标签：
这里我们使用和之前完全相同的测试数据，来测试 elasticsearch 存储时间序列的表结构选择问题。
同样我们以最简单的表结构开始。在elasticsearch中，先要创建index，然后index下有mapping。所谓的mapping就是表结构的概念。建表的配置如下：
settings = { ‘number_of_shards‘: 1, ‘number_of_replicas‘: 0, ‘index.query.default_field‘: ‘timestamp‘, ‘index.mapping.ignore_malformed‘: False, ‘index.mapping.coerce‘: False, ‘index.query.parse.allow_unmapped_fields‘: False,
}
mappings = { ‘testdata‘: { ‘_source‘: {‘enabled‘: False}, ‘_all‘: {‘enabled‘: False}, ‘properties‘: { ‘timestamp‘: { ‘type‘: ‘date‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}, ‘vAppid‘: { ‘type‘: ‘string‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}, ‘iResult‘: { ‘type‘: ‘string‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}, ‘vCmdid‘: { ‘type‘: ‘string‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}, ‘dProcessTime‘: { ‘type‘: ‘integer‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}, ‘totalCount‘: { ‘type‘: ‘integer‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: True, ‘fielddata‘: { ‘format‘: ‘doc_values‘
}
}
}
}
}
表结构虽然没有做按时间段打包的高级优化，但是一些es相关的设置是特别值得注意的。首先_source被关闭了，这样原始的json文档不会被重复存储一遍。其次_all也被关闭了。而且每个字段的store都是False，也就是不会单独被存储。之前测试mongodb的时候，所有字段都没有建索引的，所以为了公平起见，这里把索引都关了。这些都关掉了，那么数据存哪里了？存在doc_values里。doc_values用于在做聚合运算的时候，根据一批文档id快速找到对应的列的值。doc_values在磁盘上一个按列压缩存储的文件，非常高效。
那么800多万行数据导入之后，磁盘占用情况如何？
size: 198Mi (198Mi)docs: 8,385,335 (8,385,335)
非常惊人，838万行在mongodb里占了3G的磁盘空间，导入es居然只占用了198M。即便把所有维度字段的索引加上膨胀也非常小。
size: 233Mi (233Mi)docs: 8,385,335 (8,385,335)
那么查询效率呢？
q = { ‘aggs‘: { ‘timestamp‘: { ‘terms‘: {
‘field‘: ‘timestamp‘
}, ‘aggs‘: { ‘totalCount‘: {‘sum‘: {‘field‘: ‘totalCount‘}}
}
}
},
}
res = es.search(index="wentao-test1", doc_type=‘testdata‘, body=q, search_type=‘count‘)
同样是按时间聚合，取得同周期的totalCount之和。查询结果为：
{u‘_shards‘: {u‘failed‘: 0, u‘successful‘: 1, u‘total‘: 1}, u‘aggregations‘: {u‘timestamp‘: {u‘buckets‘: [{u‘doc_count‘: 38304, u‘key‘: 1428789900000, u‘key_as_string‘: u‘2015-04-11T22:05:00.000Z‘, u‘totalCount‘: {u‘value‘: 978299.0}},
{u‘doc_count‘: 38020, u‘key‘: 1428789960000, u‘key_as_string‘: u‘2015-04-11T22:06:00.000Z‘, u‘totalCount‘: {u‘value‘: 970089.0}},
{u‘doc_count‘: 37865, u‘key‘: 1428789660000, u‘key_as_string‘: u‘2015-04-11T22:01:00.000Z‘, u‘totalCount‘: {u‘value‘: 917908.0}},
