搜索

项目实战 01：将唐诗三百首写入 Elasticsearch 会发生什么？

铭毅天下

共 6572字，需浏览 14分钟

 ·

2020-09-03 02:23

1、实战项目

将唐诗三百首写入Elasticsearch会发生什么？

2、项目说明

此项目是根据实战项目浓缩的一个小项目，几乎涵盖之前讲解的所有知识点。

通过这个项目的实战，能让你串联起之前的知识点应用于实战，并建立起需求分析、整体设计、数据建模、ingest管道使用、检索/聚合选型、kibana可视化分析等的全局认知。

3、 需求

数据来源：https://github.com/xuchunyang/300

注意数据源bug： 第1753行种的"id":178 需要手动改成  "id": 252。

3.1 数据需求

注意：

  • 1）词典选择
  • 2）分词器选型
  • 3）mapping设置
  • 4）支持的目标维度考量
  • 5）设定插入时间（自定义动态添加，非人工）

3.2 写入需求

注意：

  • 1）特殊字符清洗
  • 2）新增插入时间

3.3 分析需求

检索分析DSL实战

  • 1）飞花令环节：包含铭 毅 天下（分别包含）诗句有哪些？各有多少首？
  • 2）李白的诗有几首？按照诗长短排序，由短到长
  • 3）取TOP10最长、最短的诗的作者列表

聚合分析实战及可视化实战

  • 1）三百首谁的作品最多？取TOP10排行
  • 2）五言绝句和七言律诗占比，以及对应作者占比统计
  • 3）同名诗排行统计
  • 4）三百首诗分词形成什么样的词云

4、 需求解读与设计

4.1 需求解读

本着：编码之前，设计先行的原则。

开发人员的通病——新的项目拿到需求以后，不论其简单还是复杂，都要先梳理需求，整理出其逻辑架构，优先设计，以便建立全局认知，而不是上来就动手敲代码。

本项目的核心知识点涵盖如下几块内容

  • Elasticsearch 数据建模
  • Elasticsearch bulk批量写入
  • Elasticsearch 预处理
  • Elasticsearch检索
  • Elasticsearch聚合
  • kibana Visualize 使用
  • kibana Dashboard 使用

4.2 逻辑架构梳理

有图有真相。

根据需求梳理出如下的逻辑架构，实际开发中要谨记如下的数据流向。

4.3 建模梳理

之前也有讲述，这里再强调一下数据建模的重要性。

数据模型支撑了系统和数据，系统和数据支撑了业务系统。

一个好的数据模型：

  • 能让系统更好的集成、能简化接口。
  • 能简化数据冗余、减少磁盘空间、提升传输效率。
  • 兼容更多的数据，不会因为数据类型的新增而导致实现逻辑更改。
  • 能帮助更多的业务机会，提高业务效率。
  • 能减少业务风险、降低业务成本。

对于Elasticsearch的数据建模的核心是Mapping的构建。

对于原始json数据：

    "id": 251,    "contents": "打起黄莺儿，莫教枝上啼。啼时惊妾梦，不得到辽西。",    "type": "五言绝句",    "author": "金昌绪",    "title": "春怨"

我们的建模逻辑如下：

字段名称字段类型备注说明
_id
对应自增id
contentstext & keyword涉及分词，注意开启：fielddata：true
typetext & keyword
authortext & keyword
titletext & keyword
timestampdate代表插入时间
cont_lengthlongcontents长度， 排序用

由于涉及中文分词，选型分词器很重要。

这里依然推荐：选择ik分词。

ik词典的选择建议：自带词典不完备，网上搜索互联网的一些常用语词典、行业词典如（诗词相关词典）作为补充完善。

4.4 概要设计

  • 原始文档json的批量读取和写入通过 elasticsearch python低版本 api 和 高版本 api elasticsearch-dsl 结合实现。
  • 数据的预处理环节通过 ingest pipeline实现。设计数据预处理地方：每一篇诗的json写入时候，插入timestamp时间戳字段。
  • template和mapping的构建通过kibana实现。
  • 分词选型：ik_max_word 细粒度分词，以查看更细粒度的词云。

5、项目实战

5.1 数据预处理ingest

创建：indexed_at 的管道，目的：

  • 新增document时候指定插入时间戳字段。
  • 新增长度字段，以便于后续排序。
PUT _ingest/pipeline/indexed_at{  "description": "Adds timestamp  to documents",  "processors": [    {      "set": {        "field": "_source.timestamp",        "value": "{{_ingest.timestamp}}"      }    },    {      "script": {        "source": "ctx.cont_length = ctx.contents.length();"      }    }  ]}

5.2 Mapping和template构建

如下DSL,分别构建了模板：my_template。

指定了settings、别名、mapping的基础设置。

模板的好处和便捷性，在之前的章节中有过详细讲解。

PUT _template/my_template{  "index_patterns": [    "some_index*"  ],  "aliases": {    "some_index": {}  },  "settings": {    "index.default_pipeline": "indexed_at",    "number_of_replicas": 1,    "refresh_interval": "30s"  },  "mappings": {    "properties": {      "cont_length":{        "type":"long"      },      "author": {        "type": "text",        "fields": {          "field": {            "type": "keyword"          }        },        "analyzer": "ik_max_word"      },      "contents": {        "type": "text",        "fields": {          "field": {            "type": "keyword"          }        },        "analyzer": "ik_max_word",        "fielddata": true      },      "timestamp": {        "type": "date"      },      "title": {        "type": "text",        "fields": {          "field": {            "type": "keyword"          }        },        "analyzer": "ik_max_word"      },      "type": {        "type": "text",        "fields": {          "field": {            "type": "keyword"          }        },        "analyzer": "ik_max_word"      }    }  }}
PUT some_index_01

