ELASTICSEARCH 写入速度优化

  • ELASTICSEARCH 写入速度优化已关闭评论
  • 168 views
  • A+
所属分类：未分类
收 藏

基于版本: 2.x – 5.x

在 es 的默认设置,是综合考虑数据可靠性,搜索实时性,写入速度等因素的,当你离开默认设置,追求极致的写入速度时,很多是以牺牲可靠性和搜索实时性为代价的.有时候,业务上对两者要求并不高,反而对写入速度要求很高,例如在我的场景中,要求每秒200w 条的平均写入速度,每条500字节左右

接下来的优化基于集群正常运行的前提下,如果是集群首次灌入数据,可以将副本数设置为0，写入完毕再调整回去，这样副本分片只需要拷贝，节省了索引过程.

综合来说,提升写入速度从以下几方面入手:

  • 加大 translog flush ,目的是降低 iops,writeblock
  • 加大 index refresh间隔, 目的除了降低 io, 更重要的降低了 segment merge 频率
  • 调整 bulk 线程池和队列
  • 优化磁盘间的任务均匀情况,将 shard 尽量均匀分布到物理主机的各磁盘
  • 优化节点间的任务分布,将任务尽量均匀的发到各节点
  • 优化 lucene 层建立索引的过程,目的是降低 CPU 占用率及 IO

translog flush 间隔调整

从 es 2.x 开始, 默认设置下,translog 的持久化策略为:每个请求都flush.对应配置项为:

这是影响 es 写入速度的最大因素.但是只有这样,写操作才有可能是可靠的,原因参考写入流程.
如果系统可以接受一定几率的数据丢失,调整 translog 持久化策略为周期性和一定大小的时候 flush:

索引刷新间隔调整: refresh_interval

refresh_interval

默认情况下索引的refresh_interval为1秒,这意味着数据写1秒后就可以被搜索到,每次索引的 refresh 会产生一个新的 lucene 段,这会导致频繁的 segment merge 行为,如果你不需要这么高的搜索实时性,应该降低索引refresh 周期,如:

segment merge

segment merge 操作对系统 CPU 和 IO 占用都比较高,从es 2.0开始,merge 行为不再由 es 控制,而是转由 lucene 控制,因此以下配置已被删除:

改为以下调整开关:

最大线程数的默认值为:

是一个比较理想的值,如果你只有一块硬盘并且非 SSD, 应该把他设置为1,因为在旋转存储介质上并发写,由于寻址的原因,不会提升,只会降低写入速度.

merge 策略有三种:

  • tiered
  • log_byete_size
  • log_doc

默认情况下:

索引创建时合并策略就已确定,不能更改,但是可以动态更新策略参数,一般情况下,不需要调整.如果堆栈经常有很多 merge, 可以尝试调整以下配置:

该属性用于阻止segment 的频繁flush, 小于此值将考虑优先合并,默认为2M,可考虑适当降低此值

该属性指定了每层分段的数量,取值约小最终segment 越少,因此需要 merge 的操作更多,可以考虑适当增加此值.默认为10,他应该大于等于 index.merge.policy.max_merge_at_once

指定了单个 segment 的最大容量,默认为5GB,可以考虑适当降低此值

Indexing Buffer

indexing buffer在为 doc 建立索引时使用,当缓冲满时会刷入磁盘,生成一个新的 segment, 这是除refresh_interval外另外一个刷新索引,生成新 segment 的机会. 每个 shard 有自己的 indexing buffer,下面的关于这个 buffer 大小的配置需要除以这个节点上所有的 shard 数量

默认为整个堆空间的10%

默认48mb

默认无限制

在大量的索引操作时,indices.memory.index_buffer_size默认设置可能不够,这和可用堆内存,单节点上的 shard 数量相关,可以考虑适当增大.

bulk 线程池和队列大小

建立索引的过程偏计算密集型任务,应该使用固定大小的线程池配置,来不及处理的放入队列,线程数量配置为 CPU 核心数+1,避免过多的上下文切换.队列大小可以适当增加.

磁盘间的任务均衡

如果你的部署方案是为path.data 配置多个路径来使用多块磁盘, es 在分配 shard 时,落到各磁盘上的 shard 可能并不均匀,这种不均匀可能会导致某些磁盘繁忙,利用率达到100%,这种不均匀达到一定程度可能会对写入性能产生负面影响.

es 在处理多路径时,优先将 shard 分配到可用空间百分比最多的磁盘,因此短时间内创建的 shard 可能被集中分配到这个磁盘,即使可用空间是99%和98%的差别.后来 es 在2.x 版本中开始解决这个问题的方式是:预估一下这个 shard 会使用的空间,从磁盘可用空间中减去这部分,直到现在6.x beta 版也是这种处理方式.但是实现也存在一些问题:

从可用空间减去预估大小

这种机制只存在于一次索引创建的过程中,下一次的索引创建,磁盘可用空间并不是上次做完减法以后的结果,这也可以理解,毕竟预估是不准的,一直减下去很快就减没了.

