一、应用背景

   ES在创建好索引后，mapping的properties属性类型是不能更改的，只能添加。如果说需要修改字段就需要重新建立索引然后把旧数据导到新索引。

• 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。

  5.X版本后新增_reindex API 。Reindex可以直接在Elasticsearch集群里面对数据进行重建。并且支持跨集群间的数据迁移。

二、数据迁移步骤：

2.0、源索引

PUT /test_v1
{
  "mappings": {
    "properties": {
      "id": {
        "type": "integer"
      },
      "name": {
        "type": "text",
        "fields": {
          "keyword" : {
              "type" : "keyword",
              "ignore_above" : 256
          }
        }
      },
      "age": {
        "type": "long"
      }
    }
  }, 
  "settings": {
    "number_of_replicas": 2, 
    "number_of_shards": 3
  },
  "aliases": {
    "test": {},
    "test_read": {},
    "test_write":{}
  }
}

2.1、创建目标索引（这步非常重要）

  为什么这么说？ 因为一开始，在备份数据的场景下，我以为dest index不用创建，最后测试发现如果dest index不创建，对于非text类型数据，可能会变成text类型(不建议这样做，所以最好创建好dest index)。

PUT /test_dest
{
  "mappings": {
    "properties": {
      "id": {
        "type": "integer"
      },
      "name": {
        "type": "text",
        "fields": {
          "keyword" : {
              "type" : "keyword",
              "ignore_above" : 256
          }
        }
      },
      "age": {
        "type": "long"
      }
    }
  }, 
  "settings": {
    "number_of_replicas": 0,    
    "number_of_shards": 3,
    "refresh_interval": "-1"
  }
}

• 并修改了number_of_replicas和refresh_interval。
• 设置number_of_replicas为0防止我们迁移文档的同时又发送到副本节点，影响性能
• 设置refresh_interval为-1是限制其刷新。默认是1秒
• 当我们数据迁移完成再把上面两个值进行修改即可

2.2、拷贝数据

POST _reindex
{
  "source": {
    "index": "old_index",
    "size":1000   //可选，每次批量提交1000个，可以提高效率，建议每次提交5-15M的数据
  },
  "dest": {
    "index": "new_index"
  }
}

这时候去看数据，是看不到数据的，因为还要刷新才行。

2.3、恢复刷新和副本配置

PUT /test_dest/_settings
{
  "refresh_interval": "1s",
  "number_of_replicas": 2
}

更新副本数和刷新时间，自此数据迁移就完成了，因为之前的索引不用，但是接口都是指向之前的索引，我们就在新索引添加别名即可。

2.4、如果迁移需要，切换别名

校验完数据的完整性和正确性，再进行别名的切换。

 
POST /_aliases 
{
  "actions": [
    {
      "remove": {
        "index": "test_v1",
        "alias": "test"
      }
    },
    {
      "remove": {
        "index": "test_v1",
        "alias": "test_read"
      }
    },
    {
      "remove": {
        "index": "test_v1",
        "alias": "test_write"
      }
    },
    {
      "add": {
        "index": "test_dest",
        "alias": "test"
      }
    },
    {
      "add": {
        "index": "test_dest",
        "alias": "test_read"
      }
    },
    {
      "add": {
        "index": "test_dest",
        "alias": "test_write"
      }
    }
  ]
}

三、重要注意事项

3.1、备份数据时，目标索引必须创建，否则改变了目标索引

没有创建目标索引，导致id类型从integer变成了long, 分片和副本都变成1。

3.2、扩集群迁移

• 和同集群数据迁移基本一样，就是多了一个设置白名单而已。
  • （如果是A集群 --> B集群，就需要在B中的elasticsearch.yml 设置A地址为白名单）
  • reindex.remote.whitelist: 172.16.1.236:9200
• 设置好索引、number_of_replicas: 0、refresh_interval: -1
• 在remote中设置远程集群的地址与账号密码（如果配置了的话）。
• 也可以添加query属性，只查询符号条件的。

POST /_reindex
{
  "source": {
    "index": "test_v1",
    "remote": {
      "host": "http://destHost:9200",
      "username": "username",
      "password": "password"
    },
    "query": {
      "match_all": {}
    }
  },
  "dest": {
    "index": "test_remote"
  }
}

完成之后记得重新配置远程集群索引的number_of_replicas、refresh_interval。

3.3、数据迁移效率

3.3.1、问题发现：

  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？

3.3.2、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。

3.3.3、可行方案：

3.3.3.1、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"
  }
}

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。

3.3.3.2、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+。

关注我的公众号【宝哥大数据】，更多干货