Elasticsearch 官方和社區(qū)提供了各種各樣的客戶端庫，在之前的博客中，我陸陸續(xù)續(xù)提到和演示過 Perl 的，Javascript 的，Ruby 的。上周寫了一版 Python 的，考慮到好像很難找到現(xiàn)成的示例，如何用 python 批量寫數(shù)據(jù)進 Elasticsearch，今天一并貼上來。
#!/usr/bin/env pypy
#coding:utf-8
import re
import sys
import time
import datetime
import logging
from elasticsearch import Elasticsearch
from elasticsearch import helpers
from elasticsearch import ConnectionTimeout
es = Elasticsearch(['192.168.0.2', '192.168.0.3'], sniff_on_start=True, sniff_on_connection_fail=True, max_retries=3, retry_on_timeout=True)
logging.basicConfig()
logging.getLogger('elasticsearch').setLevel(logging.WARN)
logging.getLogger('urllib3').setLevel(logging.WARN)
def parse_www(logline):
try:
time_local, request, http_user_agent, staTus, remote_addr, http_referer, request_time, body_bytes_sent, http_x_forwarded_proto, http_x_forwarded_for, http_host, http_cookie, upstream_response_time = logline.split('`')
try:
upstream_response_time = float(upstream_response_time)
except:
upstream_response_time = None
method, uri, verb = request.split(' ')
arg = {}
try:
url_path, url_args = uri.split('?')
for args in url_args.split('&'):
k, v = args.split('=')
arg[k] = v
except:
url_path = uri
# Why %z do not implement?
date = datetime.datetime.strptime(time_local, '[%d/%b/%Y:%H:%M:%S +0800]')
ret = {
"@timestamp": date.strftime('%FT%T+0800'),
"host": "127.0.0.1",
"method": method.lstrip('"'),
"url_path": url_path,
"url_args": arg,
"verb": verb.rstrip('"'),
"http_user_agent": http_user_agent,
"status": int(staTus),
"remote_addr": remote_addr.strip('[]'),
"http_referer": http_referer,
"request_time": float(request_time),
"body_bytes_sent": int(body_bytes_sent),
"http_x_forwarded_proto": http_x_forwarded_proto,
"http_x_forwarded_for": http_x_forwarded_for,
"http_host": http_host,
"http_cookie": http_cookie,
"upstream_response_time": upstream_response_time
}
return {"_index":"logstash-mweibo-www-"+date.strftime('%Y.%m.%d'), "_type":"nginx","_source":ret}
except:
return {"_index":"logstash-mweibo-www-"+datetime.datetime.now().strftime('%Y.%m.%d'), "_type":"nginx","_source":{"message":logline}}
def get_log():
start_time = time.time()
log_buffer = []
while True:
try:
line = sys.stdin.readline()
except:
break
if not line:
helpers.bulk(es, log_buffer)
del log_buffer[0:len(log_buffer)]
break
if line:
ret = parse_www(line.rstrip())
log_buffer.append(ret)
while ( len(log_buffer) > 2000 and len(log_buffer) % 2000 == 0 ):
try:
helpers.bulk(es, log_buffer)
except ConnectionTimeout:
print("try again")
continue
del log_buffer[0:len(log_buffer)]
break
else:
if (time.time() - startime > timeout ):
helpers.bulk(es, log_buffer)
start_time = time.time()
del log_buffer[0:len(log_buffer)]
time.sleep(1)
if __name__ == '__main__':
get_log()
和 Perl、Ruby 的客戶端不同，Python 的客戶端只支持兩種 transport 方式，urllib3 或者 thrift。也就是說，木有像事件驅(qū)動啊之類的辦法。
測試一下，這個腳本如果不發(fā)送數(shù)據(jù)，一秒處理日志條數(shù)在15k，發(fā)送數(shù)據(jù)，一秒只有2k。確實比較讓人失望，于是決定換成 pypy 試試——我司不少日志處理腳本都是用 pypy 運行的。
服務(wù)器上使用 pypy ，是通過 EPEL 安裝的，之前都只用核心模塊，這次需要安裝 elasticsearch 模塊。所以需要先給 pypy 加上 pip：
wget
pypy get-pip.py
網(wǎng)上大多說之前還要下載一個叫 distribute_setup.py 的腳本來運行，實測不需要，而且這個腳本的下載鏈接也失效了。
然后通過 pip 安裝 elasticsearch 包即可：
/usr/lib64/pypy-2.0.2/bin/pip install elasticsearch
測試，pypy 比 python 處理日志速度快一倍，寫 ES 速度快一半。不過 3300eps 依然很慢就是了。
測試中碰到的其他問題
可以看到腳本里已經(jīng)設(shè)置了多次重試和超時重連，不過依然會收到寫入超時和失敗的返回，原來 Elasticsearch 默認對每個 node 做 segment merge 的時候，有磁盤保護措施，速度上限限制在 20MB/s。這在壓測的時候就容易觸發(fā)。
[2015-01-10 09:41:51,273][INFO ][index.engine.internal ] [node1][logstash-2015.01.10][2] now throttling indexing: numMergesInFlight=6,maxNumMerges=5
修改配置重啟即可：
indices.store.throttle.type：merge
indices.store.throttle.max_bytes_per_sec：500mb
關(guān)于這個問題，ES 也有討論：Should we lower the default merge IO throttle rate?。或許未來會有更靈活的策略。
更多 ES 性能測試和優(yōu)化建議，參