如何使用弹性搜索索引 10 亿行 CSV 文件？

Posted 2023-04-18

【中文标题】如何使用弹性搜索索引 10 亿行 CSV 文件？

【英文标题】：How to index a 1 billion row CSV file with elastic search?

【发布时间】：2021-03-19 11:31:24

【问题描述】：

假设您有一个大型 CSV 文件 - 假设有 10 亿行。

您希望文件中的每一行都成为弹性搜索中的文档。

您无法将文件加载到内存中 - 它太大，因此必须进行流式传输或分块。

花费的时间不是问题。首要任务是确保所有数据都被编入索引，没有丢失数据。

您如何看待这种方法：

第 1 部分：准备数据

以 1k 行为单位循环遍历 CSV 文件 对于每个批次，将行转换为 JSON 并将它们保存到一个较小的文件中 您现在有 1m 个文件，每个文件都有 1000 行漂亮的 JSON 文件名应该是递增的 ID。比如从1.json跑到1000000.json

第 2 部分：上传数据

开始循环遍历每个 JSON 文件并将其读入内存 使用批量 API 一次上传 1k 个文档 在结果数组中记录上传的成功/失败 循环遍历结果数组，如果有任何上传失败，重试

【问题讨论】：

这是一个好的开始！先用 100K 行试试，看看会发生什么。

你也可以使用logstash来做到这一点，它会处理你提到的一切。

【参考方案1】：

您上面提到的步骤看起来不错。确保 ES 不会承受负载的其他几件事：

根据我的经验，您也可以将批量请求大小增加到更大的值，例如在 4k-7k 范围内（从 7k 开始，如果它会引起疼痛，请尝试使用较小的批次，但要低于4k 可能不需要）。 确保refresh_interval 的值设置为非常大的值。这将确保文档不会被非常频繁地编入索引。 IMO 默认值也可以。阅读更多here。

正如上面的评论所暗示的，如果你从小批量的数据开始会更好。当然，如果您使用常量而不是硬编码值，您的任务就会变得更容易。

【讨论】：

@TomDane 你执行了吗？您遇到过哪些值得分享的障碍？