[转载]58同城 Elasticsearch 应用及平台建设实践

导读：Elasticsearch 是一个分布式的搜索和分析引擎，可以用于全文检索、结构化检索和分析，并能将这三者结合起来。Elasticsearch 基于 Lucene 开发，现在是使用最广的开源搜索引擎之一。Elasticsearch 可以应用于在 / 离线日志流水、用户标签画像、数据库二级缓存、安全风控行为数据、图数据库索引、监控数据、Wiki 文档检索等应用场景。58 同城有自己的主搜，而一些内部创新搜索业务和大规模的数据实时 OLAP (On-Line Analytical Processing，联机分析处理) 则是使用 Elasticsearch。

本次分享的主题为 58 同城 Elasticsearch 应用及平台建设实践。主要内容包括：

• 集群优化治理
• 典型应用实践
• 自动化平台建设
• 后续规划

01 集群优化治理#

1. 背景#

早期 Elasticsearch 分布在 58 内的各个业务部门自主维护，但是随着 Elasticsearch 自身的功能加强，各业务团队使用 Elasticsearch 的数量越来越多、使用的业务场景越来越重要，于是由数据库部门对整个公司的 Elasticsearch 使用进行了收敛管理，在这个过程中数据库部门同学遇到了很多问题和挑战，具体如下：业务使用场景复杂多样；Elasticsearch 版本不统一；应用与 Elasticsearch 数据服务混合部署；缺乏有效监控；服务器硬件型号多样；索引接入无管控，找不到负责人；接入规范不统一，接入沟通成本高；无平台管理，手动 excel 维护集群信息。

除了上面这些问题，接管 Elasticsearch 后，还面临着服务性能方面的挑战：索引变红 (集群健康状态)、索引写不进去、查询超时、内存 OOM、Master 不响应等。

在做分享之前，DataFun 的小伙伴给反馈了很多问题，这些问题很大一部分是与 Elasticsearch 集群的规划相关，这有很多和我们之前遇到的问题也是一样的。下面针对两个处理比较多的问题来分享。

2. 典型问题之一：Elasticsearch 集群的磁盘被打爆#

造成磁盘被打爆有以下几种原因：

• 索引泛滥，索引接入无流程管控

• 索引无生命周期管理

• 索引分片数量不合理，单分片过大

• 日志类索引未按天等细粒度划分，单索引过大

• 多集群复用同一服务器节点

• 磁盘容量大小不一

这些问题比较基础，其实也反映出早期在使用 Elasticsearch 时没有很好的规划。针对上面的各种问题，总结了如下几点实践经验：

• 集群管控收敛账号权限，限制每个账号操作索引的范围。避免各个部门或业务随意复用集群，比如不通过系统申请直接将其它各种日志或业务数据直接 Load 进 Elasticsearch，造成索引泛滥无法治理。

• 索引生命周期管理。不管线上数据还是离线数据，应该有个消亡的过程。比如梳理过程甚至发现 3 年前的数据还存在，这极大的浪费了磁盘空间。

• 合理的分片数量规划。分片数量的规划其实和我们的数据量有很密切的关系的。比如节点的个数是多少、磁盘的空间是多少，我们建议尽量控制单个分片数量在 100G 以内，避免单分片过大在均衡时将磁盘打爆。

• 日志类的索引，避免单个过大，按照天划分是比较好的解决方案。如果按照天划分索引仍然很大，这个时候就需要按小时更小粒度的划分规则。

• 不同集群复用相同的服务器分区。由于 Elasticsearch 有自己的警戒水位线，之间会互相影响，很容易导致磁盘空间触发达到上限问题。

3. 典型问题之二：Elasticsearch 集群写入变慢#

Elasticsearch 集群写入变慢需要考虑以下几个问题：

• 索引梳理，是否所有信息都要写入？

• 分片数量是否合理？

• 业务需求是否需要多副本？

• Refresh 时间是否可以更大？

• Logstash 处理吞吐是否达到瓶颈？

• Translog 刷新策略是否要优化？

• 磁盘硬件 IO 是否太差？

针对上面这几个问题我们的实践经验是：

• 减少不必要的写入。例如减少没有必要的大文本类的写入，因为这些大文本会耗更多的 IO。

• 合理设置分片数量。分片数量不是越多越好，分片越多会导致写入变慢。

• 多副本会极大的影响写入吞吐。在 Elasticsearch 的写入机制里，Primary 要等待所有 Replica 写完之后才能返回给客户端。

• 对于日志类的索引没有必要秒级刷新。大家可能都使用了默认配置刷新时间，其实调整为 5 秒、10 秒也是可以接受的。目前很多日志类的我们设置为 60 秒。

• Logstash 有吞吐瓶颈。之前测评在某一场景下，它的吞吐量也就 1-2 万左右。业内还有一些开源的工具替代 Logstash，包括一些自研的程序，可以极大的提高写入的吞吐。