但是最终的效果是,这种机制并没有从根本上解决问题,即使没有完美的解决方案,这种机制的效果也不够好.

如果单一的机制不能解决所有的场景,至少应该为不同场景准备多种选择.

为此,我们为 es 增加了两种策略
简单轮询:系统初始阶段,简单轮询的效果是最均匀的
基于可用空间的动态加权轮询:以可用空间作为权重,在磁盘之间加权轮询

节点间的任务均衡

为了在节点间任务尽量均衡,数据写入客户端应该把 bulk 请求轮询发送到各个节点.

当使用 java api ,或者 rest api 的 bulk 接口发送数据时,客户端将会轮询的发送的集群节点,节点列表取决于:
当client.transport.sniff为 true,(默认为 false),列表为所有数据节点
否则,列表为初始化客户端对象时添加进去的节点.

java api 的 TransportClient 和 rest api 的 RestClient 都是线程安全的,当写入程序自己创建线程池控制并发,应该使用同一个 Client 对象.在此建议使用 rest api,兼容性好,只有吞吐量非常大才值得考虑序列化的开销,显然搜索并不是高吞吐量的业务.

观察bulk 请求在不同节点上的处理情况,通过cat 接口观察 bulk 线程池和队列情况,是否存在不均:

索引过程调整和优化

自动生成 doc ID

分析 es 写入流程可以看到,写入 doc 时如果是外部指定了 id,es 会先尝试读取原来doc的版本号, 判断是否需要更新,使用自动生成 doc id 可以避免这个环节.

调整字段 Mappings

字段的 index 属性设置为: not_analyzed,或者 no

对字段不分词,或者不索引,可以节省很多运算,降低 CPU 占用.尤其是 binary 类型,默认情况下占用 CPU 非常高,而这种类型根本不需要进行分词做索引.

单个 doc 在建立索引时的运算复杂度,最大的因素 不在于 doc 的字节数或者说某个字段 value 的长度,而是字段的数量. 例如在满负载的写入压力测试中,mapping 相同的情况下,一个有10个字段,200字节的 doc, 通过增加某些字段 value 的长度到500字节,写入 es 时速度下降很少,而如果字段数增加到20,即使整个 doc 字节数没增加多少,写入速度也会降低一倍.

使用不同的分析器:analyzer

不同的分析器在索引过程中运算复杂度也有较大的差异

调整_source 字段

_source 字段用于存储 doc 原始数据,对于部分不需要存储的字段,可以通过 includes excludes 来过滤,或者将 _source 禁用,一般用于索引和数据分离

这样可以降低 io 的压力,不过实际场景大多数情况不会禁用 _source ,而即使过滤掉某些字段,对于写入速度的提示效果也不大,满负荷写入情况下,基本是CPU 先跑满了,瓶颈在于 CPU.

禁用 _all 字段

_all 字段默认是开启的,其中包含所有字段分词后的关键词,作用是可以在搜索的时候不指定特定字段,从所有字段中检索.如果你不需要这个特性,可以禁用 _all,可以小幅的降低CPU 压力,对速度影响并不明显.

对于 Analyzed 的字段禁用 Norms

Norms 用于在搜索时计算 doc 的评分,如果不需要评分,可以禁用他:

index_options 设置

index_options 用于控制在建立倒排索引过程中,哪些内容会被添加到倒排,例如 doc数量,词频,positions,offsets等信息,优化这些设置可以一定程度降低索引过程中运算任务,节省 CPU 占用率

不过实际场景中,通常很难确定业务将来会不会用到这些信息,除非一开始方案就明确这样设计的

方法比结论重要

当面对一个系统性问题的时候,往往是多种因素造成的,在处理集群的写入性能问题上,先将问题分解,在单台上分析调整最高能力到某种系统资源达到极限,其中观察利用率,io block,线程切换,堆栈状态等,解决局部问题,在此基础上解决整体问题会容易很多

