Elasticsearch 索引复制 reindex

Question

一、概述

Reindex 要求为源索引中的所有文档启用 _source

Reindex 不尝试设置目标索引。它不会复制源索引的设置。您应该在运行 _reindex 操作之前设置目标索引，包括设置映射、碎片计数、副本等。

二、直接复制索引到新的索引名称

POST localhost:9200/_reindex
{
    "source":{
        "index":"indexName"
    },
    "dest":{
        "index":"newIndexName"
    }
}

三、查询复制索引到新的索引名称

POST localhost:9200/_reindex
{
    "source":{
        "index":"indexName",
        "type":"typeName",
        "query":{
            "term":{
                "user":"kimchy"
            }
        }
    },
    "dest":{
        "index":"newIndexName"
    }
}

四、数据迁移reindex

4.1 应用背景

1. 当你的数据量过大，而你的索引最初创建的分片数量不足，导致数据入库较慢的情况，此时需要扩大分片的数量，此时可以尝试使用 Reindex。
2. 当数据的 mapping 需要修改，但是大量的数据已经导入到索引中了，重新导入数据到新的索引太耗时；但是在ES中，一个字段的mapping在定义并且导入数据之后是不能再修改的， 所以这种情况下也可以考虑尝试使用 Reindex。

4.2 reindex

ES 提供了 _reindex 这个 API。相对于我们重新导入数据肯定会快不少，实测速度大概是 bulk 导入数据的 5-10 倍。

4.3 数据迁移步骤：

1、创建新的索引（可以通过java程序也可以直接在 head 插件上创建）

注意：在创建索引的时候要把表结构也要创建好（也就是 mapping ）

2、复制数据

POST _reindex
{
  "source": {
    "index": "old_index"
  },
  "dest": {
    "index": "new_index"
  }
}

4.4 数据迁移效率

常规的如果我们只是进行少量的数据迁移利用普通的 reindex 就可以很好的达到要求，但是当我们发现我们需要迁移的数据量过大时，我们会发现 reindex 的速度会变得很慢 数据量几十个 G 的场景下，elasticsearch reindex 速度太慢，从旧索引导数据到新索引，当前最佳方案是什么？

原因分析：

reindex 的核心做跨索引、跨集群的数据迁移。慢的原因及优化思路无非包括：

1. 批量大小值可能太小。需要结合堆内存、线程池调整大小；
2. reindex 的底层是 scroll 实现，借助 scroll 并行优化方式，提升效率；
3. 跨索引、跨集群的核心是写入数据，考虑写入优化角度提升效率。

可行方案：

1）提升批量写入大小值

默认情况下，_reindex 使用 1000 进行批量操作，您可以在 source 中调整 batch_size。

POST _reindex
{
  "source": {
    "index": "source",
    "size": 5000
  },
  "dest": {
    "index": "dest",
    "routing": "=cat"
  }
}

批量大小设置的依据：

1、使用批量索引请求以获得最佳性能。

批量大小取决于数据、分析和集群配置，但一个好的起点是每批处理 5-15 MB。
注意，这是物理大小。文档数量不是度量批量大小的好指标。例如，如果每批索引 1000 个文档:

1. 每个 1kb 的 1000 个文档是 1mb。
2. 每个 100kb 的 1000 个文档是 100 MB。

这些是完全不同的体积大小。

2、逐步递增文档容量大小的方式调优。

1. 从大约 5-15 MB 的大容量开始，慢慢增加，直到你看不到性能的提升。然后开始增加批量写入的并发性(多线程等等)。
2. 使用 kibana、cerebro 或 iostat、top 和 ps 等工具监视节点，以查看资源何时开始出现瓶颈。如果您开始接收 EsRejectedExecutionException，您的集群就不能再跟上了，至少有一个资源达到了容量。

要么减少并发性，或者提供更多有限的资源(例如从机械硬盘切换到ssd固态硬盘)，要么添加更多节点。

2）借助 scroll 的 sliced 提升写入效率

Reindex 支持 Sliced Scroll 以并行化重建索引过程。 这种并行化可以提高效率，并提供一种方便的方法将请求分解为更小的部分。

sliced 原理（from medcl）

1. 用过Scroll接口吧，很慢？如果你数据量很大，用Scroll遍历数据那确实是接受不了，现在Scroll接口可以并发来进行数据遍历了。
2. 每个Scroll请求，可以分成多个Slice请求，可以理解为切片，各Slice独立并行，利用Scroll重建或者遍历要快很多倍。

slicing 使用举例

slicing 的设定分为两种方式：手动设置分片、自动设置分片。手动设置分片参见官网。

自动设置分片如下：

POST _reindex?slices=5&refresh
{
  "source": {
    "index": "twitter"
  },
  "dest": {
    "index": "new_twitter"
  }
}

slices 大小设置注意事项：

1. slices 大小的设置可以手动指定，或者设置 slices 设置为 auto，auto 的含义是：针对单索引，slices 大小=分片数；针对多索引，slices = 分片的最小值。
2. 当 slices 的数量等于索引中的分片数量时，查询性能最高效。slices 大小大于分片数，非但不会提升效率，反而会增加开销。
3. 如果这个slices数字很大，例如：500，建议选择一个较低的数字，因为过大的 slices 会影响性能。

效果

实践证明，比默认设置 reindex 速度能提升 10 倍+。

最终版本：

POST _reindex?slices=4&refresh
{
  "source": {
    "index": "source",
    "size": 5000
  },
  "dest": {
    "index": "dest"
  }
}