1、問題描述
您好，請教個問題。我現在有2千多萬的手機號碼信息保存在es裏。5個分片，3個節點。
現在的需求是將後八位相同的號碼匹配到一起，重新放到一個index裏。組成情侶號。方便後續查詢情侶號列表。
我目前的做法是用scroll查詢出一萬條，多線程循環一萬條中的每條，去全庫掃描---但是這種做法一分鐘才能處理一萬條。您有什麼新的思路沒。
死磕Elasticsearch知識星球 https://t.zsxq.com/Iie66qV
問題補充：索引存儲了手機號，同時存儲了插入時間。
2、問題分析
2.1 情侶號的定義
後八位相同的號碼即爲情侶號。
舉例：
13011112222
13511112222
13711112222
2.2 如何對後8位建立索引，以方便後續的識別？
方案一 不單獨建索引，用script來實現
缺點：script效率低一些
方案二：寫入數據的時候，同時基於後八位創建新的字段。
2.3 8位相同的號碼匹配到一起，重新放到一個index裏怎麼實現？
Elasticsearch自帶reindex功能就是實現索引遷移的，當然自定義讀寫也可以實現。
方案一：遍歷方式+寫入。
步驟 1：基於時間遞增循環遍歷，以起始的手機號爲種子數據，滿足後八位相同的加上標記flag=1。
步驟 2：循環步驟1，滿足flag=1直接跳過，直到所有手機號遍歷一遍。
步驟 3：將包含flag=1的字段，reindex到情侶號索引。
方案二：聚合出情侶號組，將聚合結果reindex到情侶號索引。
考慮到數據量級千萬級別，全量聚合不現實。
可以，基於時間切片，取出最小時間戳、最大時間戳，根據數據總量和時間範圍劃分出時間間隔。
舉例：以30分鐘爲單位切割千萬級數據。
步驟 1：terms聚合後8位手機號。
terms聚合只返回對應：key，value值，默認value值由高到低排序。
key：代表手機號後8位，value：代表相同後8位的數據量。
步驟 2：top_hits子聚合取出手機號詳情。
步驟 3：json解析識別出步驟2的所有手機號或_id。
步驟 4：reindex步驟3的_id數據到情侶號索引。
步驟 5：時間切片週期遞增，直到所有數據遍歷完畢。
2.4 擴展自問：手機號怎麼存，才能查出來後8位？
舉例：查詢“11112222”，返回2.1列表的三個手機號。
方案1：wildcard模糊匹配。
優點：無需額外字段存儲。
缺點：效率低。
方案2：ngram分詞+match_phrase處理。
優點：效率高。
缺點：需要獨立存儲的後8位字段。
3、實戰一把
3.1 數據建模
3.1.1 字段設計
只包含非業務的有效必要字段。
（1）插入時間戳字段 insert_time, date類型。
由：ingest默認生成，不手動添加，提高效率。
（2）手機號字段 phone_number, text和keyword類型。
text類型基於ngram分詞,主要方便phone_number全文檢索。
keyword類型方便：排序和聚合使用。
（3）後8位手機號字段 last_eight_number, keyword類型。
只聚合和排序用，不檢索。
3.1.2 ingest處理初始化數據先行
ingest pipeline的核心功能可以理解爲寫入前數據的ETL。
而：insert_time可以自動生成、last_eight_number可以基於phone_number提取。
定義如下：
# 0.create ingest_pipeline of insert_time and last_eight_number
PUT _ingest/pipeline/initialize
{
"description": "Adds insert_time timestamp to documents",
"processors": [
{
"set": {
"field": "_source.insert_time",
"value": "{{_ingest.timestamp}}"
}
},
{
"script": {
"lang": "painless",
"source": "ctx.last_eight_number = (ctx.phone_number.substring(3,11))"
}
}
]
}
3.1.3 模板定義
兩個索引：
索引1：phone_index，存儲全部手機號（數千萬）
索引2：phone_couple_index，存儲情侶號
由於兩索引Mapping結構一樣，使用模板管理會更爲方便。
定義如下：
# 1.create template of phone_index and phone_couple_index
PUT _template/phone_template
{
"index_patterns": "phone_*",
"settings": {
"number_of_replicas": 0,
"index.default_pipeline": "initialize",
"index": {
"max_ngram_diff": "13",
"analysis": {
"analyzer": {
"ngram_analyzer": {
"tokenizer": "ngram_tokenizer"