5.3 数据读取与写入

通过如下的python代码实现。注意：

  • bulk批量写入比单条写入性能要高很多。
  • 尤其对于大文件的写入优先考虑bulk批量处理实现。
def read_and_write_index():    # define an empty list for the Elasticsearch docs    doc_list = []
    # use Python's enumerate() function to iterate over list of doc strings    input_file = open('300.json',  encoding="utf8", errors='ignore')    json_array = json.load(input_file)
    for item in json_array:        try:            # convert the string to a dict object            # add a new field to the Elasticsearch doc            dict_doc = {}            # add a dict key called "_id" if you'd like to specify an ID for the doc            dict_doc["_id"] = item['id']            dict_doc["contents"] = item['contents']            dict_doc["type"] = item['type']            dict_doc["author"] = item['author']            dict_doc["title"] = item['title']
            # append the dict object to the list []            doc_list += [dict_doc]
        except json.decoder.JSONDecodeError as err:            # print the errors            print("ERROR for num:", item['id'], "-- JSONDecodeError:", err, "for doc:", dict_doc)            print("Dict docs length:", len(doc_list))


    try:        print ("\nAttempting to index the list of docs using helpers.bulk()")
        # use the helpers library's Bulk API to index list of Elasticsearch docs        resp = helpers.bulk(            client,            doc_list,            index = "some_index",            doc_type = "_doc"            )
        # print the response returned by Elasticsearch        print ("helpers.bulk() RESPONSE:", resp)        print ("helpers.bulk() RESPONSE:", json.dumps(resp, indent=4))    except Exception as err:        # print any errors returned w        ## Prerequisiteshile making the helpers.bulk() API call        print("Elasticsearch helpers.bulk() ERROR:", err)        quit()

5.4 数据分析

5.5 检索分析

5.5.1 飞花令环节：包含铭 毅 天下（分别包含）诗句有哪些？各有多少首？

GET some_index/_search{  "query": {    "match": {      "contents": "铭"    }  }}
GET some_index/_search{  "query": {    "match": {      "contents": "毅"    }  }}
GET some_index/_search{  "query": {    "match": {      "contents": "天下"    }  }}

实践表明：

  • 铭：0首
  • 毅：1首
  • 天下：114 首

不禁感叹：唐诗先贤们也是心怀天下，忧国忧民啊！

5.5.2 李白的诗有几首？按照诗长短排序，由短到长

POST some_index/_search{   "query": {    "match_phrase": {      "author": "李白"    }  },  "sort": [    {      "cont_length": {        "order": "desc"      }    }  ]}
POST some_index/_search{  "aggs": {    "genres": {      "terms": {        "field": "author.keyword"      }    }  }}

唐诗三百首中，李白共33首诗（仅次于杜甫39首），最长的是“蜀道难”，共：353 个字符。

李白、杜甫不愧为：诗仙和诗圣啊！也都是高产诗人！

5.5.3 取TOP10最长、最短的诗的作者列表

POST some_index/_search{  "sort": [    {      "cont_length": {        "order": "desc"      }    }  ]}
POST some_index/_search{  "sort": [    {      "cont_length": {        "order": "asc"      }    }  ]}

最长的诗：白居易-长恨歌-960个字符。

最短的诗：王维-鹿柴- 24个字符（并列的非常多）。

5.6 聚合分析

以下的截图通过kibana实现。细节在之前的kibana可视化中都有过讲解。

5.6.1 三百首谁的作品最多？取TOP10排行

5.6.2 五言绝句和七言律诗占比，以及对应作者占比统计

5.6.3 同名诗排行统计

5.6.4 三百首诗分词形成什么样的词云

5.6.5 全局视图


6、小结

结合唐诗300首的业务场景，结合本小项目的需求、设计、实现三个阶段，建立起对Elasticsearch、kibana核心知识点的全局认识。

核心目的：通过小项目练手，促进公司实际项目能力、产品研发能力的提升
思考：本文词云效果不好，为什么？

推荐：
干货 | Elasticsearch 索引设计实战指南
Elasticsearch性能优化实战指南
开干！Elasticsearch官方文档离线访问实操指南
干货 | Elasticsearch开发人员最佳实战指南
干货 | Elasticsearch多表关联设计指南

更短时间更快习得更多干货！

中国40%+Elastic认证工程师出自于此！

浏览 78
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
孙正义：下一个30年将发生什么？
肉眼品世界
0
Springboot 使用logback直接将日志写入Elasticsearch
java1234
0
如果MySQL磁盘满了，会发生什么？
Java专栏
0
如果MySQL磁盘满了，会发生什么？
极客挖掘机
0
腾讯一面：内存满了，会发生什么？
裸睡的猪
0
内存耗尽后Redis会发生什么
java1234
0
如果MySQL磁盘满了，会发生什么？
全栈开发者社区
0
腾讯一面:内存满了,会发生什么?
作者：小林coding图解网站：https://xiaolincoding.com/大家好，我是小林。前几天有位读者留言说，面腾讯时，被问了两个内存管理的问题：先来说说第一个问题：虚拟内存有什么作用？（如果你还不知道虚拟内存概念，可...
小林coding
0
如果MySQL磁盘满了，会发生什么？
小哈学Java
0
内存耗尽后Redis会发生什么
马哥Linux运维
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报