Spark读写ES调优记录

使用spark读写es可以使用ES提供的包，es提供了对hadoop,spark等大数据组件的包，es-spark包地址：https://www.elastic.co/guide/en/elasticsearch/hadoop/6.3/spark.html

问题记录

项目中有两个索引数据量较大，尽管API支持读前过滤，但是过滤后的数据读起来还是很慢。本身指标计算不复杂，计算时间很短，读数据成为短板。

读数据优化

• 1.优化查询
  使用spark.sparkContext.esRDD(esResource(esIndex), query)读的数据，发现自己的rangeQuery还不如matchAllQuery读的快，发现es在根据字段进行range查询时，假如这个range不是数字（可能还有其余类型）类型，查询本身就很慢。

• 2.优化es-rdd读取方式
  更改索引的mapping后，速度确实提升很多，但是读数据仍然是短板。
  从文档中发现，改了如下参数

  spark.es.scroll.size=10000
  spark.es.input.use.sliced.partitions=false

  scroll.size默认设置如同才10，读数据是走的http,我过滤后的数据有1千万多
  第二个参数是关闭slice优化，默认是打开的，会根据索引的数据量
  和spark.es.input.max.docs.per.partition大小划分分区，默认每个分区是10万。

  经测试发现，假如不关闭slice优化，且走这个默认值，读的esRDD确实会有多个分区，也会有多个task并发读，但是task太多反而耽误了速度，读得较慢。
  在关必slice优化的情况下，分区数为shard数，读leads索引耗时2.4min左右，快了不少。

• 3.添加executor数，提供读数据的并发度。
  因为指标需要5min升级一次，整个计算过程耗时4min左右，读数据上还需要提速。
  因为spark中的stage没有依赖关系可以并发执行，添加executor后，两个索引同时读取。

  

• 4.打开slice优化/添加shard数

  即便提高任务的并发度，但是读leads索引的stage仍然太慢。目前是5个分区在并发读，在打开slice优化，并设置每个分区为文档数为100万后

尽管分区数提高了，但是数据分布并不均匀，造成这种现象可能和多种因素有关。
因为slice优化不理想，这里采取添加索引shard数的方式，将shard加至10，并且关闭slice优化，效果比较理想。

写数据优化

项目中数据经过聚合计算后，数据量只有100万左右，因而写数据并不是短板，只是简单配置了参数。

spark.es.batch.size.entries=5000
spark.es.batch.write.refresh=false

第一个参数设置批写入的bulk大小，默认值是1000，
第二参数关闭批写入后主动刷新索引的操作

总结

经过层层优化，整个计算任务控制在了3min中左右，任务时间得到缩短，但是读数据仍然占的比重较大，个人感觉es本身并不适合大批量数据读写的场景。假如执行计算任务的数据量很大，es和spark并不搭，可以考虑Hbase+spark的方式替代。反之，假如数据可以提前过滤，并且过滤后的数据并不多的情况下，使用es+spark是一种不错的选择。