• 明确服务器用的是 SSD 还是普通的 SATA 机械盘。ssd 的读写速度会比普通的 SATA 机械盘快。目前针对一些业务数据我们采用冷热分离策略，新数据库写入 SSD 磁盘，早期的数据会自动均衡到 SATA 机械盘。

4. 开发规范#

针对这些影响业务稳定性的问题，我们内部制定了相应的规范约束：

日志类应用：#

• 提供容量与吞吐量预估

  注：在新业务接入时，我们要求业务方提供当前业务的容量和吞吐量的预估值 (例如：每天的增量数据有多少条、保留的时间是多少)。

• 提供静态 mapping 结构

  注：包括对日志类的业务，我们也强烈建议使用静态 mapping。

• 统一接入大数据部门 Kafka 集群，并提供 topic 和 ClientId

• 提供 Logstash filter 过滤规则配置

• 索引配置，默认 5 分片 1 副本 (可调整)

• 数据保留策略，建议不超过 30 天

• 索引按天划分，命名规则建议为：前缀 + 日期时间戳，如 xxx-2020-02-01

  注：这里还是强烈建议日志类索引按照天划分。

• 禁止私自接入新索引，接入账号权限限制匹配特定索引前缀

非日志类应用：#

这类多是数据检索类的服务。

• 提供容量与吞吐量预估

• 提供业务类型评估，线上一级核心业务优先接入公司主搜服务

• 注：因为这会涉及公司的商业搜索策略。

• 重要业务独享集群，非核心业务复用公共集群

• 注：重要的业务要保证业务的可靠性、稳定性。

• 提供静态 mapping 结构

• 索引配置，默认 5 分片 2 副本

• 注：根据实际业务进行动态调整。

• 禁止私自接入新索引，接入账号权限限制匹配特定索引前缀

5. Elasticsearch 服务架构#

在整合所有 Elasticsearch 之后，我们统一了 Elasticsearch 的服务架构：

该架构有以下几个特点：

• Elasticsearch 的每一个节点角色都是独立的。我们的 Master 节点和 Data 节点不会复用，对于大规模集群也会额外增加 client 节点。#

• Elasticsearch 的版本统一升级到 6.8 以上。因为 Elasticsearch 在 6.8 版本开始提供基于角色的安全认证，这对我们的索引治理和管控来说是非常重要的，而之前我们有不少 Elasticsearch 是在裸奔，没有任何的安全限制。#

• 公共的 IK 插件。现在的分词插件目前还是使用的默认的 IK 插件。#

• 冷热数据分离。我们根据索引的业务场景，配置不同类型的数据节点，配合我们的索引管理策略，在低负载的时候 (晚上或某个时间点)，自动调整索引的配置，让它进行自动迁移。#

02 典型应用实践#

1. ELKB 简介#

在介绍我们典型的应用实践之前，我们先再介绍 ELKB。

ELKB 是一套日志管理方案，它是 Elasticsearch、Logstash、Kibana、Beats 服务的简称。Elasticsearch 用于存储数据，并提供搜索和分析；Logstash 用于数据收集及转换管道，可扩展的插件；Kibana 用于对存储在 Elasticsearch 中的数据进行可视化展示；Beats 用于多类型数据采集器。

ELKB 的架构分为三层：数据提取层、数据的存储层、数据展示层。ELK B 将数据的提取、存储、展示做成套件，这是它比较优势的地方。

2. 应用实践之一：58 实时日志平台#

早期阶段：#

58 内部有好多套技术方案实践，该架构是 5 年前系统运维部同学维护的一套日志收集平台，有两条业务线在使用。这个版本当时比较低，它通过 Logstash 抓取日志，但是 Logstash 这块非常消耗资源，经常出现一些稳定性的问题。

