ELK的心脏，ElasticSearch学习方法论

栏目: 服务器 · Apache · 发布时间: 6年前

内容简介：从初次了解elastic产品到正式投入使用，拖拖拉拉的也有小半年了，刚接触的时候看到一些帖子都是安装教程，后来看到一些都是深入教程，此篇文章较居中一点，总结了我在踩的一些坑和记录一些周边插件的使用方式、方法，便于自己后续回顾，也希望能给新用户一些引导，少走一些弯路；核心其实是想表达一下对rockybean和KennyW的爱，这期间非常感谢两位的协助，在非工作日深夜排查问题多次，正文多处采用二位给予的讲解，万分感谢。通过上述配置PUT到 _template/ur_name下在分片上的定义已经成功，但是像ag

写在前面

从初次了解elastic产品到正式投入使用，拖拖拉拉的也有小半年了，刚接触的时候看到一些帖子都是安装教程，后来看到一些都是深入教程，此篇文章较居中一点，总结了我在踩的一些坑和记录一些周边插件的使用方式、方法，便于自己后续回顾，也希望能给新用户一些引导，少走一些弯路；核心其实是想表达一下对rockybean和KennyW的爱，这期间非常感谢两位的协助，在非工作日深夜排查问题多次，正文多处采用二位给予的讲解，万分感谢。

ElasticSearch简介

基于Lucene构建的分布式， RESTful 搜索和分析引擎;
实时搜索、分析，稳定，可靠，快速；
JAVA编写，开源，使用JSON开源通过HTTP来索引数据；

项目介绍

历史：

由前同事工作交接，原有一套ES1.7集群，但是经常jvm跑满导致集群不可用，没有ES调优经验，甚至没有使用经验，从零了解ES，过度版本ES5.3~5.6；
背景：

数据源主要是Nginx访问日志，由于Nginx是集群，相应的日志分布落在每台机器上，当对整体日志做一些数据分析、故障排查等，因数据分散且量很大，通过脚本已经不能做分析处理了，为了对Nginx日志做全文搜索、分析，实时监控等，所以踏上ELK之路；
数据量：

每天6-7T，Docs在100亿左右

架构图

ELK的心脏，ElasticSearch学习方法论

第一部分：日志收集（Nginx + Rsyslog）

采用Nginx内置的syslog模块，每台机器启用本地的rsyslog，通过UDP方式传输本地的514端口（Rsyslog），然后Rsyslog在将数据转发至Kafka;
选型比较：日志收集有很多种方式，如flume、filebeat、 lua 脚本等，但是这些组件都需要额外安装客户端，而rsyslog在 linux 都集成了。简单对比过Rsyslog和其他区别，首先在Nginx中的syslog对于一个更改相对灵活，JSON日志与落地日志毫无干系（目前是两份格式：人肉读取的本地日志格式，机器读取JSON网络传输格式），日志输出直接通过网络传输走（网络消耗很低）不受本地磁盘影响，对不同的server_name或location等可以灵活的修改，总之控制权在Nginx手里，Nginx的维护同学就可以自定义源数据格式，管理成本相对较低；

Rsyslog配置（双打Kafka）

现有的版本是0.8，而刚开始测试的用logstash5.x需要kafka0.10（最终hangout替换logstash），所以新搭建了一组新的集群，Rsyslog向两个Kafka集群分别写数据，配置如下

Module (load="imudp") Module (load="omkafka") Input (type="imudp" port="514") Module (load="mmsequence") $MaxMessageSize 4k local5.none /var/log/messages local5.none @log.domain.com:514 set $!newmsg = replace($msg,'\\x','\\u00') template(name="kafka_topic" type="string" string="%programname%") template(name="kafka_msg" type="string" string="%!newmsg%") if ($syslogfacility-text == 'local5' and $syslogseverity-text == 'info') then{ action(type="omkafka" topic="kafka_topic" partitions.auto="on" dynatopic="on" dynatopic.cachesize="1000" confParam=["compression.codec=snappy"] #kafka broker addr broker=["10.10.10.1:9092","10.10.10.2:9092",] template="kafka_msg" errorfile="/var/log/omkafka/log_kafka_failures.log") action(type="omkafka" topic="kafka_topic" partitions.auto="on" dynatopic="on" dynatopic.cachesize="1000" confParam=["compression.codec=snappy"] #kafka broker addr broker=["20.20.20.1:9092","20.20.20.2:9092",] template="kafka_msg" errorfile="/var/log/omkafka/log_kafka_failures.log") stop } 复制代码

