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。ELKB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？这是一个比价大的主题，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。
今天的分享就到这里了，谢谢大家！
嘉宾介绍：
于伯伟
58同城 | 高级架构师
58同城数据库部门负责人，负责为公司各业务提供高可靠、高性能的一站式数据库服务，主要数据库类型包括MySQL、Redis、MongoDB、TiDB和Elasticsearch等，助力与赋能业务发展，提高效率。