Elasticsearch 跨网络跨集群同步选型指南

Posted 2021-05-21 铭毅天下

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Elasticsearch 跨网络跨集群同步选型指南相关的知识，希望对你有一定的参考价值。

1、两个同步实战问题

问题1：我想从目前的阿里云上6.7版本的es商业版，迁移到自己的7.10的自建环境，证书不一样，无法远程无法ccr，有没有实时同步的工具呀？还是只能用logstash ？
问题2：es 2个索引数据同步有什么组件或者方案吗？

2、问题解析

这是个经常被问到的问题。涉及到跨版本、跨网络、跨集群的索引数据的迁移或同步。我们拆解一下：

2.1 跨版本

7.X 是当前的主流版本，早期的业务系统会停留在6.X、5.X 甚至 2.X、1.X 版本。

同步数据要注意：7.X 和早期版本的不同？

7.X 版本已经经历了7.0——7.12 12+个小版本的迭代了，且7.0版本发布时间：2019-04-10，已经过去了2年+时间。

同步要关注的一个核心点：

官方说明更具备说服力：“Before 7.0.0, the mapping definition included a type name. Elasticsearch 7.0.0 and later no longer accept a default mapping. ”

6.X版本：还有 type 的概念，可以自己定义。
7.X版本：type 就是_doc。

实战举例说明：在 7.X 指定 type 写入数据：

PUT test-002/mytype/1
{
  "title":"testing"
}

会有如下的警告：

#! [types removal] Specifying types in document index requests is deprecated, use the typeless endpoints instead (/{index}/_doc/{id}, /{index}/_doc, or /{index}/_create/{id}).

https://www.elastic.co/guide/en/elasticsearch/reference/current/mapping.html

2.2 跨网络

两个集群不在一个局域网内，一个挂在云端、一个在本地。

这是常见的业务场景之一，至少我也这么干过。

2.3 跨集群

源数据和目的数据分布在两个不同的集群。

3、同步方案对比

如下几个同步方案，我们边实战边解读。

3.0 实战环境准备

为了演示方便，我们把环境简化。复杂环境，原理一致。

集群1：云端，单结点源集群：172.21.0.14:19022。
集群2：云端，单结点目的集群：172.21.0.14:19205。
两个集群共享一台云服务器，CPU：4核，内存：8G。

版本都一致，都是 7.12.0 版本。

测试数据：100W条（脚本自动生成）。

单条记录如下：

"_source" : {
          "name" : "9UCROh3",
          "age" : 16,
          "last_updated" : 1621579460000
        }

3.1 方案一：reindex 跨集群同步

3.1.1 reindex 前置条件：设置白名单

在目标集群上设置源集群的白名单，具体设置只能在：elasticsearch.yml 中。

reindex.remote.whitelist: "172.21.0.14:19022"

注意，如下实战不要在kibana dev tools测试，除非你已经修改了默认超时时间。

3.1.2 reindex 同步实战

POST _reindex
{
  "source": {
    "remote": {
      "host": "http://172.21.0.14:19022"
    },
    "index": "test_data",
    "size":10000,
     "slice": {
      "id": 0,
      "max": 5
    }
  },
  "dest": {
    "index": "test_data_from_reindex"
  }
}

两个核心参数说明如下：

size：默认一次 scroll 值大小是 1000，这里设置大了 10 倍，是 10000。
slice：把大的请求切分成小的请求，并发执行。（ps：我这里用法不严谨）。

3.1.3 reindex 同步实战结论

脚本测试，reindex 同步 100W 数据，耗时：34 s。

3.2 方案二：elasticdump 同步

https://github.com/elasticsearch-dump/elasticsearch-dump

3.2.1elasticdump 安装注意事项

elasticdump 前置依赖是 node，node要8.0+之后的版本。

[root@VM-0-14-centos test]# node -v
v12.13.1
[root@VM-0-14-centos test]# npm -v
6.12.1

安装成功标志：

[root@VM-0-14-centos test]# elasticdump --help
elasticdump: Import and export tools for elasticsearch
version: 6.71.0

Usage: elasticdump --input SOURCE --output DESTINATION [OPTIONS]
... ...

