問題來源
最近新做一個項目，有部分搜索比較頻繁的數據，而且量級比較大，預計一兩年時間很可能達到100G，項目要求不要存在數據庫中，最終出來有兩個方案，一個是使用Protocol Buffers存儲在文件上，另外就是存在Elasticsearch中，也方便搜索，但這兩個方案需要驗證，到底哪個方案好，從存儲速度，搜索響應，占用空間方面做對比，而我負責給出Elasticsearch的部分技術建議！
驗證需求
1、數據量：初步只算52億條
2、寫數據速度：需要超過1W條每秒
遇到問題以及解決辦法
而在驗證過程中遇到了無論是使用Elasticsearch.Net或者PlainElastic.Net來寫數據，並且是使用了Bulk的api，加上多線程，都是太慢了，粗略算了一下，大概一秒插入3千條左右，這樣的話，52億條數據，得插到何年何月啊，太慢了，根據查閱資料，網上也有人說插入數據還是挺快 的，一秒可以插入18w條，但具體也沒說是用什么辦法插入的，所以只能到官方看看了，發現用REST API的_bulk來批量插入，這樣速度明顯快了，可以達到5到10w條每秒，速度還可以，但問題是這方法是先定義一定格式的json文件，然后再用curl命令去執行Elasticsearch的_bulk來批量插入，所以得把數據寫進json文件，然后再通過批處理，執行文件插入數據，另外在生成json文件，文件不能過大，過大會報錯，所以建議生成10M一個文件，然后分別去執行這些小文件就可以了，說了這么多都是文字，真的有點暈乎乎的，看圖吧！
json數據文件內容的定義
{"index":{"_index":"meterdata","_type":"autoData"}}
{"Mfid ":1,"TData":172170,"TMoney":209,"HTime":"2016-05-17T08:03:00"}
{"index":{"_index":"meterdata","_type":"autoData"}}
{"Mfid ":1,"TData":172170,"TMoney":209,"HTime":"2016-05-17T08:04:00"}
{"index":{"_index":"meterdata","_type":"autoData"}}
{"Mfid ":1,"TData":172170,"TMoney":209,"HTime":"2016-05-17T08:05:00"}
{"index":{"_index":"meterdata","_type":"autoData"}}
{"Mfid ":1,"TData":172170,"TMoney":209,"HTime":"2016-05-17T08:06:00"}
{"index":{"_index":"meterdata","_type":"autoData"}}
{"Mfid ":1,"TData":172170,"TMoney":209,"HTime":"2016-05-17T08:07:00"}
批處理內容的定義
cd E:\curl-7.50.3-win64-mingw\bin curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\437714060.json curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\743719428.json curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\281679894.json curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\146257480.json curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\892018760.json pause
工具代碼
1 private void button1_Click(object sender, EventArgs e) 2 { 3 //Application.StartupPath + "\\" + NextFile.Name 4 Task.Run(() => { CreateDataToFile(); }); 5 } 6 public void CreateDataToFile() 7 { 8 StringBuilder sb = new StringBuilder(); 9 StringBuilder sborder = new StringBuilder(); 10 int flag = 1; 11 sborder.Append(@"cd E:\curl-7.50.3-win64-mingw\bin" + Environment.NewLine); 12 DateTime endDate = DateTime.Parse("2016-10-22"); 13 for (int i = 1; i <= 10000; i++)//1w個點 14 { 15 DateTime startDate = DateTime.Parse("2016-10-22").AddYears(-1); 16 this.Invoke(new Action(() => { label1.Text = "生成第" + i + "個"; })); 17 18 while (startDate <= endDate)//每個點生成一年數據,每分鍾一條 19 { 20 if (flag > 100000)//大於10w分割一個文件 21 { 22 string filename = new Random(GetRandomSeed()).Next(900000000) + ".json"; 23 24 FileStream fs3 = new FileStream(Application.StartupPath + "\\testdata\\" + filename, FileMode.OpenOrCreate); 25 StreamWriter sw = new StreamWriter(fs3, Encoding.GetEncoding("GBK")); 26 sw.WriteLine(sb.ToString()); 27 sw.Close(); 28 fs3.Close(); 29 sb.Clear(); 30 flag = 1; 31 sborder.Append(@"curl 172.17.1.15:9200/_bulk?pretty --data-binary @E:\Bin\Debug\testdata\" + filename + Environment.NewLine); 32 33 } 34 else 35 { 36 sb.Append("{\"index\":{\"_index\":\"meterdata\",\"_type\":\"autoData\"}}" + Environment.NewLine); 37 sb.Append("{\"Mfid \":" + i + ",\"TData\":" + new Random().Next(1067500) + ",\"TMoney\":" + new Random().Next(1300) + ",\"HTime\":\"" + startDate.ToString("yyyy-MM-ddTHH:mm:ss") + "\"}" + Environment.NewLine); 38 flag++; 39 } 40 startDate = startDate.AddMinutes(1);// 41 } 42 43 } 44 sborder.Append("pause"); 45 FileStream fs1 = new FileStream(Application.StartupPath + "\\testdata\\order.bat", FileMode.OpenOrCreate); 46 StreamWriter sw1 = new StreamWriter(fs1, Encoding.GetEncoding("GBK")); 47 sw1.WriteLine(sborder.ToString()); 48 sw1.Close(); 49 fs1.Close(); 50 MessageBox.Show("生成完畢"); 51 52 } 53 static int GetRandomSeed() 54 {//隨機生成不重復的編號 55 byte[] bytes = new byte[4]; 56 System.Security.Cryptography.RNGCryptoServiceProvider rng = new System.Security.Cryptography.RNGCryptoServiceProvider(); 57 rng.GetBytes(bytes); 58 return BitConverter.ToInt32(bytes, 0); 59 }
總結
本次測試結果，發現Elasticsearch的搜索速度是挺快的，生成過程中，在17億數據時查了一下，根據Mid和時間在幾個月范圍的數據，查十條數據兩秒多完成查詢，而且同一查詢條件查詢越多，查詢就越快，應該是Elasticsearch緩存了，52億條數據，大概占用500G空間左右，還是挺大的，相比Protocol Buffers存儲的數據，要大三倍左右，但搜索速度還是比較滿意的。
