如何使用elasticsearch.helpers.streaming_bulk

Question

有人能建议如何使用函数elasticsearch.helpers.streaming_bulk代替elasticsearch.helpers.bulk来索引数据到elasticsearch中吗？

如果我只是简单地更改streaming_bulk而不是bulk，那么任何内容都不会被索引，所以我猜它需要以不同的形式使用。

下面的代码创建索引，类型和索引数据从CSV文件在块500个元素到elasticsearch。它工作正常，但我在想，是否有可能提高性能。这就是我想尝试streaming_bulk函数的原因。

目前，我需要10分钟为200MB的CSV文档建立100万行的索引。我使用两台机器，CentOS6.6，8cpu-s，x86_64，CPU MHz: 2499.902，内存: 15.574G。不确定它还能走得更快。

es = elasticsearch.Elasticsearch([{'host': 'uxmachine-test', 'port': 9200}])
index_name = 'new_index'
type_name = 'new_type'
mapping = json.loads(open(config["index_mapping"]).read()) #read mapping from json file

es.indices.create(index_name)
es.indices.put_mapping(index=index_name, doc_type=type_name, body=mapping)

with open(file_to_index, 'rb') as csvfile:
    reader = csv.reader(csvfile)        #read documents for indexing from CSV file, more than million rows
    content = {"_index": index_name, "_type": type_name}
    batch_chunks = []
    iterator = 0

    for row in reader:
        var = transform_row_for_indexing(row,fields, index_name, type_name,id_name,id_increment)
        id_increment = id_increment + 1
        #var = transform_row_for_indexing(row,fields, index_name, type_name)
        batch_chunks.append(var)
        if iterator % 500 == 0:
            helpers.bulk(es,batch_chunks)
            del batch_chunks[:]
            print "ispucalo batch"
        iterator = iterator + 1
    # indexing of last batch_chunk
    if len(batch_chunks) != 0:
        helpers.bulk(es,batch_chunks)

Answer 1

因此，批量流式传输会返回一个插入器。这意味着在你开始迭代它之前什么都不会发生。“bulk”函数的代码如下所示：

success, failed = 0, 0

# list of errors to be collected is not stats_only
errors = []

for ok, item in streaming_bulk(client, actions, **kwargs):
    # go through request-reponse pairs and detect failures
    if not ok:
        if not stats_only:
            errors.append(item)
        failed += 1
    else:
        success += 1

return success, failed if stats_only else errors

因此，基本上只调用streaming_bulk(客户端，操作，**kwargs)实际上不会做任何事情。直到你像这个for循环一样遍历它，索引才真正开始发生。

所以在你的代码中。欢迎您将' bulk‘更改为'streaming_bulk’，但是您需要遍历批量流的结果，以便对任何内容进行索引。

Answer 2

streaming_bulk使用actions的迭代器，并为每个操作生成一个响应。因此，您首先需要在您的文档上编写一个简单的迭代器，如下所示：

def document_stream(file_to_index):
    with open(file_to_index, "rb") as csvfile:
        for row in csv.reader(csvfile):
            yield {"_index": index_name,
                   "_type": type_name,
                   "_source": transform_row(row)
                   }

然后执行流式大容量插入

stream = document_stream(file_to_index)
for ok, response in streaming_bulk(es, actions = stream):
    if not ok:
        # failure inserting
        print response