{u‘doc_count‘: 37834, u‘key‘: 1428789840000, u‘key_as_string‘: u‘2015-04-11T22:04:00.000Z‘, u‘totalCount‘: {u‘value‘: 931039.0}},
{u‘doc_count‘: 37780, u‘key‘: 1428790140000, u‘key_as_string‘: u‘2015-04-11T22:09:00.000Z‘, u‘totalCount‘: {u‘value‘: 972810.0}},
{u‘doc_count‘: 37761, u‘key‘: 1428790020000, u‘key_as_string‘: u‘2015-04-11T22:07:00.000Z‘, u‘totalCount‘: {u‘value‘: 953866.0}},
{u‘doc_count‘: 37738, u‘key‘: 1428790080000, u‘key_as_string‘: u‘2015-04-11T22:08:00.000Z‘, u‘totalCount‘: {u‘value‘: 969901.0}},
{u‘doc_count‘: 37598, u‘key‘: 1428789600000, u‘key_as_string‘: u‘2015-04-11T22:00:00.000Z‘, u‘totalCount‘: {u‘value‘: 919538.0}},
{u‘doc_count‘: 37541, u‘key‘: 1428789720000, u‘key_as_string‘: u‘2015-04-11T22:02:00.000Z‘, u‘totalCount‘: {u‘value‘: 920581.0}},
{u‘doc_count‘: 37518, u‘key‘: 1428789780000, u‘key_as_string‘: u‘2015-04-11T22:03:00.000Z‘, u‘totalCount‘: {u‘value‘: 924791.0}}], u‘doc_count_error_upper_bound‘: 0, u‘sum_other_doc_count‘: 8007376}}, u‘hits‘: {u‘hits‘: [], u‘max_score‘: 0.0, u‘total‘: 8385335}, u‘timed_out‘: False, u‘took‘: 1033}
只花了1秒钟的时间，之前这个查询在mongodb里需要花9秒。那么是不是因为elasticsearch是并行数据库所以快呢？我们之前在创建index的时候故意指定了shard数量为1，所以这个查询只有一个机器参与的。为了好奇，我又试验了以下6个分片的。在分片为6的时候，总尺寸为259M（含索引），而上面那个查询只需要200ms。当然这里测试的时候使用的mongodb和es的机器不完全一样，也许是因为硬件原因呢？
第二个查询要复杂一些，按vAppid过滤，然后按timestamp和vCmdid两个维度聚合。查询如下：
q = { ‘query‘: { ‘constant_score‘: { ‘filter‘: { ‘bool‘: { ‘must_not‘: { ‘term‘: { ‘vAppid‘: ‘‘
}
}
}
}
},
}, ‘aggs‘: { ‘timestamp‘: { ‘terms‘: {
‘field‘: ‘timestamp‘
}, ‘aggs‘: { ‘vCmdid‘: { ‘terms‘: {
‘field‘: ‘vCmdid‘
}, ‘aggs‘: { ‘totalCount‘: {‘sum‘: {‘field‘: ‘totalCount‘}}
}
}
}
}
},
}
res = es.search(index="wentao-test3", doc_type=‘testdata‘, body=q, search_type=‘count‘)
constant_score跳过了score阶段。查询结果如下：
{u‘_shards‘: {u‘failed‘: 0, u‘successful‘: 1, u‘total‘: 1}, u‘aggregations‘: {u‘timestamp‘: {u‘buckets‘: [{u‘doc_count‘: 38304, u‘key‘: 1428789900000, u‘key_as_string‘: u‘2015-04-11T22:05:00.000Z‘, u‘vCmdid‘: {u‘buckets‘: [{u‘doc_count‘: 7583, u‘key‘: u‘10000‘, u‘totalCount‘: {u‘value‘: 241108.0}},
{u‘doc_count‘: 4122, u‘key‘: u‘19‘, u‘totalCount‘: {u‘value‘: 41463.0}},
{u‘doc_count‘: 2312, u‘key‘: u‘14‘, u‘totalCount‘: {u‘value‘: 41289.0}},
{u‘doc_count‘: 2257, u‘key‘: u‘18‘, u‘totalCount‘: {u‘value‘: 57845.0}},