现在阶段：#

目前我们在公司主流的日志平台主要是这种：

工作流程：

• 收集：日志收集使用大数据部门的 Flume 进行抓取

• 存储：数据收集完后会存储到公司统一的 Kafka 集群；

• 展示：我们做了日志管理平台 - 飞流。另外因为 Kafka 存储的数据时间有限制，我们将 Kafka 的数据写入到线下的 KV 存储系统或者一些检索系统中。监控报警系统可以提供一定的监控。

改进阶段：#

接着也就演变到了下面这种新的日志平台：

• 收集：在数据抓取层除了使用 Flume 之外，我们增加了 Filebeat 等套件。

• 缓存：抓取的数据仍通过公司的 Kafka 集群进行缓存

• 过滤转换订阅消费：通过 Kafka 之后的下游消费我们使用 Logstash，因为 Logstash 的单节点的吞吐量有性能瓶颈，我们通过部署多套，并让多个 Logstash 节点进行消费。另外一种就是 hangout。hangout 是携程一个开源的类似 Logstash 的 Kafka 消费组件，它在部分场景下的吞吐量不错

• 存储检索：使用 Elasticsearch

• 展示：我们还自研了一些应用程序，通过 Kibana 直接给数据分析师、用研员提供服务。另外部分业务也依靠 Elasticsearch 做趋势或者预警方面的功能监控报警平台，以及一些日志管理系统，用于满足自己的业务需求。

3. 应用实践之二：MySQL 实时慢日志#

早期业内大家做 MySQL 的慢日志系统大都是获取上一整天的慢日志，进行统一分析，然后生成上一天的慢日志报表。这种方式有一定的滞后性，如果业务调整 SQL 或者新发布了一个功能想看实时的性能状况，这种需求是满足不了的。开发人员需要看到数据库实时的慢日志，以方便更快的进行性能诊断。我们使用 ELKB 技术栈来实现：

• 收集：采集层使用公司的 agent 来管理每个 MySQL 服务器节点上的 Filebeat，比如实现对每个 MySQL 节点配置 Filebeat，并进行初始化、启停等管控。

• 缓存：数据收集完成后，上报汇总到公司的 Kafka 集群。

• 过滤：配置 Logstash 过滤分析节点，因为 MySQL 慢日志格式还是比较复杂，这里面要做一些分析过滤、切割转换等相关操作。

• 存储：最终统一存入到 Elasticsearch 中

• 展示：目前我们支持在 58 云 DB 平台【内部的私有云数据库平台】上直接查看。我们也可以通过 Kibana 提供的统计工具进行趋势分析、运维报警等。

目前给开发人员提供的用户端，通过页面可以实时看到自己的 MySQL，从收集到 MySQL 到展示，目前可以做到 5 秒以内展示。

4. 总结#

上面介绍的是 58 同城内部两个主要的应用实践，目前数据库团队已经收敛了整个公司 30 + 套各种业务的 Elasticsearch 集群、300 多个节点，服务器接近 200 台，我们的管理维护还有不少的工作要做。

03 平台化建设#

从去年开始，我们启动了 Elasticsearch 平台化建设，一是面向用户端提高开发接入 Elasticsearch 的效率，另外就是面向 DBA 管理端，可以对 Elasticsearch 集群进行高效运维及索引治理等。

58 云 DB 平台 Elasticsearch 功能架构图如下：

1. 用户端#

针对用户端，我们把 Elasticsearch 开放给开发人员、数据运营、数据分析师等，使他们能够对 Elasticsearch 的数据进行基本的查询，包括数据统计、分析报表、 查看 Elasticsearch 的状态等。

• 集群负责人可以从管理界面上看到自己名下的集群列表、Kibana 地址、集群容量、操作申请等。

• 这个界面是索引申请界面。所有接入者通过标准化的方式、规范化的流程来完成需求提交。每一个索引的接入必须包括数据的保留策略、mapping、数据写入方式等。

2. 管理端#

在管理端，我们实现了一键部署 Elasticsearch 集群。由于 Elasticsearch 是分布式的，部署的线路是比较长的，它需要多节点、不同的角色，包括监控、Logstash、Filebeat 等相关的管理都是支持的。