配置Nginx JSON格式日志

log_format json_format  '{"@timestamp":"$time_iso8601",'         '"cookie_id":"$cookie_id",' #内部cookie_id         '"client_ip":"$remote_addr",'         '"remote_user":"$remote_user",'         '"request_method":"$request_method",'         '"domain":"$host",'         '"user_agent":"$http_user_agent",'         '"xff":"$http_x_forwarded_for",'         '"upstream_addr":"$upstream_addr",'         '"upstream_response_time":"$upstream_response_time",'         '"request_time":"$request_time",'         '"size":"$body_bytes_sent",'         '"idc_tag":"tjtx",'         '"cluster":"$host_pass",'         '"status":"$status",'         '"upstream_status":"$upstream_status",'         '"host":"$hostname",'         '"via":"$http_via",'         '"protocol":"$scheme",'         '"request_uri":"$request_uri",'         '"http_referer":"$http_referer"}';复制代码

Nginx内置 syslog模块配置，并且引用刚刚定义的json日志格式
```
access_log syslog:local5:info:127.0.0.1:514:nginx_aggregation_log json_format; #nginx_aggregation_log   这是自定义的Topic复制代码
```
NginxSyslog模块介绍

注:

1) UDP传输虽快，但是以太网(Ethernet)数据帧的长度必须在46-1500字节之间，UDP不能像TCP重组数据包，去除IP和UDP的数据包，最终可使用只剩1472字节。如果传输大于这个长度的消息，并不会想UDP本身一样直接丢弃，只是会损坏源数据格式，截断超过限制字节以外的数据;

2) 对于Nginx日志来说，只要不保留POST数据，基本一条消息不会超过限制字节，我在NginxSyslog介绍中没看到支持TCP，用lua脚本实现的TCP方式传输，但是看了很多帖子都不建议在Nginx中用TCP日志传输。就是因为TCP传输可靠，但像网络抖动、传输异常，可能会不停的重试多次或等待，直接影响这条请求，也直接影响到了用户；

3) 消息超过了UDP传输限制怎么办，我这目前是保留一条消息的重要字段，如上述的json_format的格式，将 request_uri、http_referer等可能会较大的字段放到最后，如果真的发现消息不完整，直接丢弃http_referer，取request_uri问号前的内容；（在logstash或hangout中filters实现，具体配置详见下文Hangout-filters）

第二部分-存储中间件（Kafka）

Kafka性能很强，顺序写入磁盘，高吞吐量的分布式发布订阅消息系统
Kafka一直不是瓶颈，也没太多深入优化，Topic数据保留了12小时，副本为1
针对不同的Topic，对Partition的数量有稍微改变，目前是5台服务器，之前简单测过增加Partition的性能，从8、16、32、64增加来看，明显情况就是Partition增加，CPU使用也会随之增加，因为kafka本身不是瓶颈，其他明显问题也未遇到；
目前这边最大的Topic是一天近5T数据，64Partition没有任何问题，部分小的Topic都是16Partitio，Kafka整个集群的CPU空闲都在80%以上，内存、IO均无压力，后续也考虑缩减机器。这边的kafka团队有个建议值，供大家参考:【每天数据规模小于50G选择4分区、50G且小于100G选择8分区、大于100G且小于500G选择16分区、大于500G，选择24分区】
Kafka监控插件： kafka-monitor 和 kafka-manager

注：

目前我们这kakfa集群是kafka_2.10-0.8.1.1版本，但是logstash5.x对kafka有版本要求>0.10版本。后来采用hangout，更换了几个jar包解决了此问题

