定期处理和更新 elasticsearch 索引中的文档

Periodically process and update documents in elasticsearch index

我需要想出一个策略来定期高效地处理和更新 elasticsearch 索引中的文档。我不必查看我之前处理过的文件。

我的设置是我有一个很长的 运行ning 过程,它不断地将文档插入索引,比如说大约。每小时 500 个文档(想想常见的日志记录示例)。

我需要找到一个解决方案来定期更新一些文档(例如通过 cron 作业)到 运行 特定字段(例如文本字段)上的一些代码以增强该文档新字段的数量。我想这样做是为了在索引上提供更细粒度的聚合。在日志类比中,这可能是,例如,我从日志条目(文档)中获取 UserAgent 字符串,对其进行一些解析,然后将一些新字段添加回该文档并为其编制索引。

所以我的方法是:

  1. 获得一些我以前没有看过的文件(甚至全部)。例如,我可以通过组合 must_notexists 来查询它们。
  2. 运行 我在这些文档上的代码(运行 解析器,计算一些新东西,等等)。
  3. 更新之前获得的文件(最好是通过批量 api)。

我知道有Update by query API。但这似乎不在这里,因为我需要 运行 我自己的代码(顺便说一下,这取决于外部库),在我的服务器上而不是作为一个无痛脚本,它不会提供我需要的综合任务.

我正在通过 python 访问 elasticsearch。

现在的问题是我不知道如何实现上面的方法。例如。如果第一步得到的文档数量大于myindex.settings.index.max_result_window怎么办?

有什么想法吗?

我考虑了@Jay 的评论并最终得到了这个模式,目前:

from elasticsearch import Elasticsearch
from elasticsearch.helpers import bulk
from elasticsearch.helpers import scan

from my_module.postprocessing import post_process_doc

es = Elasticsearch(...)
es.ping()

def update_docs( docs ):
    """"""
    for idx,doc in enumerate(docs):
        if idx % 10000 == 0:
            print( 'next 10k' )
        
        new_field_value = post_process_doc( doc )

        doc_update = {
            "_index": doc["_index"],
            "_id" : doc["_id"],
            "_op_type" : "update",
            "doc" : { <<the new field>> : new_field_value }
        }

        yield doc_update

docs = scan( es, query='{ "query" : { "bool": { "must_not": { "exists": { "field": <<the new field>> }} } }}', index=index, scroll="1m", preserve_order=True )

bulk( es, update_docs( docs ) )

评论: