将 AWS Kinesis Firehose 回填到 Elasticsearch Service 失败记录

Posted 2023-02-24

【中文标题】将 AWS Kinesis Firehose 回填到 Elasticsearch Service 失败记录

【英文标题】：Backfill AWS Kinesis Firehose to Elasticsearch Service failed records

【发布时间】：2018-09-24 03:23:53

【问题描述】：

我们有一个将记录发送到 Elasticsearch 服务集群的 firehose。我们的集群已满，一些记录故障转移到 S3。 https://docs.aws.amazon.com/firehose/latest/dev/basic-deliver.html#retry 的文档表明失败的记录可用于回填：“跳过的文档将传送到 elasticsearch_failed/ 文件夹中的 S3 存储桶，您可以将其用于手动回填”但我找不到任何有关如何完成此操作的文档。

查看记录，它们似乎是包含 JSON blob 的文本文件的 gzip 文件，其中“rawData”字段包含我们发送到 firehose 的原始记录的 base64 编码字符串。

是否有现成的工具可以从 S3 中处理这些 gzip 文件、分解它们并重新提交记录？该文档暗示您可以“仅手动回填”，这是一个非常标准化的流程，所以我的假设是之前有人这样做过，但我无法找到方法。

【问题讨论】：

您找到任何合适的解决方案了吗？我还在网上搜索对此的一些“内置”支持。 AWS Data Pipeline 提供了一种更好的方法，您可以重新运行失败的实例。

【参考方案1】：

我想手动回填意味着使用 AWS 开发工具包之一将文档再次发送到 Elasticsearch。 python 中的一个示例（使用 boto3），从 S3 读取失败文件并将其中的文档发送到 Elasticsearch：

es_client = boto3.client('es', region_name=REGION, aws_access_key_id=ACCESS_KEY_ID, aws_secret_access_key=SECRET_ACCESS_KEY)
s3_client = boto3.client('s3', region_name=REGION, aws_access_key_id=ACCESS_KEY_ID, aws_secret_access_key=SECRET_ACCESS_KEY)

file = s3_client.get_object(Bucket=bucket, Key=key)
text = file['Body'].read().decode("utf-8")
failure_cases = list(map(lambda x: json.loads(x), filter(None, text.split('\n'))))

for case in failure_cases:
    try:
        data = base64.b64decode(case['rawData'])
        es_instance.create(index=case['esIndexName'], id=case['esDocumentId'], body=data)
        logger.debug("Successfully sent ".format(case['esDocumentId']))
    except RequestError:
        logger.info("Retry failed for Document ID \nReason: "
                    .format(case['esDocumentId'], case['errorMessage']))

【参考方案2】：

遇到了同样的问题，修改了上面的脚本，将失败的文档（带有 403 ）回填到现有的 elasticsearch 实例中

import boto3
import json
import base64
import logger
import requests

s3_client = boto3.client('s3', region_name="xx-xx-x", aws_access_key_id="xxxx", aws_secret_access_key="xxxx")
s3keys = s3_client.list_objects(Bucket="bucketname", Prefix='path/to/folder/file')
for s3key in s3keys['Contents']:
    print(s3key['Key'])
    file = s3_client.get_object(Bucket="bucketname", Key=s3key['Key'])
    text = file['Body'].read().decode("utf-8")
    failure_cases = list(map(lambda x: json.loads(x), filter(None, text.split('\n'))))
    for case in failure_cases:
        data = base64.b64decode(case['rawData'])
        esid = case['esDocumentId']
        esIndexName = case['esIndexName']
        doc = data.decode('utf-8')
        url = ("https://es-domain-name/%s/_doc/%s" %(esIndexName, esid ))
        headers = "content-type": "application/json", "Accept-Charset": "UTF-8"
        if case['errorCode'] == '403':
            try:
                print(case['errorCode'])
                r = requests.post(url, data=doc, headers=headers, auth=('user', 'password'))
                response = r.json()
                print(response)
            except:
                pass

【讨论】：

老兄，对于这两个答案，这个：failure_cases = list(map(lambda x: json.loads(x), filter(None, text.split('\n')))) 代码是 hiiiiiideeeoousssss 而不是 pythonic。一个更好的选择：[json.loads(d) for d in body.strip().split(b"\n")] 其中 body 没有被解码（因此被 b"\n" 分割）。