第三部分-数据搬运工（Hangout）

模仿 logstash 做的一个应用，功能没有logstash多，但是基本使用都有了，java编写，性能可以翻好几倍，用到的功能就是从kafka订阅消息，做一些简单的过滤，然后写入ES；目前hangout部署到2台服务器上，每个进程开8G内存，CPU在60-70左右;

inputs:    - Kafka:     topic:          nginx_aggregation_log: 32     codec:          json     consumer_settings:         group.id: es-nginx_aggregation_log         zookeeper.connect: "10.10.10.1:2181,10.10.10.2:2181"         auto.commit.interval.ms: "20000"         socket.receive.buffer.bytes: "1048576"         fetch.message.max.bytes: "1048576"         num.consumer.fetchers: "1" filters:    - Filters:    if:         - '<#if message??>true</#if>'          #如果不是完整的JSON，会出现message,则走此逻辑    filters:        - Grok:            match:              - '(?<msg>{"@timestamp":.*"request_uri":([^\?]+)\?)'              #正则匹配@timestamp开始到request_uri后边的第一个？截止        - Gsub:            fields:                msg: ['$','"}']                #补全符号，完整新的JSON格式        - Json:            field: msg            remove_fields: ['message']             #干掉错误的数据 - Convert:     fields:         request_time:             to: float             remove_if_fail: true         upstream_response_time:             to: float             remove_if_fail: true         size:             to: integer             remove_if_fail: true - GeoIP2:     source: client_ip     database: '/opt/soft/hangout/etc/other/GeoLite2-City.mmdb'     - Json:          field: geoip - Remove:         fields:             - msg - Add:        fields:           request_url: '<#assign a=request_uri?split("?")>${a[0]}'           #request_uri这个term的cardinality很高，所以?前用于聚合，原有的用于搜索        if:          - '<#if request_uri??>true</#if>' outputs: - Elasticsearch: cluster: es-nginx timezone: "Asia/Shanghai" hosts: "10.10.10.1:9300,10.10.10.2:9300" index: 'hangout-nginx_aggregation_log-%{+YYYY.MM.dd}' 复制代码

Hangout进程管理工具（ supervisord ）

主要是守护hangout进程，在web界面对hangout进行启、停、重启等操作
topic: nginx_aggregation_log: 32，无论是logstash还是hangout都有这个概念，这个32代表需要建立多少子线程去kafka读取数据，数量最好与Partition相等，如果少于Partition，会一个线程同时去2个Partition读取消息，若大于Partition则会有不工作的进程

第四部分-Elasticsearch（后面简称ES）

硬件环境

CPU:32C，内存:128G ，硬盘：STAT 6T * 12，网卡：万兆 复制代码

软件环境：

【系统】： Centos7 内核3.10 【JDK】： 1.8.0_66/31G (据说此版本JDK有BUG，请安装最新JDK) 【系统参数修改1】: vm.swappiness=1 [降低对硬盘的缓存] 【系统参数修改2】: vm.max_map_count=262144 [Elasticsearch针对各种文件使用NioFS和MMapFS的混合。以便有足够的虚拟内存可用于mmapped文件] 复制代码

ES配置文件

cluster.name: es-nginx node.name: 10.10.10.1  #为后期冷热数据使用 node.attr.rack_id: hdd  path.data: /data  path.logs: /opt/logs/elasticsearch/ network.host: 0.0.0.0  http.port: 9200 #设置新节点被启动时能够发现的主节点列表 discovery.zen.ping.unicast.hosts: ["10.10.10.1","10.10.10.2","10.10.10.3"] #防止脑裂（n/2+1） discovery.zen.minimum_master_nodes: 2 node.master: true node.data: false复制代码

ES跳入的第一坑：node.master与node.data同时服务

刚刚开始测试ES的第一个版本是ES5.3,先搞了3台机器，每个机器一个节点，配置是master和data共同提供服务，高可用架构集群搭建完成，但是写入性能特别差,cpu使用在20-30%,少量io.wait，下图是当时3w左右的性能图当时觉得既然ES硬件很空闲一定是logstash出问题了，查看logstash确实有很严重的Full GC,开始从2台服务器扩至4台服务器，后来发现无果，期间各种调整ES的shard的数量都没效果，又怀疑kafka性能，从2、4、6、8...64分区依旧无果。当时这个坑可爬了一段时间，后来在Google的游荡中无意中看到帖子说，不要将master和data都启用，然后我照着做了改变，master单点，data两台，问题搞定，效果图找不到了，起码翻倍是有的；
```
[Master除了网卡，其他没什么消耗] 复制代码
```

template

因shard数量、字段类型、其他设置等都是都是在创建时生成，所以要提前创建好相应的模板，便于规范管理和引用，下面针对shard和 aliases 做的一些设置，如下：