{u‘doc_count‘: 1723, u‘key‘: u‘1002‘, u‘totalCount‘: {u‘value‘: 33844.0}},
{u‘doc_count‘: 1714, u‘key‘: u‘2006‘, u‘totalCount‘: {u‘value‘: 33681.0}},
{u‘doc_count‘: 1646, u‘key‘: u‘2004‘, u‘totalCount‘: {u‘value‘: 28374.0}},
{u‘doc_count‘: 1448, u‘key‘: u‘13‘, u‘totalCount‘: {u‘value‘: 32187.0}},
{u‘doc_count‘: 1375, u‘key‘: u‘3‘, u‘totalCount‘: {u‘value‘: 32976.0}},
{u‘doc_count‘: 1346, u‘key‘: u‘2008‘, u‘totalCount‘: {u‘value‘: 45932.0}}], u‘doc_count_error_upper_bound‘: 0, u‘sum_other_doc_count‘: 12778}},
... // ignore
{u‘doc_count‘: 37518, u‘key‘: 1428789780000, u‘key_as_string‘: u‘2015-04-11T22:03:00.000Z‘, u‘vCmdid‘: {u‘buckets‘: [{u‘doc_count‘: 7456, u‘key‘: u‘10000‘, u‘totalCount‘: {u‘value‘: 234565.0}},
{u‘doc_count‘: 4049, u‘key‘: u‘19‘, u‘totalCount‘: {u‘value‘: 39884.0}},
{u‘doc_count‘: 2308, u‘key‘: u‘14‘, u‘totalCount‘: {u‘value‘: 39939.0}},
{u‘doc_count‘: 2263, u‘key‘: u‘18‘, u‘totalCount‘: {u‘value‘: 57121.0}},
{u‘doc_count‘: 1731, u‘key‘: u‘1002‘, u‘totalCount‘: {u‘value‘: 32309.0}},
{u‘doc_count‘: 1695, u‘key‘: u‘2006‘, u‘totalCount‘: {u‘value‘: 33299.0}},
{u‘doc_count‘: 1649, u‘key‘: u‘2004‘, u‘totalCount‘: {u‘value‘: 28429.0}},
{u‘doc_count‘: 1423, u‘key‘: u‘13‘, u‘totalCount‘: {u‘value‘: 30672.0}},
{u‘doc_count‘: 1340, u‘key‘: u‘2008‘, u‘totalCount‘: {u‘value‘: 45051.0}},
{u‘doc_count‘: 1308, u‘key‘: u‘3‘, u‘totalCount‘: {u‘value‘: 32076.0}}], u‘doc_count_error_upper_bound‘: 0, u‘sum_other_doc_count‘: 12296}}], u‘doc_count_error_upper_bound‘: 0, u‘sum_other_doc_count‘: 8007376}}, u‘hits‘: {u‘hits‘: [], u‘max_score‘: 0.0, u‘total‘: 8385335}, u‘timed_out‘: False, u‘took‘: 2235}
查询只花了2.2秒，而之前在mongodb上花了21.4秒。在6个shard的index上跑同样的查询，只需花0.6秒。
和之前 MongoDB 的 _._._._.v 的结构一样，数据按照维度嵌套存放在内部的子文档里。
表结构如下
mappings = { ‘testdata‘: { ‘_source‘: {‘enabled‘: False}, ‘_all‘: {‘enabled‘: False}, ‘properties‘: { ‘max_timestamp‘: { ‘type‘: ‘date‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: False, ‘fielddata‘: { ‘format‘: ‘disabled‘
}
}, ‘min_timestamp‘: { ‘type‘: ‘date‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: False, ‘fielddata‘: { ‘format‘: ‘disabled‘
}
}, ‘count‘: { ‘type‘: ‘integer‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: False, ‘fielddata‘: { ‘format‘: ‘disabled‘
}
