干货 | Elasticsearch Reindex性能提升10倍+实战

1、reindex的速率极慢，是否有办法改善？

以下问题来自社区：https://elasticsearch.cn/question/3782

问题1：reindex和snapshot的速率极慢，是否有办法改善？

问题2：数据量几十个G的场景下，elasticsearch reindex速度太慢，从旧索引导数据到新索引，当前最佳方案是什么？

2、Reindex简介

5.X版本后新增Reindex。Reindex可以直接在Elasticsearch集群里面对数据进行重建，如果你的mapping因为修改而需要重建，又或者索引设置修改需要重建的时候，借助Reindex可以很方便的异步进行重建，并且支持跨集群间的数据迁移。比如按天创建的索引可以定期重建合并到以月为单位的索引里面去。当然索引里面要启用_source。

POST _reindex{"source": {"index": "twitter"},"dest": {"index": "new_twitter"}}

3、原因分析

reindex的核心做跨索引、跨集群的数据迁移。
慢的原因及优化思路无非包括：

1）批量大小值可能太小。
需要结合堆内存、线程池调整大小；
2）reindex的底层是scroll实现，借助scroll并行优化方式，提升效率；
3）跨索引、跨集群的核心是写入数据，考虑写入优化角度提升效率。

4、Reindex提升迁移效率的方案

4.1 提升批量写入大小值

默认情况下，_reindex使用1000进行批量操作，您可以在source中调整batch_size。

POST _reindex{"source": {"index": "source","size": 5000},"dest": {"index": "dest","routing": "=cat"}}

批量大小设置的依据：

（1）使用批量索引请求以获得最佳性能。
批量大小取决于数据、分析和集群配置，但一个好的起点是每批处理5-15 MB。
注意，这是物理大小。文档数量不是度量批量大小的好指标。例如，如果每批索引1000个文档，:
1）每个1kb的1000个文档是1mb。
2）每个100kb的1000个文档是100 MB。
这些是完全不同的体积大小。

（2）通过逐步放大文档容量来做调优。
1）可以先从约 5-15 MB 这样偏大的容量起步，再一点点往上加，直到性能提升不再明显为止。接下来，再继续提高批量写入的并发度，比如多线程等方式。
2）同时，建议借助kibana、cerebro，以及 iostat、top、ps 这类工具持续观察节点状态，重点看资源是在什么时候开始触碰瓶颈。一旦开始收到 EsRejectedExecutionException，就说明集群已经有些跟不上了：至少有一项资源打满了。这时候可选的方向无非几种：要么降低并发度，要么补充紧缺资源（例如把机械硬盘换成 ssd 固态硬盘），要么直接增加节点数量。

4.2 借助scroll的sliced提升写入效率

Reindex支持Sliced Scroll以并行化重建索引过程。 这种并行化可以提高效率，并提供一种方便的方法将请求分解为更小的部分。

sliced原理（from medcl）

1）Scroll 接口不少人都用过，最大的感受往往就一个字：慢。尤其是数据量一旦上来，靠 Scroll 去遍历数据，效率确实很难让人满意。好在现在的 Scroll 接口已经支持并发遍历，处理方式灵活了不少。
2）具体怎么做？其实就是把一次 Scroll 请求拆成多个 Slice 请求，也就是常说的“切片”。每个 Slice 都能独立并行执行，所以不管是用 Scroll 做重建，还是做大批量遍历，速度都会快上很多倍。

slicing使用举例

slicing的设定分为两种方式：手动设置分片、自动设置分片。
手动设置分片参见官网。
自动设置分片如下：

POST _reindex?slices=5&refresh{"source": {"index": "twitter"},"dest": {"index": "new_twitter"}}

slices大小设置注意事项：
1）slices大小的设置可以手动指定，或者设置slices设置为auto，auto的含义是：针对单索引，slices大小=分片数；针对多索引，slices=分片的最小值。
2）当slices的数量等于索引中的分片数量时，查询性能最高效。slices大小大于分片数，非但不会提升效率，反而会增加开销。
3）如果这个slices数字很大(例如500)，建议选择一个较低的数字，因为过大的slices 会影响性能。

4.3 ES副本数设置为0

如果要进行大量批量导入，请考虑通过设置index.number_of_replicas来禁用副本：0。
主要原因在于：复制文档时，将整个文档发送到副本节点，并逐字重复索引过程。 这意味着每个副本都将执行分析，索引和潜在合并过程。
相反，如果您使用零副本进行索引，然后在提取完成时启用副本，则恢复过程本质上是逐字节的网络传输。 这比复制索引过程更有效。

PUT /my_logs/_settings{"number_of_replicas": 1}

4.4 增加refresh间隔

如果你的搜索结果不需要接近实时的准确性，考虑先不要急于索引刷新refresh。可以将每个索引的refresh_interval到30s。
如果正在进行大量数据导入，可以通过在导入期间将此值设置为-1来禁用刷新。完成后不要忘记重新启用它!
设置方法：

PUT /my_logs/_settings{ "refresh_interval": -1 }

5、小结

实践证明，比默认设置reindex速度能提升10倍 。
遇到类似问题，多从官网、原理甚至源码的角度思考，逐步拆解分析。
只要思维不滑坡，办法总比问题多！

参考：
[1] Jest Reindex参考：http://t.cn/RDOyIc8
[2] 官网性能优化：http://t.cn/RDOyJqr
[3] 论坛讨论：http://t.cn/RDOya3a

打造Elasticsearch基础、进阶、实战第一公众号！