elasticsearch-py 扫描并滚动以返回所有文档

Question

我正在使用 elasticsearch-py 连接到包含超过 300 万个文档的 ES 数据库。 我想返回所有文档，以便我可以抽象数据并将其写入 csv。 我能够使用以下代码轻松完成 10 个文档（默认返回）。

es=Elasticsearch("glycerin")
query={"query" : {"match_all" : {}}}
response= es.search(index="_all", doc_type="patent", body=query)

for hit in response["hits"]["hits"]:
  print hit

不幸的是，当我尝试实施扫描和滚动时，我可以获取遇到问题的所有文档。 我尝试了两种不同的方法，但没有成功。

方法一：

scanResp= es.search(index="_all", doc_type="patent", body=query, search_type="scan", scroll="10m")  
scrollId= scanResp['_scroll_id']

response= es.scroll(scroll_id=scrollId, scroll= "10m")
print response

在scroll/它给出了滚动 ID，然后以?scroll=10m (Caused by <class 'httplib.BadStatusLine'>: ''))结尾?scroll=10m (Caused by <class 'httplib.BadStatusLine'>: ''))

方法二：

query={"query" : {"match_all" : {}}}
scanResp= helpers.scan(client= es, query=query, scroll= "10m", index="", doc_type="patent", timeout="10m")

for resp in scanResp:
    print "Hiya"

如果我在 for 循环之前打印出 scanResp 我得到<generator object scan at 0x108723dc0> 。 因此，我相对确定我以某种方式弄乱了我的卷轴，但我不确定在哪里或如何修复它。

结果： 同样，在scroll/它给出了滚动 ID，然后以?scroll=10m (Caused by <class 'httplib.BadStatusLine'>: ''))结尾?scroll=10m (Caused by <class 'httplib.BadStatusLine'>: ''))

我尝试增加传输类的最大重试次数，但这并没有什么不同。我非常感谢您对如何解决此问题的任何见解。

注意：我的 ES 位于同一网络上的远程桌面上。

Answer 1

python scan 方法正在生成对其余 api 的 GET 调用。 它试图通过 http 发送您的 scroll_id。 这里最可能的情况是您的 scroll_id 太大而无法通过 http 发送，因此您看到此错误是因为它没有返回任何响应。

因为 scroll_id 根据您拥有的分片数量增长，所以最好使用 POST 并在 JSON 中将 scroll_id 作为请求的一部分发送。 通过这种方式，您可以绕过它对于 http 调用来说太大的限制。

Answer 2

你的问题解决了吗？

我有一个简单的解决方案，每次调用滚动方法后都必须更改scroll_id如下所示：

response_tmp = es.scroll(scroll_id=scrollId, scroll= "1m")

scrollId = response_tmp['_scroll_id']