Elasticsearch python API：通过查询删除文档

Question

我看到以下 API 将在 Elasticsearch 中按查询删除 - http://www.elasticsearch.org/guide/en/elasticsearch/reference/current/docs-delete-by-query.html

但我想对弹性搜索批量 API 做同样的事情，即使我可以使用批量上传文档

es.bulk(body=json_batch)

我不确定如何使用用于弹性搜索的 python 批量 API 来通过查询调用删除。

Answer 1

看看elasticsearch如何通过查询API弃用删除。 我使用绑定创建了这个python脚本来做同样的事情。 首先定义ES连接：

import elasticsearch
es = elasticsearch.Elasticsearch(['localhost'])

现在，您可以使用它来为要删除的结果创建查询。

search=es.search(
    q='The Query to ES.',
    index="*logstash-*",
    size=10,
    search_type="scan",
    scroll='5m',
)

现在，您可以循环滚动该查询。 在我们这样做时生成我们的请求。

 while True:
    try: 
      # Git the next page of results. 
      scroll=es.scroll( scroll_id=search['_scroll_id'], scroll='5m', )
    # Since scroll throws an error catch it and break the loop. 
    except elasticsearch.exceptions.NotFoundError: 
      break 
    # We have results initialize the bulk variable. 
    bulk = ""
    for result in scroll['hits']['hits']:
      bulk = bulk + '{ "delete" : { "_index" : "' + str(result['_index']) + '", "_type" : "' + str(result['_type']) + '", "_id" : "' + str(result['_id']) + '" } }\n'
    # Finally do the deleting. 
    es.bulk( body=bulk )

要使用批量api，您需要确保两件事：

1. 文档已标识您要更新。 （索引，类型，id）
2. 每个请求都以换行符或/ n终止。

Answer 2

elasticsearch-py批量API允许您通过在每条记录中包含'_op_type': 'delete'来批量'_op_type': 'delete'记录。 但是，如果要逐个删除，则仍需要进行两个查询：一个用于获取要删除的记录，另一个用于删除它们。

批量执行此操作的最简单方法是使用python模块的scan()帮助程序，它包装ElasticSearch Scroll API，因此您无需跟踪_scroll_id 。 将它与bulk()帮助器一起用作已弃用的delete_by_query()的替代：

from elasticsearch.helpers import bulk, scan

bulk_deletes = []
for result in scan(es,
                   query=es_query_body,  # same as the search() body parameter
                   index=ES_INDEX,
                   doc_type=ES_DOC,
                   _source=False,
                   track_scores=False,
                   scroll='5m'):

    result['_op_type'] = 'delete'
    bulk_deletes.append(result)

bulk(elasticsearch, bulk_deletes)

---

由于传递了_source=False ，因此不会返回文档正文，因此每个结果都非常小。 但是，如果您有内存限制，则可以非常轻松地批量处理：

BATCH_SIZE = 100000

i = 0
bulk_deletes = []
for result in scan(...):

    if i == BATCH_SIZE:
        bulk(elasticsearch, bulk_deletes)
        bulk_deletes = []
        i = 0

    result['_op_type'] = 'delete'
    bulk_deletes.append(result)

    i += 1

bulk(elasticsearch, bulk_deletes)

Answer 3

我目前正在使用基于@drs响应的脚本，但始终使用bulk（）帮助程序。 它可以使用chunk_size参数从迭代器创建批量作业（默认为500，有关详细信息，请参阅straming_bulk（） ）。

from elasticsearch import Elasticsearch
from elasticsearch.helpers import scan, bulk

BULK_SIZE = 1000

def stream_items(es, query):
    for e in scan(es, 
                  query=query, 
                  index=ES_INDEX,
                  doc_type=ES_DOCTYPE, 
                  scroll='1m',
                  _source=False):

        # There exists a parameter to avoid this del statement (`track_source`) but at my version it doesn't exists.
        del e['_score']
        e['_op_type'] = 'delete'
        yield e

es = Elasticsearch(host='localhost')
bulk(es, stream_items(es, query), chunk_size=BULK_SIZE)

Answer 4

谢谢，这真的很有用！

我有两个建议：

1. 当使用scroll获取结果的下一页时， es.scroll(scroll_id=search['_scroll_id'])应该是在最后一个滚动中返回的_scroll_id ，而不是搜索返回的那个。 Elasticsearch不会每次都更新滚动ID，特别是对于较小的请求（请参阅此讨论 ），因此此代码可能有效，但并非万无一失。

2. 清除卷轴很重要，因为长时间保持搜索上下文打开会产生成本。 Clear Scroll API - Elasticsearch API文档它们将在超时后最终关闭，但如果您的磁盘空间不足，例如，它可以为您节省很多麻烦。

一种简单的方法是在旅途中建立一个滚动ID列表（确保摆脱重复！），并最终清除所有内容。

es.clear_scroll(scroll_id=scroll_id_list)

Answer 5

虽然在操作上等同于许多其他答案，但我发现这种方式更容易理解：

import elasticsearch
from elasticsearch.helpers import bulk

es = elasticsearch.Elasticsearch(['localhost'])

ids = [1,2,3, ...]      # list of ids that will be deleted
index = "fake_name"     # index where the documents are indexed

actions = ({
    "_id": id,
    "_op_type": "delete"
} for id in ids)

bulk(client=es, actions=actions, index=index, refresh=True)
# `refresh=True` makes the result immediately available