}, ‘sum_totalCount‘: { ‘type‘: ‘integer‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: False, ‘fielddata‘: { ‘format‘: ‘disabled‘
}
}, ‘sum_dProcessTime‘: { ‘type‘: ‘integer‘, ‘index‘: ‘no‘, ‘store‘: False, ‘dynamic‘: ‘strict‘, ‘doc_values‘: False, ‘fielddata‘: { ‘format‘: ‘disabled‘
}
}, ‘_‘: { # timestamp
‘type‘: ‘nested‘, ‘properties‘: { ‘d‘: {‘type‘: ‘date‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘c‘: {‘type‘: ‘integer‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘0‘: {‘type‘: ‘integer‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘1‘: {‘type‘: ‘integer‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘_‘: { # vAppid
‘type‘: ‘nested‘, ‘properties‘: { ‘d‘: {‘type‘: ‘string‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘_‘: { # iResult
‘type‘: ‘nested‘, ‘properties‘: { ‘d‘: {‘type‘: ‘string‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘_‘: { # vCmdid
‘type‘: ‘nested‘, ‘properties‘: { ‘d‘: {‘type‘: ‘string‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘v‘: { # values
‘type‘: ‘nested‘, ‘properties‘: { ‘0‘: {‘type‘: ‘integer‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}, ‘1‘: {‘type‘: ‘integer‘, ‘index‘: ‘not_analyzed‘, ‘store‘: False, ‘fielddata‘: {‘format‘: ‘fst‘}}
}
}
}
}
}
}
}
}
}
}
}
}
}
表结构的要点是一对nested的嵌套文档。nested的成员必须打开doc_values或者index中的一项，否则数据不会被保存。因为doc_values更占空间，所以我们选择了不存doc values。
在 MongoDB 里的数据
{ "sharded" : false, "primary" : "shard2_RS", "ns" : "wentao_test.sparse_precomputed_no_appid", "count" : 39, "size" : 2.68435e+08, "avgObjSize" : 6.88294e+06, "storageSize" : 2.75997e+08, "numExtents" : 3, "nindexes" : 1, "lastExtentSize" : 1.58548e+08, "paddingFactor" : 1.0000000000000000, "systemFlags" : 1, "userFlags" : 1, "totalIndexSize" : 8176, "indexSizes" : { "_id_" : 8176
}, "ok" : 1.0000000000000000, "$gleStats" : { "lastOpTime" : Timestamp(1429187664, 3), "electionId" : ObjectId("54c9f324adaa0bd054140fda")
}
}
只有39个文档，尺寸是270M。数据导入到es之后
size: 74.6Mi (74.6Mi)docs: 9,355,029 (9,355,029)
文档数变成了935万个，因为子文档在es里也算成文档的，尺寸只有74M。查询条件如下
q = {‘aggs‘: { ‘expanded_timestamp‘: { ‘nested‘ : { ‘path‘: ‘_‘
}, ‘aggs‘: { ‘grouped_timestamp‘: { ‘terms‘: { ‘field‘: ‘_.d‘, ‘size‘: 0
}, ‘aggs‘: { ‘totalCount‘: { ‘sum‘: { ‘field‘: ‘_.0‘
}
}
}
}
}
}
}
}
res = es.search(index="wentao-test4", doc_type=‘testdata‘, body=q, search_type=‘count‘)