{       "template": "agg-nginx-*",       "aliases": {           "agg-nginx": {}         },       "settings": {         "number_of_shards": 4,         "number_of_replicas": 1,         "index.routing.allocation.include.rack_id": "ssd"       }复制代码

通过上述配置PUT到 _template/ur_name下在分片上的定义已经成功，但是像agg-nginx-

mapping

ES的mapping非常类似于静态语言中的数据类型：声明一个变量为int类型的变量，以后这个变量都只能存储int类型的数据。同样的，一个number类型的mapping字段只能存储number类型的数据。同语言的数据类型相比，mapping还有一些其他的含义，mapping不仅告诉ES一个field中是什么类型的值，它还告诉ES如何索引数据以及数据是否能被搜索到

下列是一个删减版的mapping复制代码

"mappings": {     "ngx_log": {        "_all": {         "enabled": false       },       "properties": {         "@timestamp": {           "type": "date"         },         "client_ip": {           "type": "ip"         },         "domain": {           "type": "keyword"         },         "geoip": {           "properties": {             "city_name": {               "type": "keyword"             },             "country_name": {               "type": "keyword"             },             "latitude": {               "type": "float"             },             "location": {               "type": "geo_point"             },             "longitude": {               "type": "float"             },           }         },         "request_time": {           "type": "float"         },         "request_url": {           "type": "keyword"         },         "status": {           "type": "keyword"   ype": "keyword"         },                }     }   }复制代码

_all 字段

该_all字段是一个特殊的catch-all字段，它将所有其他字段的值连接成一个大字符串，使用空格作为分隔符，然后对其进行分析和索引，但不存储。也就是说它能被查询，但不能被取回显示。因为Nginx每个Key对应的value都是提前定义好的，所以不用全文查询，不需要开启_all字段，另外也节省了一半的存储空间
默认的text类型

上边这英文有点多，其实简单理解就是不分词，你就最好别用text了，而且Text类型也会相应的多占用空间，依照上述，数据主要是日志分析，每条数据的格式已经很明确，主要用于日志分析，所以不需要分词。像一些所有引擎的业务更适合需要分词；
比如说像这个字段，get_ip中location这个字段类型默认text，但是如果不指定geo_point类型，根本无法使用地图功能，类型的指定是很重要的
向request_time这样的数据类型需要做计算，比如说平均值、和、大于、小于等等的，默认的text也能使用，但是效率远远小于float类型
字段类型有很多种，什么IP啊、DATE啊等等，根据相应的需要去官网查看详解吧， mapping-types介绍

shard & replicas

[摘取部分苏若年博客内容]

1)分片算法:

shard = hash(routing) % number_of_primary_shards

routing值是一个任意字符串，它默认是_id但也可以自定义，这个routing字符串通过哈希函数生成一个数字，然后除以主切片的数量得到一个余数(remainder)，余数的范围永远是0到number_of_primary_shards - 1，这个数字就是特定文档所在的分片。

这也解释了为什么主切片的数量只能在创建索引时定义且不能修改：如果主切片的数量在未来改变了，所有先前的路由值就失效了，文档也就永远找不到了。

所有的文档API（get、index、delete、bulk、update、mget）都接收一个routing参数，它用来自定义文档到分片的映射。自定义路由值可以确保所有相关文档.比如用户的文章,按照用户账号路由,就可以实现属于同一用户的文档被保存在同一分片上。

2)分片与副本交互：

新建、索引和删除请求都是写(write)操作，它们必须在主分片上成功完成才能复制到相关的复制分片上,下面我们罗列在主分片和复制分片上成功新建、索引或删除一个文档必要的顺序步骤：

