使用Python操作Elasticsearch数据索引的教程

2019-11-25 17:47:55

字体：大中小

来源：转载

供稿：网友

Elasticsearch是一个分布式、Restful的搜索及分析服务器，Apache Solr一样，它也是基于Lucence的索引服务器，但我认为Elasticsearch对比Solr的优点在于：

轻量级：安装启动方便，下载文件之后一条命令就可以启动；
Schema free：可以向服务器提交任意结构的JSON对象，Solr中使用schema.xml指定了索引结构；
多索引文件支持：使用不同的index参数就能创建另一个索引文件，Solr中需要另行配置；
分布式：Solr Cloud的配置比较复杂。

环境搭建

启动Elasticsearch，访问端口在9200，通过浏览器可以查看到返回的JSON数据，Elasticsearch提交和返回的数据格式都是JSON.

>> bin/elasticsearch -f

安装官方提供的Python API，在OS X上安装后出现一些Python运行错误，是因为setuptools版本太旧引起的，删除重装后恢复正常。

>> pip install elasticsearch

索引操作

对于单条索引，可以调用create或index方法。

from datetime import datetimefrom elasticsearch import Elasticsearches = Elasticsearch() #create a localhost server connection, or Elasticsearch("ip")es.create(index="test-index", doc_type="test-type", id=1,  body={"any":"data", "timestamp": datetime.now()})

Elasticsearch批量索引的命令是bulk，目前Python API的文档示例较少，花了不少时间阅读源代码才弄清楚批量索引的提交格式。

from datetime import datetimefrom elasticsearch import Elasticsearchfrom elasticsearch import helperses = Elasticsearch("10.18.13.3")j = 0count = int(df[0].count())actions = []while (j < count):   action = {        "_index": "tickets-index",        "_type": "tickets",        "_id": j + 1,        "_source": {              "crawaldate":df[0][j],              "flight":df[1][j],              "price":float(df[2][j]),              "discount":float(df[3][j]),              "date":df[4][j],              "takeoff":df[5][j],              "land":df[6][j],              "source":df[7][j],              "timestamp": datetime.now()}        }  actions.append(action)  j += 1  if (len(actions) == 500000):    helpers.bulk(es, actions)    del actions[0:len(actions)]if (len(actions) > 0):  helpers.bulk(es, actions)  del actions[0:len(actions)]

在这里发现Python API序列化JSON时对数据类型支撑比较有限，原始数据使用的NumPy.Int32必须转换为int才能索引。此外，现在的bulk操作默认是每次提交500条数据，我修改为5000甚至50000进行测试，会有索引不成功的情况。

#helpers.py source codedef streaming_bulk(client, actions, chunk_size=500, raise_on_error=False,    expand_action_callback=expand_action, **kwargs):  actions = map(expand_action_callback, actions)  # if raise on error is set, we need to collect errors per chunk before raising them  errors = []  while True:    chunk = islice(actions, chunk_size)    bulk_actions = []    for action, data in chunk:      bulk_actions.append(action)      if data is not None:        bulk_actions.append(data)    if not bulk_actions:      returndef bulk(client, actions, stats_only=False, **kwargs):  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

对于索引的批量删除和更新操作，对应的文档格式如下，更新文档中的doc节点是必须的。

{  '_op_type': 'delete',  '_index': 'index-name',  '_type': 'document',  '_id': 42,}{  '_op_type': 'update',  '_index': 'index-name',  '_type': 'document',  '_id': 42,  'doc': {'question': 'The life, universe and everything.'}}

常见错误

SerializationError：JSON数据序列化出错，通常是因为不支持某个节点值的数据类型
RequestError：提交数据格式不正确
ConflictError：索引ID冲突
TransportError：连接无法建立

性能

201548154754551.jpg (721×134)

上面是使用MongoDB和Elasticsearch存储相同数据的对比，虽然服务器和操作方式都不完全相同，但可以看出数据库对批量写入还是比索引服务器更具备优势。

Elasticsearch的索引文件是自动分块，达到千万级数据对写入速度也没有影响。但在达到磁盘空间上限时，Elasticsearch出现了文件合并错误，并且大量丢失数据（共丢了100多万条），停止客户端写入后，服务器也无法自动恢复，必须手动停止。在生产环境中这点比较致命，尤其是使用非Java客户端，似乎无法在客户端获取到服务端的Java异常，这使得程序员必须很小心地处理服务端的返回信息。

上一篇：在Python中使用NLTK库实现对词干的提取的教程

下一篇：用Python实现协同过滤的教程