如何使用elasticsearch.helpers.streaming\u bu

Question

有人能建议如何使用函数elasticsearch.helpers.streaming_bulk代替elasticsearch.helpers.bulk将数据索引到elasticsearch吗。

如果我只是简单地改变流媒体的批量而不是批量，就不会有索引，所以我想它需要以不同的形式使用。

下面的代码将从CSV文件中创建索引、类型和索引数据，这些数据以500个elemens的块形式存储到elasticsearch中。它工作正常，但我不知道是否有可能提高性能。这就是为什么我想尝试流媒体批量功能。

目前，我需要10分钟为200MB的CSV文档索引100万行。我使用两台机器，Centos 6.6和8个CPU-s，x86ʂ64，CPU MHz:2499.902，内存：总共15.574G。 不知道能不能再快一点。

es = elasticsearch.Elasticsearch([{'host': 'uxmachine-test', 'port': 9200}])
index_name = 'new_index'
type_name = 'new_type'
mapping = json.loads(open(config["index_mapping"]).read()) #read mapping from json file

es.indices.create(index_name)
es.indices.put_mapping(index=index_name, doc_type=type_name, body=mapping)

with open(file_to_index, 'rb') as csvfile:
    reader = csv.reader(csvfile)        #read documents for indexing from CSV file, more than million rows
    content = {"_index": index_name, "_type": type_name}
    batch_chunks = []
    iterator = 0

    for row in reader:
        var = transform_row_for_indexing(row,fields, index_name, type_name,id_name,id_increment)
        id_increment = id_increment + 1
        #var = transform_row_for_indexing(row,fields, index_name, type_name)
        batch_chunks.append(var)
        if iterator % 500 == 0:
            helpers.bulk(es,batch_chunks)
            del batch_chunks[:]
            print "ispucalo batch"
        iterator = iterator + 1
    # indexing of last batch_chunk
    if len(batch_chunks) != 0:
        helpers.bulk(es,batch_chunks)

Answer 1

所以流式大容量返回一个激励器。这意味着在你开始迭代之前什么都不会发生。“bulk”函数的代码如下所示：

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

所以基本上只调用streaming_bulk（client，actions，**kwargs）实际上不会做任何事情。直到像在这个for循环中那样迭代它，索引才真正开始发生。

所以在你的代码里。欢迎您将“bulk”更改为“streaming_bulk”，但是您需要迭代streaming bulk的结果，以便实际索引任何内容。

Answer 2

streaming_bulk使用actions的迭代器并为每个操作生成一个响应。 因此，首先需要在文档上编写一个简单的迭代器，如下所示：

def document_stream(file_to_index):
    with open(file_to_index, "rb") as csvfile:
        for row in csv.reader(csvfile):
            yield {"_index": index_name,
                   "_type": type_name,
                   "_source": transform_row(row)
                   }

然后执行流式大容量插入

stream = document_stream(file_to_index)
for ok, response in streaming_bulk(es, actions = stream):
    if not ok:
        # failure inserting
        print response