1、客户端给Node 1发送新建、索引或删除请求。

2、节点使用文档的_id确定文档属于分片0。它转发请求到Node 3，分片0位于这个节点上。

3、Node 3在主分片上执行请求，如果成功，它转发请求到相应的位于Node 1和Node 2的复制节点上。当所有的复制节点报告成功，Node 3报告成功到请求的节点，请求的节点再报告给客户端。

客户端接收到成功响应的时候，文档的修改已经被应用于主分片和所有的复制分片。你的修改生效了。

一个索引要分多少片？什么时候该扩容？

取决于硬件和你对响应速度的要求，一般来说一个shard的数据量控制在1、2千万的级别，速度都还好，过亿会比较缓慢。但是任何事物都有两面，shard划分比较小，必然数量就比较多。在用户做1、2天数据搜索的时候可能还好，如果搜更长时间的数据，一次搜索需要并行搜索的shard就比较多。如果节点数量有限，就会比较吃力,需要扩充更多的节点
routing

据说是优化之王道，经常拿城市举的例子，比如说我想看下网站的北京pv是多少，如果按照默认hash逻辑，一定要全shard扫描，然后聚合结果，但是如果提前设置好routing，比如说指定城市字段做hash计算，routing值一样的放到特定几个分片，这样查起来也不需要全shard扫了；这样弊端就是会造成shard大小不均，所以routing优化需要花一些功夫来观察、测试；目前kibana还不支持routing查询，所以目前在kibana上还没有使用routing，这是优化的重点所以先记录下来。后续我的想法是，像nginx日志的域名的字段都是英文字母，针对首字母做下routing，当想看某一个域名时不在全盘扫，查询优化会有明显效果，后续有结果在与大家分享；

另外hangout开始对routing的支持，后来在GitHub提了一个小issue，很快就加上了，点个赞；

第五部分-Kibana图形展示

Kibana 是一个开源的分析与可视化平台，设计出来用于和Elasticsearch一起使用的。你可以用kibana搜索、查看、交互存放在Elasticsearch索引里的数据，使用各种不同的图表、表格、地图等kibana能够很轻易地展示高级数据分析与可视化。

先介绍下几块功能：

X-pack 可以免费使用部分功能，最强就是monitoring功能了，基本重要指标都收集了
Dev_tools的代码补全神器，类似于IDE；还有强劲的可视化Search Profiler，便于直接定位问题点
其他就是常用的Discover、Visualize、Dashboard、Timelion搜索和绘图功能了，没有找到合适的帖子，直接吧迷妹儿的帖子放过来吧，主要介绍了如何优雅的使用kibana的搜索框
还有就是Elastic官方提供了一个 Demo ，便于大家做图形展示的时候参考和借鉴

(╯﹏╰)吐槽一下，用SF写到现在，Chrome都快没法用了，打完字一会才显示出来

直接上几张最终成果图吧
[QPS展示]
[QPS环比]
[异常状态码趋势]
[慢请求QPS]
[状态码比例]
[Domin与URL TOP]
再来一张深夜[热图]，北京和上海的孩子总是不碎觉

上图中环比图是Timelion完成的，其他都是Visualize的功能

Timelion语法：

.es(index=index1,timefield=@timestamp).label('Today').title(QPS).color(#1E90FF),  .es(offset=-24h,index=index2,timefield=@timestamp).label('Yesterday').lines(fill=1,width=0.5).color(gray)复制代码

kibana认证问题

由于x-pack试用版将认证功能被阉割掉了，直接暴露内容太风险，所以利用Nignx插件auth_basic的功能，做了一个简单验证模块

最后调优

核心问题：查询慢、查询15Min数据都超时

数据量：

每天数据在6-7T,Docs在100亿左右，其中一个大的索引在4-5T

ES升级

版本升级会带来一些新特性，以及一些bug修复，当然也会引发新问题，我就踩到了新版本的坑；

ES5.x升级到5.5是滚动升级，相对升级步骤简单，但是由于数据太大，动辄几十T，一台台完成升级，却是一个漫长的过程。另外，1.x升级据说很痛苦，有兴趣的去看看，连接放在这里 reindex-upgrade