最后

jvm 参数除了 Xmx，Xms 其他尽量使用默认，一些看起来比较合理的参数实际效果可能适得其反。

共享下我的配置：

template-base：

{
 "template": "index-prefix-*",
 "settings": {
 "index.indexing.slowlog.threshold.index.debug" : "2s",
 "index.indexing.slowlog.threshold.index.info" : "5s",
 "index.indexing.slowlog.threshold.index.trace" : "500ms",
 "index.indexing.slowlog.threshold.index.warn" : "10s",
 "index.merge.policy.max_merged_segment" : "2gb",
 "index.merge.policy.segments_per_tier" : "24",
 "index.number_of_replicas" : "1",
 "index.number_of_shards" : "12",
 "index.optimize_auto_generated_id" : "true",
 "index.refresh_interval" : "600s",
 "index.routing.allocation.total_shards_per_node" : "-1",
 "index.search.slowlog.threshold.fetch.debug" : "500ms",
 "index.search.slowlog.threshold.fetch.info" : "800ms",
 "index.search.slowlog.threshold.fetch.trace" : "200ms",
 "index.search.slowlog.threshold.fetch.warn" : "1s",
 "index.search.slowlog.threshold.query.debug" : "2s",
 "index.search.slowlog.threshold.query.info" : "5s",
 "index.search.slowlog.threshold.query.trace" : "500ms",
 "index.search.slowlog.threshold.query.warn" : "10s",
 "index.translog.durability" : "async",
 "index.translog.flush_threshold_size" : "5000mb",
 "index.translog.sync_interval" : "120s",
 "index.unassigned.node_left.delayed_timeout" : "7200m"
 },
 "mappings": {
 "_default_": {
 "_all": {
 "store": "false"
 }
 },

"typename": {
 "dynamic": false,
 "properties": {
 "full_name": { "type": "text"}
 }
 }
 }
}

elasticsearch.yml:

#
network.host:

################################## GC Logging ################################

#monitor.jvm.gc.young.warn: 1000ms
#monitor.jvm.gc.young.info: 700ms
#monitor.jvm.gc.young.debug: 400ms

#monitor.jvm.gc.old.warn: 10s
#monitor.jvm.gc.old.info: 5s
#monitor.jvm.gc.old.debug: 2s

#http.jsonp.enable: true
cluster.name: mycluster
node.name: 
path.data: /data01/es,/data02/es,/data03/es,/data04/es,/data05/es,/data06/es,/data07/es,/data09/es,/data10/es,/data11/es,/data12/es
#path.work: /data01/es,/data02/es,/data03/es,/data04/es,/data05/es,/data06/es,/data07/es,/data08/es,/data09/es,/data10/es,/data11/es,/data12/es
transport.tcp.port: 9300
http.port: 9200
#http.cors.enabled: true
#http.cors.allow-origin: "http://192.168.0.25"

#my linux server do not have swap
bootstrap.memory_lock: false
bootstrap.seccomp: false
discovery.zen.ping_timeout: 60s
discovery.zen.fd.ping_interval: 30s
discovery.zen.fd.ping_timeout: 60s
discovery.zen.fd.ping_retries: 6
#action.replication_type: async
gateway.recover_after_nodes: 2
gateway.recover_after_time: 5m
gateway.expected_nodes: 3
discovery.zen.minimum_master_nodes: 2
discovery.zen.ping.unicast.hosts: 
indices.memory.index_buffer_size: 30%
indices.store.throttle.type: "none"
indices.store.throttle.max_bytes_per_sec: 10240mb
indices.recovery.max_bytes_per_sec: 10000mb
#indices.cache.filter.size: 20%
#indices.cache.query.size: 2%
indices.fielddata.cache.size: 30%
indices.breaker.fielddata.limit: 35%
indices.breaker.request.limit: 20%
indices.breaker.total.limit: 55%
#script.groovy.sandbox.enabled: true
#update interval of get disk used
cluster.info.update.interval: 3m
#recover thread
#index.unassigned.node_left.delayed_timeout: 1500m
action.auto_create_index: false
#threadpool:
#thread_pool.search.size: 25
thread_pool.search.queue_size: 1000

#thread_pool.index.size: 25
thread_pool.index.queue_size: 200

#thread_pool.bulk.size: 25
thread_pool.bulk.queue_size: 200



#https://www.elastic.co/guide/en/elasticsearch/reference/current/shards-allocation.html#_shard_balancing_heuristics
#nearly stop rebalance
cluster.routing.allocation.balance.shard: "0.45f"
cluster.routing.allocation.balance.index: "0.55f"
#cluster.routing.allocation.balance.primary: "0.30f"
cluster.routing.allocation.balance.threshold: "1.1f"
cluster.routing.allocation.cluster_concurrent_rebalance: "4"

cluster.routing.allocation.node_initial_primaries_recoveries: 12

cluster.routing.allocation.node_concurrent_recoveries: 30
cluster.routing.allocation.disk.threshold_enabled: false

cluster.routing.allocation.disk.watermark.low: 95%
cluster.routing.allocation.disk.watermark.high: 98%
  • 安卓客户端下载
  • 微信扫一扫
  • weinxin
  • 微信公众号
  • 微信公众号扫一扫
  • weinxin
avatar