• 从管理界面上可以看到哪个 ip 地址上运行着哪个集群、它的角色是什么。

• 一键自动化部署。

3. 索引治理#

索引治理后续会做一些索引的生命周期管理，现在的管理我们最多的还是依赖脚本，后面索引的工作，我们希望都放到平台上来，都要有相关的操作记录。

• 索引的监控

对于服务端目前使用的是 Zabbix+ Grafana 的方式。我们开发了一套程序。将所有集群的监控指标打入到其中一套 Elasticsearch 集群中去，然后 Grafana 基于 Elasticsearch 做了图表的展示，再通过 Zabbix 进行一些系统的报警。

用户端，可以通过 Kibana 可以看到索引 index 的速度、延迟等信息。

04 后续规划#

1. 版本升级#

Elasticsearch 7.X，在 Elasticsearch 7.X 版本在性能优化上做了很多东西，包括：查询的相关性、对内存的管控方面。但是它同样存在一个问题，Elasticsearch 版本不向下兼容，比如 6.x 版本升级到 7.x 版本，它的变化会比较大。

2. 集群智能诊断#

集群功能越来越多，目前集群出了问题还是依赖运维人员手动发现。我们希望通过规则或者自动分析等手段，实现故障的自动化处理。

3. 私有云探索#

接到 Elasticsearch 业务需求，我们首先要分析它的业务模型：是搜索的还是日志流水的？不同的用途对硬件的消耗差别是很大的，而服务器并不是高度的契合业务配置。在这个方面是有非常多的资源浪费，我们希望通过云模式，能够减少资源浪费，提高资源的利用率。

05 问答环节#

1. Elasticsearch 数据如何与 hadoop 大数据平台数据仓库同步？#

答：Hadoop 或 hive 数据可以通过官方的相关组件，也可以通过自己写程序进行同步。

2. Elasticsearch 日志应用中，怎么定义日志格式，有些后台日志情况复杂，比如 except 崩溃的，怎么处理这种后台日志问题？#

答：关于日志格式可以看下 Filebeat，Filebeat 在收集日志的时候有多行合并功能，从 Kafka 到 Logstash 可以定义自己的过滤规则，这样可以很容易的把问题解决掉。

3. MySQL 数据如何导入到 Elasticsearch，并保持实时同步？#

这是一个比较大的主题，从 MySQL 到 Elasticsearch 这里考虑的规则还是比较多的。如：单表导入到单索引、多表导入到一个 Elasticsearch 索引、单表导入多个索引，这些都是不一样的。业内做 MySQL 到 Elasticsearch 的同步的方案比较多，主流的有如下几种：

• 简单粗暴的由业务层双写，即写完 MySQL 之后直接写 Elasticsearch，当然这样双写可能无法保证数据的一致性，有些公司对异常有补偿机制：如果写入 ES 失败，先把写失败的数据记录下来，通过独立后端程序进行异常的数据修复。

• 一些开源的工具。比如阿里开源的多数据源 dataX，它的设计原理是直接到 MySQL 中查询数据，它高度依赖一条记录的过期时间，大于过期时间就将数据取出来写到 Elasticsearch 中去，这个实时性依赖于程序多久刷新一次，但是如果数据删除了，是无法感知到的。

• 直接解析 MySQL 的 binlog。阿里也有这样的开源工具 canal。它的实现原理就是模拟一个 MySQL 的从库，它订阅所有主库的变更，当 MySQL 数据变化时，它将解析的变更可以放到 Kafka 中去，Kafka 下游可以消费后写入 Elasticsearch，也可以不经过 Kafka 直接解析出来写入 Elasticsearch。但 canal 也有个问题。它单节点处理能力受限。当 MySQL 主库写入稍微多一些的情况下，这时候 canal 解析速度跟不上，导致大量延迟，如果主库的持续的写入量大，canal 会一直延迟，而且延迟越来越大，同时会出现很多问题。

4. Elasticsearch 如何实现高效的二级索引？#

答：类似于 MySQL 的回表查询模式，先将所有待查询的数据同步到 Elasticsearch 中，同步时带上相关的记录 id，在 Elasticsearch 完成查询后，再用这些 id 去相关的 MySQL 或 HBASE 进行查询返回完整数据。

作者：于伯伟
来源：DataFunTalk
原文链接：mp.weixin.qq.com/s/zZziVBwxGBowYgx...