简述下5.x升级的过程

1)关掉分片自动分配："cluster.routing.allocation.enable": "none"

2)强制刷新，尽可能将缓存中的数据，写入磁盘： _flush/synced

3)停止一个节点，开始升级及升级插件，然后启动

4)打开分片自动分配："cluster.routing.allocation.enable" :"all"

5)等待集群恢复至绿色，继续下一台
扩容

扩容很简单，没什么可说的，除了配置文件中node.name不一样，其他都一样;

最初扩容只是将data节点从3台扩至20台，写入没问题，1-2k的数据，单机性能写入在30-40k；
mapping字段优化：

主要像上述的mapping介绍，做类型优化，不分词的keyword，数学计算的改成整型or浮点等

status这个字段的类型，value一般都是200、301、302、404、502，最多估计也就几百个，像这样的字段就不适合做long，long类型的索引是为范围查找优化的，用的是二叉树这样的索引，适合值范围比较大的字段，比如body_size，可能最大值和最小值相差很多，而用keyword索引是倒排，只用存放一个所有status的词典，所以keyword更适合
shard数量调整：

开始主分片数量是每台机器1个，副本1（20shard x 1replicas），每个shard已经达到将近200G，看这个量级已经超过官方建议值30~50G之间(具体要根据实际情况测试为准)。于是开始将数量翻倍40shard * 1replicas，调整后查询并没有明显改善，对写入没有什么改变，继续double，依旧没效而且分片越多，写入的时候消耗的CPU就越高

如果过度分配shard，就增大了Lucene在合并分片查询结果时的复杂度，从而增大了耗时，在新建索引时，更是一笔大的开销。

一般来说，刚开始的时候尽量少分片为佳，只有到一个分片上数据太多，单次查询太慢在考虑加分片。

加分片也有负面作用，提高了并发量，随之开销就会越大，更多的shard一般也伴随更多的segment文件。如果说节点数量没变，每个节点上会有更多的小文件，搜索的时候并发量是高了，前提是在磁盘io和cpu都还能应付的过来的时候，速度才会快
拆分索引

更改shard已经得不到显著效果，于是从拆索引下手。数据都是Nginx日志，从源头拆分没什么好的方法，于是从hangout这层开始做处理，很简单就是将域名的第一个字母取出来，写入相应的索引时候带过去，例如：nginx-log-{首字母}，这样一拆，一下创建26个索引（shard20 * 1replicas），CPU立马load 30+，负载直接上来，然后ES数据还跟不上，拒绝了很多内容,如下图，最终还是无果而告终此方案

上述的索引拆分是比较傻瓜式，首先已知的问题就是可能A开头的域名很大，其他很小就是很不均匀
Pcle-SSD测试

经过上面的折腾，已经没有什么突破点，于是借用了8台SSD的机器，修改ES配置node.attr.rack_id: ssd，将数据写入SSD，全程io无压力，写入一个一天4-5T的索引，CPU在50%左右，但是查询依旧不给力，经过无数shard调整依旧不给力，IO一直没空闲，最终结论就是没有将ssd的性能发挥出来，还是未解决根本问题
kibana BUG

之前没有ES相关经验，能想到的办法、关注点都没有什么在突破的地方了，在束手无策的时候，又非常有幸认识了KennyW，再次感谢KennyW的支持；问题根本原因是kibana5.4-5.5这两个版本在查询问题，为了节省空间，我关掉了_all这个字段，如果搜索框不输入内容的时候，则会补充*查询所有字段，生成的bool条件就非常多，引发kibana的缺陷，引用：
当时的版本KennyW给的知道是临时修复方法如下：
详细问题请看这里 ES 5.4+ 引起的Kibana性能问题，Kibana5.5.2后已经修复此问题，所以最终版本还是升级到了5.6，也是目前的最新版
回归HDD

经过SSD的折腾，查到了kibanaBug问题，其实SSD并未发现其他的性能亮点，经过与KennyW的交流，他们自己有做过在SSD和多块HDD的盘对比，写入量并无明显提升，所以在磁盘并不是真正的瓶颈，查询方面SSD明显提高。但是SSD的高额付出换来那么几秒钟的意义不大。相对，对一些公司的搜索业务，数据量级小，还有像一些监控业务，要求实时性非常高，对SSD是很好的选择，速度快，容量不需要太多，也比较经济实惠