注意 _.0 是预先计算好的同周期的 totalCount sum。嵌套的维度字段排序是 timestmap => vAppid => iResult => vCmdid => values (0 as toalCount, 1 as dProcessTime)。
{u‘_shards‘: {u‘failed‘: 0, u‘successful‘: 1, u‘total‘: 1}, u‘aggregations‘: {u‘expanded_timestamp‘: {u‘doc_count‘: 743, u‘grouped_timestamp‘: {u‘buckets‘: [{u‘doc_count‘: 8, u‘key‘: 1428790140000, u‘key_as_string‘: u‘2015-04-11T22:09:00.000Z‘, u‘totalCount‘: {u‘value‘: 972810.0}},
... // ignore
{u‘doc_count‘: 1, u‘key‘: 1428793140000, u‘key_as_string‘: u‘2015-04-11T22:59:00.000Z‘, u‘totalCount‘: {u‘value‘: 83009.0}}], u‘doc_count_error_upper_bound‘: 0, u‘sum_other_doc_count‘: 0}}}, u‘hits‘: {u‘hits‘: [], u‘max_score‘: 0.0, u‘total‘: 39}, u‘timed_out‘: False, u‘took‘: 56}
查询只花了0.056秒。使用预先计算的值并不公平。使用原始的值计算也是可以做到的：
q = { ‘aggs‘: { ‘per_id‘: { ‘terms‘: { ‘field‘: ‘_uid‘
}, ‘aggs‘: { ‘expanded_timestamp‘: { ‘nested‘ : { ‘path‘: ‘_‘
}, ‘aggs‘: { ‘grouped_timestamp‘: { ‘terms‘: { ‘field‘: ‘_.d‘
}, ‘aggs‘: { ‘expanded_vAppid‘: { ‘nested‘ : { ‘path‘: ‘_._._._.v‘
}, ‘aggs‘: { ‘totalCount‘: { ‘sum‘ : { ‘field‘: ‘_._._._.v.0‘
},
}
}
}
}
}
}
}
}
}
},
}
这里使用了多级展开，最后对 _._._._.v.0 求和。计算的结果和 _.0 求和是一样的。花的时间是0.548秒。
然后再来测一下按vAppid过滤，同时按时间和vCmdid两个维度聚合的查询。这个写起来有一些变态：
q = {‘aggs‘: { ‘expanded_timestamp‘: { ‘nested‘ : { ‘path‘: ‘_‘
}, ‘aggs‘: { ‘grouped_timestamp‘: { ‘terms‘: { ‘field‘: ‘_.d‘, ‘size‘: 0
}, ‘aggs‘: { ‘expanded_to_vAppid‘: { ‘nested‘ : { ‘path‘: ‘_._‘
}, ‘aggs‘: { ‘vAppid_not_empty‘: { ‘filter‘: { ‘bool‘: { ‘must_not‘: { ‘term‘: { ‘_._.d‘: ‘‘
}
}
}
}, ‘aggs‘: { ‘expanded_to_vCmdid‘: { ‘nested‘ : { ‘path‘: ‘_._._._‘
}, ‘aggs‘: { ‘ts_and_vCmdid‘: { ‘terms‘: {‘field‘: ‘_._._._.d‘, ‘size‘: 0}, # _._._._.d is vCmdid
‘aggs‘: { ‘expanded_to_values‘: { ‘nested‘ : { ‘path‘: ‘_._._._.v‘
}, ‘aggs‘: { ‘totalCount‘: { ‘sum‘ : { ‘field‘: ‘_._._._.v.0‘
},
}
}
}
}
}
}
}
}
}
}
}
}
}
}
}
}
}
查询的速度是3.2秒。比原始格式保存的方式查起来要慢。但是实际情况下，预先计算的值是更可能被使用的，这种需要拆开原始的value的情况很少。
ElasticSearch 就像闪电一样快。
原始格式保存，占用 198M（mongodb是3G），查询1秒（mongodb是9秒）
打包格式保存，占用 74M（mongodb是270M），查询0.54秒（mongodb是7.1秒）
打包格式在原始值要完全展开的时候稍微比原始格式要慢，但是打包可以很方便的存储预聚合的值，那么大部分时候读取甚至是0.05秒这个级别的。
如果我们可以用74M，存储880万个点。那么有2T硬盘，可以存多少数据呢？很多很多……不但可以存进去读出来，更重要的是es还可以帮我们在服务器端完成按需聚合，从不同维度快速展示数据。
ElasticSearch 使用不同表结构存储时间序列数据的查询效率分析
标签：
原文地址：http://my.oschina.net/u/1024514/blog/491482
