使用 Python 批量將數據插入到 ES中

1. 插入數據

現在我們如果有大量的文檔（例如10000000萬條文檔）需要寫入es 的某條索引中，該怎么辦呢？

1.1 順序插入

import time
from elasticsearch import Elasticsearch

es = Elasticsearch()

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        print('共耗時約 {:.2f} 秒'.format(time.time() - start))
        return res
    return wrapper

@timer
def create_data():
    """ 寫入數據 """
    for line in range(100):
        es.index(index='s2', doc_type='doc', body={'title': line})

if __name__ == '__main__':
    create_data()   # 執行結果大約耗時 7.79 秒

1.2 批量插入

import time
from elasticsearch import Elasticsearch
from elasticsearch import helpers

es = Elasticsearch()

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        print('共耗時約 {:.2f} 秒'.format(time.time() - start))
        return res

    return wrapper

@timer
def create_data():
    """ 寫入數據 """
    for line in range(100):
        es.index(index='s2', doc_type='doc', body={'title': line})

@timer
def batch_data():
    """ 批量寫入數據 """
    action = [{
        "_index": "s2",
        "_type": "doc",
        "_source": {
            "title": i
        }
    } for i in range(10000000)]
    helpers.bulk(es, action)


if __name__ == '__main__':
    # create_data()
    batch_data()  # MemoryError

我們通過elasticsearch模塊導入helper，通過helper.bulk來批量處理大量的數據。首先我們將所有的數據定義成字典形式，各字段含義如下：

• _index對應索引名稱，並且該索引必須存在。
• _type對應類型名稱。
• _source對應的字典內，每一篇文檔的字段和值，可有有多個字段。

首先將每一篇文檔（組成的字典）都整理成一個大的列表，然后，通過helper.bulk(es, action)將這個列表寫入到es對象中。
然后，這個程序要執行的話——你就要考慮，這個一千萬個元素的列表，是否會把你的內存撐爆（MemoryError）！很可能還沒到沒到寫入es那一步，卻因為列表過大導致內存錯誤而使寫入程序崩潰！很不幸，我的程序報錯了。下圖是我在生成列表的時候，觀察任務管理器的進程信息，可以發現此時Python消耗了大量的系統資源，而運行es實例的Java虛擬機卻沒什么變動。

解決辦法是什么呢？我們可以分批寫入，比如我們一次生成長度為一萬的列表，再循環着去把一千萬的任務完成。這樣， Python和Java虛擬機達到負載均衡。

下面的示例測試10萬條數據分批寫入的速度

import time
from elasticsearch import Elasticsearch
from elasticsearch import helpers

es = Elasticsearch()

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        print('共耗時約 {:.2f} 秒'.format(time.time() - start))
        return res

    return wrapper
@timer
def batch_data():
    """ 批量寫入數據 """
    # 分批寫
    # for i in range(1, 10000001, 10000):
    #     action = [{
    #         "_index": "s2",
    #         "_type": "doc",
    #         "_source": {
    #             "title": k
    #         }
    #     } for k in range(i, i + 10000)]
    #     helpers.bulk(es, action)
    # 使用生成器
    for i in range(1, 100001, 1000):
        action = ({
            "_index": "s2",
            "_type": "doc",
            "_source": {
                "title": k
            }
        } for k in range(i, i + 1000))
        helpers.bulk(es, action)

if __name__ == '__main__':
    # create_data()
    batch_data()	# 耗時 93.53 s

1.3 批量插入優化

采用 Python 生成器

import time
from elasticsearch import Elasticsearch
from elasticsearch import helpers

es = Elasticsearch()

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        print('共耗時約 {:.2f} 秒'.format(time.time() - start))
        return res

    return wrapper
@timer
def gen():
    """ 使用生成器批量寫入數據 """
    action = ({
        "_index": "s2",
        "_type": "doc",
        "_source": {
            "title": i
        }
    } for i in range(100000))
    helpers.bulk(es, action)

if __name__ == '__main__':
    # create_data()
    # batch_data()
    gen()		# 約90s

參考文章：https://www.cnblogs.com/Neeo/articles/10788573.html