Elasticsearch实战 | 如何从数千万手机号中识别出情侣号？

Posted 2020-12-19

1、问题描述

您好，请教个问题。我现在有2千多万的手机号码信息保存在es里。5个分片，3个节点。

现在的需求是将后八位相同的号码匹配到一起，重新放到一个index里。组成情侣号。方便后续查询情侣号列表。

我目前的做法是用scroll查询出一万条，多线程循环一万条中的每条，去全库扫描---但是这种做法一分钟才能处理一万条。您有什么新的思路没。

死磕Elasticsearch知识星球 https://t.zsxq.com/Iie66qV
问题补充：索引存储了手机号，同时存储了插入时间。

2、问题分析

2.1 情侣号的定义
后八位相同的号码即为情侣号。

举例：

13011112222
13511112222
13711112222
2.2 如何对后8位建立索引，以方便后续的识别？
方案一 不单独建索引，用script来实现

缺点：script效率低一些

方案二：写入数据的时候，同时基于后八位创建新的字段。

2.3 8位相同的号码匹配到一起，重新放到一个index里怎么实现？
Elasticsearch自带reindex功能就是实现索引迁移的，当然自定义读写也可以实现。

方案一：遍历方式+写入。

步骤 1：基于时间递增循环遍历，以起始的手机号为种子数据，满足后八位相同的加上标记flag=1。
步骤 2：循环步骤1，满足flag=1直接跳过，直到所有手机号遍历一遍。
步骤 3：将包含flag=1的字段，reindex到情侣号索引。
方案二：聚合出情侣号组，将聚合结果reindex到情侣号索引。

考虑到数据量级千万级别，全量聚合不现实。

可以，基于时间切片，取出最小时间戳、最大时间戳，根据数据总量和时间范围划分出时间间隔。

举例：以30分钟为单位切割千万级数据。

步骤 1：terms聚合后8位手机号。
terms聚合只返回对应：key，value值，默认value值由高到低排序。

key：代表手机号后8位，value：代表相同后8位的数据量。

步骤 2：top_hits子聚合取出手机号详情。
步骤 3：json解析识别出步骤2的所有手机号或_id。
步骤 4：reindex步骤3的_id数据到情侣号索引。
步骤 5：时间切片周期递增，直到所有数据遍历完毕。
2.4 扩展自问：手机号怎么存，才能查出来后8位？
举例：查询“11112222”，返回2.1列表的三个手机号。

方案1：wildcard模糊匹配。
优点：无需额外字段存储。

缺点：效率低。

方案2：ngram分词+match_phrase处理。
优点：效率高。

缺点：需要独立存储的后8位字段。

3、实战一把

3.1 数据建模
3.1.1 字段设计

只包含非业务的有效必要字段。

（1）插入时间戳字段 insert_time, date类型。

由：ingest默认生成，不手动添加，提高效率。

（2）手机号字段 phone_number, text和keyword类型。

text类型基于ngram分词,主要方便phone_number全文检索。

keyword类型方便：排序和聚合使用。

（3）后8位手机号字段 last_eight_number, keyword类型。

只聚合和排序用，不检索。

3.1.2 ingest处理初始化数据先行

ingest pipeline的核心功能可以理解为写入前数据的ETL。

而：insert_time可以自动生成、last_eight_number可以基于phone_number提取。

定义如下：

0.create ingest_pipeline of insert_time and last_eight_number

PUT _ingest/pipeline/initialize
{
"description": "Adds insert_time timestamp to documents",
"processors": [
{
"set": {
"field": "_source.insert_time",
"value": "{{_ingest.timestamp}}"
}
},
{
"script": {
"lang": "painless",
"source": "ctx.last_eight_number = (ctx.phone_number.substring(3,11))"
}
}
]
}
3.1.3 模板定义

两个索引：

索引1：phone_index，存储全部手机号（数千万）
索引2：phone_couple_index，存储情侣号
由于两索引Mapping结构一样，使用模板管理会更为方便。

