Elasticsearch+Mongo亿级别数据导入及查询实践

数据方案：

• 在Elasticsearch中通过code及time字段查询对应doc的mongo_id字段获得mongodb中的主键_id
• 通过获得id再进入mongodb进行查询

1，数据情况：

• 全部为股票及指数的分钟K线数据（股票代码区分度较高）
• Elasticsearch及mongodb都未分片且未优化参数配置
• mongodb数据量：

• Elasticsearch数据量：

2，将数据从mongo源库导入Elasticsearch

import time
from pymongo import MongoClient
from elasticsearch import Elasticsearch
from elasticsearch.helpers import bulk
es = Elasticsearch()

conn = MongoClient(‘127.0.0.1‘, 27017)
db = conn.kline_db
my_set = db.min_kline
x = 1
tmp = []

#此处有个坑mongo查询时由于数据量比较大时间较长需要设置游标不过期：no_cursor_timeout=True
for i in my_set.find(no_cursor_timeout=True):
    x+=1
    #每次插入100000条
    if x%100000 == 99999:
        #es批量插入
        success, _ = bulk(es, tmp, index=‘test_2‘, raise_on_error=True)
        print(‘Performed %d actions‘ % success)
        tmp = []
    if i[‘market‘] == ‘sz‘:
        market = 0
    else:
        market = 1
    #此处有个秒数时间类型及时区转换
    tmp.append({"_index":‘test_2‘,"_type": ‘kline‘,‘_source‘:{‘code‘:i[‘code‘],‘market‘:market,                ‘time‘:time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(i[‘kline_time‘]/1000 - 8*60*60))                ,‘mongo_id‘:str(i[‘_id‘])}})

#将最后剩余在tmp中的数据插入
if len(tmp)>0:
    success, _ = bulk(es, tmp, index=‘test_2‘, raise_on_error=True)
    print(‘Performed %d actions‘ % success)

3，Elasticsearch+mongo查询时间统计

import time
from pymongo import MongoClient
from elasticsearch import Elasticsearch
from elasticsearch.helpers import scan
from bson.objectid import ObjectId

#es连接
es = Elasticsearch()

#mongo连接
conn = MongoClient(‘127.0.0.1‘, 27017)
db = conn.kline_db  #连接kline_db数据库，没有则自动创建
my_set = db.min_kline

tmp = []

#计算运行时间装饰器
def cal_run_time(func):
    def wrapper(*args,**kwargs):
        start_time = time.time()
        res = func(*args,**kwargs)
        end_time = time.time()
        print(str(func) +‘---run time--- %s‘ % str(end_time-start_time))
        return res
    return wrapper

@cal_run_time
def query_in_mongo(tmp_list):
    k_list = []
    kline_data = my_set.find({‘_id‘:{‘$in‘:tmp_list}})
    for k in kline_data:
        k_list.append(k)
    return k_list

@cal_run_time
def query_in_es():
    #bool多条件查询 must相当于and
    body = {
        "query": {
            "bool": {
                "must": [{
                    "range": {#范围查询
                        "time": {
                            "gte": ‘2017-01-10 00:00:00‘,  # >=
                            "lte": ‘2017-04-12 00:00:00‘  # <=
                        }
                    }
                },
                    {"terms": {# == 或  in：terms 精确查询
                        "code": [‘000002‘,‘000001‘]
                    }
                    }
                ]
            }

        }
    }

    #根据body条件记性查询
    scanResp = scan(es, body, scroll="10m", index="test_2",doc_type="kline", timeout="10m")

    #解析结果字典并放入tmp列表中
    for resp in scanResp:
        tmp.append(ObjectId(resp[‘_source‘][‘mongo_id‘]))

    print(len(tmp))

    #--------------此处有个坑，直接使用search方法查询到的结果集中最多只有10条记录----------------
    # zz = es.search(index="test_2", doc_type="kline", body=body)
    # print(zz[‘hits‘][‘total‘])
    # for resp in zz[‘hits‘][‘hits‘]:
    #     tmp.append(ObjectId(resp[‘_source‘][‘mongo_id‘]))

query_in_es()

query_in_mongo(tmp)

运行结果如下：

第一行：查询的doc个数：28320

第二行：es查询所用时间：0.36s

第三行：mongo使用_id查询所用时间 :0.34s

从结果来看对于3亿多数据的查询Elasticsearch的速度还是相当不错的

※Elasticsearch主要的优势在于可以进行分词模糊查询，所以股票K线并不是完全适应此场景。

※Elasticsearch+Mongo这个架构主要针对：使用mongo存储海量数据，且这张表更新频繁。

原文地址：https://www.cnblogs.com/dxf813/p/8371214.html