Elasticsearch在进行数据装载时遇见的问题及解决方案
1.业务场景及基本技术方案
在伯智客户画像项目上，需要用到ES进行客户标签筛选查询。标签源数据存储在hive中，项目初期大约有1.35亿客户、900多个标签。
数据量大，使用Java编写sql读取hive数据导入ES或者采用ES-Hadoop 建立映射表导入ES效率都过于低下，
故选择MapReduce直接读取hive存储在hdfs上的源文件，批量导入ES。系统逻辑关系如下图
2.导入过程中遇到的问题
1.初期投产经过ES参数、JVM调优之后，，导入1.35亿、900个标签数据耗时1.5个小时
2.随着业务发展，标签数据逐渐增长到了1600列，此时发现，ES对于列数的扩张支持并不是线性的，而是指数性增长。在1500列时，写入时间已经拉长到了16个小时，此时业务基本无法使用。
3.针对问题的排查思路
在写入ES过程通过
curl ip:port/_cat/thread_pool?v
观察发现，在整个写入过程中，大部分时间ES集群处理请求并不均衡，多数节点空闲，只有少数几个节点在正常工作。但写入完成后，通过curl ip:port/_cat/shards/{indexName}发现每个shard数据分布相差不大。同时写入过程中，所有机器CPU、IO、内存、GC压力并不大。
通过hotThread命令以及jstack查看线程日志发现，此时大量耗时请求卡在Lucene updateIndex方法，但是程序只有insert请求，并没有发送update请求。通过排查ES Java客户端源码发现，在ES Java sdk中ES有两个超时参数，一个为Http超时时间，一个为客户端超时时间。若客户端超时时间大于Http超时时间，且此次写入请求没有及时响应，那么ES客户端会自动触发重试操作。但这次请求可能已经在Queue中排队等候处理，若再次发送，则触发了ES的update操作。
通过修改超时时间，此时写入程序优化到了8小时。但仍不满足业务需求，此时需要对上文中，描述ES只能满足数据请求最终一致性，不能保证实时一致性的问题进行修改。
在ES中，一次写入请求的完整流程为：客户端发送给任意服务器，服务器通过 hash(docID/routing)%shards count 算出这部分数据应该分发在哪个机器上，将这批写入请求发送给这台机器。
通过 hash(docId/routing)%shards count=shardId这个公式，我们只要知道ShardId，就可以动态指定routing值，从而达到数据制定分配的目的。所以我们在写入过程中，每次发送curl ip:port/_cat/thread_pool?v 请求都动态去获取ES机器的写入队列忙碌情况，找到压力最小的机器。将这批数据的routing值任意指向这台机器上shard，并且将请求直接发送给这台机器。就可以达到数据请求指定分发给压力最小的机器的目的，从而达到负载均衡性（和Least Connections思想一致）。
在调整过负载策略后，1600列、1.4亿行，2.5个小时即可将数据完全写入。
4.ES服务器的参数调整和程序优化明细
ES服务器资源为内存128G，32C，12台物理机，每台挂载10块盘
yarn集群为32C，每个map分配4G内存
- ES服务器参数调整
#bulk的写入线程数，可控制CPU使用率
thread_pool.bulk.size: 12
#数据在节点间传输最大带宽
indices.recovery.max_bytes_per_sec: 200mb
#bulk线程队列
thread_pool.bulk.queue_size: 1000
#索引写入buffer的内存占比
indices.memory.index_buffer_size: 20%
JVM设置：-Xms32g -Xmx32g #JVM内存设置
#事务日志刷新到磁盘的机制；依据sync_interval参数（默认5秒）控制写入磁盘
index.translog.durability: async
#事务日志缓冲区大小，可控制内存、CPU使用率
index.translog.flush_threshold_size: 2048mb
#写入完成后，改为1
index.number_of_replicas: 0
#写入完成后，改为1s
index.refresh_interval: 300s
#和硬盘个数保持一致;60
index.number_of_shards: 60
- 程序调整
1.
对HDFS上的小文件进行合并，降低Map数
2.
#设置最小Map数据量，作用是降低Map数
OrcInputFormat.setMinInputSplitSize(job,1024*1024*10L);
3.
降低每次读取HDFS数据的条数，采用多次小批量读取的方式。
4.
对程序所有使用到的List、Map进行预扩容，对程序中对容器调用get、size等方法只调用一次，赋值给变量，用空间换取时间。
对所有Tmp变量都使用WeakReference，帮助GC进行回收，尽可能减少FullGC次数。