ES之数据迁移

应用背景

• 数据量过大，索引分片数量不足，导致数据入库较慢的情况，需要扩大分片的数量。
• 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。

上述情况下需要重建索引进行数据迁移，ES提供了_reindex这个API来实现这个功能，它相对于重新导入数据速度更快，大概是bulk导入数据的5-10倍。

数据迁移步骤

1、创建新的索引

在创建索引的时候需要把表结构创建好。

2、复制数据

1）直接复制索引到新的索引名称

POST localhost:9200/_reindex
{
  "source": {
    "index": "indexName"
  },
  "dest": {
    "index": "newIndexName"
  }
} 

2）查询复制索引到新的索引名称

POST localhost:9200/_reindex
{
  "source": {
    "index": "indexName",
    "type": "typeName",
    "query": {
      "term": {
        "name": "shao"
      }
    }
  },
  "dest": {
    "index": "newIndexName"
  }
} 

3）利用命令

curl _XPOST 'ES数据库请求地址:9200/_reindex' -d{"source":{"index":"old_index"},"dest":{"index":"new_index"}} 

但如果新的index中有数据，并且可能发生冲突，那么可以设置version_type"version_type": "internal"或者不设置，则Elasticsearch强制性的将文档转储到目标中，覆盖具有相同类型和ID的任何内容：

POST _reindex
{
  "source": {
    "index": "old_index"
  },
  "dest": {
    "index": "new_index",
    "version_type": "internal"
  }
}

数据迁移效率

常规情况下，如果只是进行少量数据迁移，利用普通的reindex就可以达到要求。但是当需要迁移的数据量过大时，会发现reindex的速度会变得很慢。比如数据量几十个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，可以在source中调整batch_size。 

POST _reindex
{
  "source": {
    "index": "source",
    "size": 5000
  },
  "dest": {
    "index": "dest",
    "routing": "=cat"
  }
}

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，一般每批处理5-15 MB物理大小数据。

2、逐步递增文档容量大小的方式调优

从大约5-15 MB的大容量开始，慢慢增加，直到看不到性能的提升。然后开始增加批量写入的并发性。使用kibana、cerebro或iostat、top和ps等工具监视节点，查看资源何时开始出现瓶颈。如果开始接收EsRejectedExecutionException，说明地区==当前集群已经达到性能极限。

借助scroll的sliced提升写入效率

Reindex支持Sliced Scroll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）

Scroll接口现在可以并发进行数据遍历，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。

实践证明，比默认设置reindex速度能提升10倍+。