定义如下：

1.create template of phone_index and phone_couple_index

PUT _template/phone_template
{
"indexpatterns": "phone*",
"settings": {
"number_of_replicas": 0,
"index.default_pipeline": "initialize",
"index": {
"max_ngram_diff": "13",
"analysis": {
"analyzer": {
"ngram_analyzer": {
"tokenizer": "ngram_tokenizer"
}
},
"tokenizer": {
"ngram_tokenizer": {
"token_chars": [
"letter",
"digit"
],
"min_gram": "1",
"type": "ngram",
"max_gram": "11"
}
}
}
}
},
"mappings": {
"properties": {
"insert_time":{
"type":"date"
},
"last_eight_number":{
"type":"keyword"
},
"phone_number": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword"
}
},
"analyzer": "ngram_analyzer"
}
}
}
}
3.1.4 索引定义

PUT phone_index
PUT phone_couple_index
3.2 数据写入
采用模拟数据，实际业务会有所区别。

POST phone_index/_bulk
{"index":{"_id":1}}
{"phone_number" : "13511112222"}
{"index":{"_id":2}}
{"phone_number" : "13611112222"}
{"index":{"_id":3}}
{"phone_number" : "13711112222"}
{"index":{"_id":4}}
{"phone_number" : "13811112222"}
{"index":{"_id":5}}
{"phone_number" : "13844248474"}
{"index":{"_id":6}}
{"phone_number" : "13866113333"}
{"index":{"_id":7}}
{"phone_number" : "15766113333"}

模拟数据显示，有两组情侣号。

第一组情侣号尾数：“11112222”
第二组情侣号尾数：“66113333”
3.2 数据聚合
如前所述，聚合的目的是：提取出情侣号（>=2）的手机号或对应id。

GET phone_index/_search
{
"size": 0,
"query": {
"range": {
"insert_time": {
"gte": 1584871200000,
"lte": 1584892800000
}
}
},
"aggs": {
"last_aggs": {
"terms": {
"field": "last_eight_number",
"min_doc_count": 2,
"size": 10,
"shard_size": 30
},
"aggs": {
"sub_top_hits_aggs": {
"top_hits": {
"size": 100,
"_source": {
"includes": "phone_number"
},
"sort": [
{
"phone_number.keyword": {
"order": "asc"
}
}
]
}
}
}
}
}
}
注意：

查询的目的：按时间间隔取数据。原因：「聚合全量性能太差」。
外层聚合last_aggs统计：情侣号分组及数量。
内层子聚合sub_top_hits_aggs统计：下钻的手机号或_id等信息。
min_doc_count作用：聚合后的分组记录最小条数，情侣号必须>=2，则设置为2。
3.4 数据迁移
基于3.3 取出的满足条件的id进行跨索引迁移。

POST _reindex
{
"source": {
"index": "phone_index",
"query": {
"terms": {
"_id": [
1,
2,
3,
4,
6,
7
]
}
}
},
"dest": {
"index": "phone_couple_index"
}
}
注意：实际业务需要考虑数据规模，划定轮询时间间隔区间。

建议：按照2.3章节的流程图执行。

4、方案进一步探究

第3节的实战一把实际是基于基础数据都写入ES了再做的处理。

核心的操作都是基于Elasticsearch完成的。

试想一下，这个环节如果提前是不是更合理呢?

数据图如下所示：

电话数据信息写入消息队列（如：kafka、rocketmq、rabbitmq等）。
消息队列可以直接同步到ES的phone_index索引。如：红线所示。
情侣号的处理借助第三方redis服务实现，逐条过滤，满足条件的数据同步到ES的情侣号索引phone_couple_index。如：绿线所示。
这样，Elasticsearch只干它最擅长的事情，剩下的工作前置交给消息队列完成。

5、小结

本文就提出问题做了详细的阐述和实践，用到Elasticsearch 模板、Ingest、reindex等核心知识点和操作，给线上业务提供了理论参考。

大家对本文有异议或者有更好的方案，欢迎留言交流。