[英]Index a pandas dataframe into Elasticsearch without elasticsearch-py
我想将一堆大型pandas数据帧(几百万行和50列)索引到Elasticsearch中。
在查找如何执行此操作的示例时,大多数人将使用elasticsearch-py的批量帮助程序方法 ,向其传递处理连接的Elasticsearch类的实例以及使用pandas的dataframe.to_dict创建的字典列表( orient ='records')方法 。 元数据可以预先作为新列插入到数据df['_index'] = 'my_index'
,例如df['_index'] = 'my_index'
等。
但是,我有理由不使用elasticsearch-py库,并希望直接与Elasticsearch批量API通信 ,例如通过请求或其他方便的HTTP库。 df.to_dict()
,不幸的是, df.to_dict()
在大数据帧上非常慢,并且将数据帧转换为dicts列表然后通过elasticsearch-py序列化为JSON听起来像是dataframe.to_json()之类的不必要的开销。即使在大型数据帧上也非常快。
将pandas数据帧变为批量API所需格式的简单快捷方法是什么? 我认为朝着正确方向迈出的一步是使用dataframe.to_json()
,如下所示:
import pandas as pd
df = pd.DataFrame.from_records([{'a': 1, 'b': 2}, {'a': 3, 'b': 4}, {'a': 5, 'b': 6}])
df
a b
0 1 2
1 3 4
2 5 6
df.to_json(orient='records', lines=True)
'{"a":1,"b":2}\n{"a":3,"b":4}\n{"a":5,"b":6}'
现在这是一个换行符分隔的JSON字符串,但它仍然缺少元数据。 什么是一种表演方式来获得它?
编辑:为了完整性,元数据JSON文档将如下所示:
{"index": {"_index": "my_index", "_type": "my_type"}}
因此,最终批量API所期望的整个JSON看起来像这样(在最后一行之后有一个额外的换行符):
{"index": {"_index": "my_index", "_type": "my_type"}}
{"a":1,"b":2}
{"index": {"_index": "my_index", "_type": "my_type"}}
{"a":3,"b":4}
{"index": {"_index": "my_index", "_type": "my_type"}}
{"a":5,"b":6}
与此同时,我发现了如何以至少合理的速度做到这一点的多种可能性:
import json
import pandas as pd
import requests
# df is a dataframe or dataframe chunk coming from your reading logic
df['_id'] = df['column_1'] + '_' + df['column_2'] # or whatever makes your _id
df_as_json = df.to_json(orient='records', lines=True)
final_json_string = ''
for json_document in df_as_json.split('\n'):
jdict = json.loads(json_document)
metadata = json.dumps({'index': {'_id': jdict['_id']}})
jdict.pop('_id')
final_json_string += metadata + '\n' + json.dumps(jdict) + '\n'
headers = {'Content-type': 'application/json', 'Accept': 'text/plain'}
r = requests.post('http://elasticsearch.host:9200/my_index/my_type/_bulk', data=final_json_string, headers=headers, timeout=60)
不使用pandas的to_json()
方法,也可以使用to_dict()
,如下所示。 这在我的测试中略慢但不多:
dicts = df.to_dict(orient='records')
final_json_string = ''
for document in dicts:
metadata = {"index": {"_id": document["_id"]}}
document.pop('_id')
final_json_string += json.dumps(metadata) + '\n' + json.dumps(document) + '\n'
在大型数据集上运行时,可以通过安装它来替换Python的默认json
库和ujson或rapidjson ,然后import ujson as json
或者import rapidjson as json
, import rapidjson as json
。
通过用并行执行步骤顺序执行步骤可以实现更大的加速,这样当请求等待Elasticsearch处理所有文档并返回响应时,读取和转换不会停止。 这可以通过线程,多处理,Asyncio,任务队列来完成......但这超出了这个问题的范围。
如果您碰巧找到了更快地进行to-json转换的方法,请告诉我。
此函数将pandas数据帧插入弹性搜索(chunk by chunk)
def insertDataframeIntoElastic(dataFrame,index='index', typ = 'test', server = 'http://localhost:9200',
chunk_size = 2000):
headers = {'content-type': 'application/x-ndjson', 'Accept-Charset': 'UTF-8'}
records = dataFrame.to_dict(orient='records')
actions = ["""{ "index" : { "_index" : "%s", "_type" : "%s"} }\n""" % (index, typ) +json.dumps(records[j])
for j in range(len(records))]
i=0
while i<len(actions):
serverAPI = server + '/_bulk'
data='\n'.join(actions[i:min([i+chunk_size,len(actions)])])
data = data + '\n'
r = requests.post(serverAPI, data = data, headers=headers)
print r.content
i = i+chunk_size
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.