3.2.2 elasticdump 同步实战

elasticdump \\
  --input=http://172.21.0.14:19022/test_data \\
  --output=http://172.21.0.14:19205/test_data_from_dump \\
  --type=analyzer
elasticdump \\
  --input=http://172.21.0.14:19022/test_data \\
  --output=http://172.21.0.14:19205/test_data_from_dump \\
  --type=mapping
elasticdump \\
  --input=http://172.21.0.14:19022/test_data \\
  --output=http://172.21.0.14:19205/test_data_from_dump \\
  --type=data \\
  --concurrency=5 \\
  --limit=10000

基本上面的参数能做到：见名识意。

input ：源集群索引。
output ：目标集群索引。
analyzer ：同步分词器。
mapping ：同步映射schema。
data ：同步数据。
concurrency ：并发请求数。
limit：一次请求同步的文档数，默认是100。

3.2.3 elasticdump 同步实战验证结论

elasticdump 同步 100W数据，耗时：106 s。

3.3 方案四：ESM 工具同步

ESM 是 medcl 开源的派生自：Elasticsearch Dumper 的工具，基于 go 语言开发。

地址：https://github.com/medcl/esm

3.3.1 ESM 工具安装注意事项

依赖 go 版本：>= 1.7。

3.3.2 ESM 工具同步实战

esm  -s http://172.21.0.14:19022  -d http://172.21.0.14:19205 -x test_data  -y test_data_from_esm -w=5 -b=10 -c 10000

w：并发数。
b：bulk 大小，单位MB。
c：scroll 批量值大小。

3.3.3 ESM 工具同步实战结论

100万数据 38 s 同步完，速度极快。

esm  -s http://172.21.0.14:19022  -d http://172.21.0.14:19205 -x test_data  -y test_data_from_esm -w=5 -b=10 -c 10000
test_data
[05-19 13:44:58] [INF] [main.go:474,main] start data migration..
Scroll 1000000 / 1000000 [================================================================================================================] 100.00% 38s
Bulk 999989 / 1000000 [===================================================================================================================] 100.00% 38s
[05-19 13:45:36] [INF] [main.go:505,main] data migration finished.

同步时：CPU 被打爆，说明并发参数生效了。

3.4 方案五：logstash 同步

3.4.1 logstash 同步注意事项

本文基于 logstash 7.12.0，相关插件：logstash_input_elasticsearch 和 logstash_output_elasticsearch 都已经集成安装，无需再次安装。

注意：配置的输入、输出即是插件的名字，要小写。国外的很多博客都有错误，要实战一把甄别。

3.4.2 logstash 同步实战

input {
    elasticsearch {
        hosts => ["172.21.0.14:19022"]
        index => "test_data"
        size => 10000
        scroll => "5m"
        codec => "json"
        docinfo => true
    }
}
filter {
}
output {
    elasticsearch {
        hosts => ["172.21.0.14:19205"]
        index => "test_data_from_logstash"
    }
}

3.4.3 logstash同步测试

100W 数据 74 s 同步完。

3.5 方案三：快照&恢复同步

3.5.1 快照&恢复配置注意事项

提前在 elasticsearch.yml 配置文件配置快照存储路径。

path.repo: ["/home/elasticsearch/elasticsearch-7.12.0/backup"]

详细配置参考：干货 | Elasitcsearch7.X集群、索引备份与恢复实战。

3.5.2 快照&恢复实战

# 一个节点创建快照
PUT /_snapshot/my_backup
{
  "type": "fs",
  "settings": {
    "location": "/home/elasticsearch/elasticsearch-7.12.0/backup"
  }
}

PUT /_snapshot/my_backup/snapshot_testdata_index?wait_for_completion=true
{
  "indices": "test_data_from_dump",
  "ignore_unavailable": true,
  "include_global_state": false,
  "metadata": {
    "taken_by": "mingyi",
    "taken_because": "backup before upgrading"
  }
}

# 另外一个恢复快照
curl -XPOST "http://172.21.0.14:19022/_snapshot/my_backup/snapshot_testdata_index/_restore"

3.5.2 快照&恢复实战结论

执行快照时间：2 s。
恢复快照时间：1s 之内。

4、小结

本文针对 Elasticsearch 跨网络、跨集群之间的数据同步（模拟），给出了5 种方案，并分别在实战环境进行了验证。

初步验证结论如下：

当然，结论并非绝对，仅供参考。

各同步工具本质上都是：scroll + bulk + 多线程综合实现。

本质不同是：开发语言不同、并发处理实现不同等。

reindex 基于 Java 语言开发
esm 基于 go 语言开发
logstash 基于 ruby + java 开发
elastidump 基于 js 语言开发

快照涉及异地拷贝文件，速度制约因素是网络带宽，所以没有统计在内。

如何选型？相信看了本文的介绍，应该做到胸中有数了。

reindex 方案涉及配置白名单，快照和恢复快照涉及配置快照库和文件的传输。
esm、logstash、elastidump 同步不需要特殊配置。

耗时长短和集群规模、集群各个节点硬件配置、数据类型、写入优化方案等都有关系。

你实战开发中是如何同步数据的？欢迎留言讨论。