如何使用elasticsearch.helpers.streaming_bulk

Question

有人可以建议如何使用函数elasticsearch.helpers.streaming_bulk而不是elasticsearch.helpers.bulk将数据索引到elasticsearch中。

如果我只是改变streaming_bulk而不是批量，则没有任何内容被索引，所以我想它需要以不同的形式使用。

下面的代码从500个elemens的块中的CSV文件创建索引，类型和索引数据到elasticsearch。 它工作正常，但我在徘徊是否有可能提高性能。 这就是我想尝试使用streaming_bulk函数的原因。

目前我需要10分钟为100MB的CSV文档索引100万行。 我使用两台机器，Centos 6.6,8 CPU-s，x86_64，CPU MHz：2499.902，Mem：15.574G总计。 不确定它会更快。

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

因此，流量批量返回一个交互器。 这意味着在您开始迭代之前不会发生任何事情。 '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（客户端，动作，** kwargs）实际上不会做任何事情。 直到你迭代它，就像在for循环中完成索引实际开始发生一样。

所以在你的代码中。 欢迎您将'批量'更改为'streaming_bulk'，但是您需要迭代流量批量的结果，以便实际上有任何索引。

Answer 2

streaming_bulk使用actions迭代器并为每个动作产生响应。 因此，您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)
                   }

然后进行流式批量插入

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