}
},
"tokenizer": {
"ngram_tokenizer": {
"token_chars": [
"letter",
"digit"
],
"min_gram": "1",
"type": "ngram",
"max_gram": "11"
}
}
}
}
},
"mappings": {
"properties": {
"insert_time":{
"type":"date"
},
"last_eight_number":{
"type":"keyword"
},
"phone_number": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword"
}
},
"analyzer": "ngram_analyzer"
}
}
}
}
3.1.4 索引定義
PUT phone_index
PUT phone_couple_index
3.2 數據寫入
採用模擬數據，實際業務會有所區別。
POST phone_index/_bulk
{"index":{"_id":1}}
{"phone_number" : "13511112222"}
{"index":{"_id":2}}
{"phone_number" : "13611112222"}
{"index":{"_id":3}}
{"phone_number" : "13711112222"}
{"index":{"_id":4}}
{"phone_number" : "13811112222"}
{"index":{"_id":5}}
{"phone_number" : "13844248474"}
{"index":{"_id":6}}
{"phone_number" : "13866113333"}
{"index":{"_id":7}}
{"phone_number" : "15766113333"}
模擬數據顯示，有兩組情侶號。
第一組情侶號尾數：“11112222”
第二組情侶號尾數：“66113333”
3.2 數據聚合
如前所述，聚合的目的是：提取出情侶號（>=2）的手機號或對應id。
GET phone_index/_search
{
"size": 0,
"query": {
"range": {
"insert_time": {
"gte": 1584871200000,
"lte": 1584892800000
}
}
},
"aggs": {
"last_aggs": {
"terms": {
"field": "last_eight_number",
"min_doc_count": 2,
"size": 10,
"shard_size": 30
},
"aggs": {
"sub_top_hits_aggs": {
"top_hits": {
"size": 100,
"_source": {
"includes": "phone_number"
},
"sort": [
{
"phone_number.keyword": {
"order": "asc"
}
}
]
}
}
}
}
}
}
注意：
查詢的目的：按時間間隔取數據。原因：「聚合全量性能太差」。
外層聚合last_aggs統計：情侶號分組及數量。
內層子聚合sub_top_hits_aggs統計：下鑽的手機號或_id等信息。
min_doc_count作用：聚合後的分組記錄最小條數，情侶號必須>=2，則設置爲2。
3.4 數據遷移
基於3.3 取出的滿足條件的id進行跨索引遷移。
POST _reindex
{
"source": {
"index": "phone_index",
"query": {
"terms": {
"_id": [
1,
2,
3,
4,
6,
7
]
}
}
},
"dest": {
"index": "phone_couple_index"
}
}
注意：實際業務需要考慮數據規模，劃定輪詢時間間隔區間。
建議：按照2.3章節的流程圖執行。
4、方案進一步探究
第3節的實戰一把實際是基於基礎數據都寫入ES了再做的處理。
核心的操作都是基於Elasticsearch完成的。
試想一下，這個環節如果提前是不是更合理呢?
數據圖如下所示：
電話數據信息寫入消息隊列（如：kafka、rocketmq、rabbitmq等）。
消息隊列可以直接同步到ES的phone_index索引。如：紅線所示。
情侶號的處理藉助第三方redis服務實現，逐條過濾，滿足條件的數據同步到ES的情侶號索引phone_couple_index。如：綠線所示。
這樣，Elasticsearch只幹它最擅長的事情，剩下的工作前置交給消息隊列完成。
5、小結
本文就提出問題做了詳細的闡述和實踐，用到Elasticsearch 模板、Ingest、reindex等核心知識點和操作，給線上業務提供了理論參考。
大家對本文有異議或者有更好的方案，歡迎留言交流。
推薦閱讀：
1、Elasticsearch的ETL利器——Ingest節點
2、乾貨 | Elasticsearch基礎但非常有用的功能之二：模板
4、乾貨 | 95後運維小哥20天+通過Elastic認證考試經驗分享
更短時間更快習得更多幹貨！