程本质上是逐字节的网络传输。这比复制索引过程更加有效。
PUT my_logs/_settings
{
"number_of_replicas" : 1
}
2
3
4
# 增加refresh间隔
如果你的搜索结果不需要接近实时的准确性，考虑先不要急于索引刷新refresh。可以将每个索引的refresh_interval到30s 如果正在进行大量数据导入，可以通过在导入期间将此值设置为-1来禁止刷新。完成后不要忘记重新启用它! 设置方法：
PUT /my_logs/_settings
{
"refresh_interval" : -1
}
2
3
4
5
# 小结
实践证明，比默认设置reindex速度能提高10倍+