[KennyW经验指导]

当做复杂计算，bucket很多的时候主要消耗的是CPU和内存，磁盘并不是瓶颈，hdd和ssd在我们实际用下来，感觉在大数据场景分别不大,ssd优势在大量的随机磁盘io,ES本身做了很多优化，让数据变成顺序的磁盘访问,而且搜索过的数据块，ES都能利用文件系统缓存加速,所以即使使用hdd，可能第一次搜索磁盘访问会带来额外的几秒耗时，但多次执行同一个搜索时，后面几次几乎没什么磁盘io开销，速度会有明显提升
RAID0的重要性
当所有的集群全部更改回hdd的集群时候，发现一个之前没太关注的指标，每块盘的利用率。刚开始解决的时候我们的机器都是裸盘直接挂上，path.data:data1,data2,data...这样挂载，但是在5.x版本发现这样磁盘问题(CMD:iostat -x 1)
这样看来很奇怪，为什么这块盘这么忙，多观察一会发现，一会又发现其他的盘又很忙，然后df查看磁盘使用率，扎心了

挂了这么多盘，真实写入连一半的盘都不到，既然这样，没得说的了，直接上raid0吧
收尾

做到目前这些调整，现在一天小于1T的索引任何查询都没有问题，查询在10s左右返回所有数据（上图kibana展示），但是那个一天4-5T的索引还是有问题，一查询IO就跑满，到30s直接超时了，先说下IO跑满的问题吧，问题是request_uri台过于分散，聚合出现问题如图：15分钟就出现了2000多万不同值，如果长时间计算，不可想象的恐怖

【KennyW指导】

request_uri 会产生大量的磁盘IO。 ES做terms聚合的时候，为了节省内存，不会将所有term的内容直接读出来做bucket，因为有些term的内容可能很长，会比较耗费内存。所以他会借助一种叫做oridinals的数据结构，这种数据结构类似这样

1 abc

2 efg

3 hfa

.............

一个该字段所有不同值的顺序列表。做分桶聚合的时候，只需要拿这个顺序数字做key就可以了，等聚合出结果，再通过这个key查ordinals表，得到实际的key值填充结果。但是这个ordinals是随着segment 文件生成的，每个segment文件的ordinals顺序可能不一样。因此在聚合的时候，需要一个全局的global ordinals。这个数据结构是在聚合的时候，实时生成后缓存在内存里的。如果某个字段的不同值非常多，计算价值非常的昂贵，那么这个构造过程就非常的缓慢，除了大量的磁盘IO消耗，还会有很大的内存消耗。

下图是关掉这个有问题的visualize前后对比图,虽然不快，但是latency降了很多
后来对uri的？后边的参数全部丢弃，像这样的问题只能减少然后做聚合使用，原有数据做搜索使用，但是由于数据太大，做复杂计算还是会超时30s，这种情况只能是降低team的cardinality，或者加分片、加机器或者拆索引了，所以对kibana的超时时间做了一点调整，还有一些周边小的修改如下

1)kibana默认的30s超时改成2min，kibana.yml中修改
elasticsearch.requestTimeout: 120000

2)kibana默认地图使用高德，kibana.yml中新增
tilemap.url: 'http://webrd02.is.autonavi.com/appmaptile?lang=zh_cn&size=1&scale=1&style=7&x={x}&y={y}&z={z}'

3）结合 cerebro 插件，高效管理索引

后续

说到这里顺便给大家推荐一个交流学习群：650385180，里面会分享一些资深架构师录制的视频录像：有Spring，MyBatis，Netty源码分析，高并发、高性能、分布式、微服务架构的原理，JVM性能优化这些成为架构师必备的知识体系。还能领取免费的学习资源，相信对于已经工作和遇到技术瓶颈的码友，在这个群里一定有你需要的内容。

到这里基本的一期项目算是结束，虽然部分查询并没有迅速返回，但是基本数据都可以展示，后续会关注几个点继续深入优化和调整，有结果在与大家分享