1、问题描述
您好，请教个问题。我现在有2千多万的手机号码信息保存在es里。5个分片，3个节点。
现在的需求是将后八位相同的号码匹配到一起，重新放到一个index里。组成情侣号。方便后续查询情侣号列表。
我目前的做法是用scroll查询出一万条，多线程循环一万条中的每条，去全库扫描—但是这种做法一分钟才能处理一万条。您有什么新的思路没。
问题补充：索引存储了手机号，同时存储了插入时间。
2、问题分析
2.1 情侣号的定义
后八位相同的号码即为情侣号。
举例：
13011112222
13511112222
13711112222
2.2 如何对后8位建立索引，以方便后续的识别？
方案一 不单独建索引，用script来实现
缺点：script效率低一些
方案二：写入数据的时候，同时基于后八位创建新的字段。
2.3 8位相同的号码匹配到一起，重新放到一个index里怎么实现？
Elasticsearch自带reindex功能就是实现索引迁移的，当然自定义读写也可以实现。
方案一：遍历方式+写入。
- 步骤 1：基于时间递增循环遍历，以起始的手机号为种子数据，满足后八位相同的加上标记flag=1。
- 步骤 2：循环步骤1，满足flag=1直接跳过，直到所有手机号遍历一遍。
- 步骤 3：将包含flag=1的字段，reindex到情侣号索引。
方案二：聚合出情侣号组，将聚合结果reindex到情侣号索引。
考虑到数据量级千万级别，全量聚合不现实。
可以，基于时间切片，取出最小时间戳、最大时间戳，根据数据总量和时间范围划分出时间间隔。
举例：以30分钟为单位切割千万级数据。
- 步骤 1：terms聚合后8位手机号。
terms聚合只返回对应：key，value值，默认value值由高到低排序。
key：代表手机号后8位，value：代表相同后8位的数据量。
- 步骤 2：top_hits子聚合取出手机号详情。
- 步骤 3：json解析识别出步骤2的所有手机号或_id。
- 步骤 4：reindex步骤3的_id数据到情侣号索引。
- 步骤 5：时间切片周期递增，直到所有数据遍历完毕。
2.4 扩展自问：手机号怎么存，才能查出来后8位？
举例：查询“11112222”，返回2.1列表的三个手机号。
- 方案1：wildcard模糊匹配。
优点：无需额外字段存储。
缺点：效率低。
- 方案2：ngram分词+match_phrase处理。
优点：效率高。
缺点：需要独立存储的后8位字段。
3、实战一把
3.1 数据建模
3.1.1 字段设计
只包含非业务的有效必要字段。
（1）插入时间戳字段 insert_time, date类型。
由：ingest默认生成，不手动添加，提高效率。
（2）手机号字段 phone_number, text和keyword类型。
-
text类型基于ngram分词,主要方便phone_number全文检索。
-
keyword类型方便：排序和聚合使用。
（3）后8位手机号字段 last_eight_number, keyword类型。
只聚合和排序用，不检索。
3.1.2 ingest处理初始化数据先行
ingest pipeline的核心功能可以理解为写入前数据的ETL。
而：insert_time可以自动生成、last_eight_number可以基于phone_number提取。
定义如下：
# 0.create ingest_pipeline of insert_time and last_eight_numberPUT _ingest/pipeline/initialize{ "description": "Adds insert_time timestamp to documents", "processors": [ { "set": { "field": "_source.insert_time", "value": "{{_ingest.timestamp}}" } }, { "script": { "lang": "painless", "source": "ctx.last_eight_number = (ctx.phone_number.substring(3,11))" } } ]}
3.1.3 模板定义
两个索引：
- 索引1：phone_index，存储全部手机号（数千万）
- 索引2：phone_couple_index，存储情侣号
由于两索引Mapping结构一样，使用模板管理会更为方便。
定义如下：
# 1.create template of phone_index and phone_couple_indexPUT _template/phone_template{ "index_patterns": "phone_*", "settings": { "number_of_replicas": 0, "index.default_pipeline": "initialize", "index": { "max_ngram_diff": "13", "analysis": { "analyzer": { "ngram_analyzer": { "tokenizer": "ngram_tokenizer" } }, "tokenizer": { "ngram_tokenizer": { "token_chars": [ "letter", "digit" ], "min_gram": "1", "type": "ngram", "max_gram": "11" } } } } }, "mappings": { "properties": { "insert_time":{ "type":"date" }, "last_eight_number":{ "type":"keyword" }, "phone_number": { "type": "text", "fields": { "keyword": { "type": "keyword" } }, "analyzer": "ngram_analyzer" } } }}
3.1.4 索引定义
PUT phone_indexPUT phone_couple_index
3.2 数据写入
采用模拟数据，实际业务会有所区别。
POST phone_index/_bulk{"index":{"_id":1}}{"phone_number" : "13511112222"}{"index":{"_id":2}}{"phone_number" : "13611112222"}{"index":{"_id":3}}{"phone_number" : "13711112222"}{"index":{"_id":4}}{"phone_number" : "13811112222"}{"index":{"_id":5}}{"phone_number" : "13844248474"}{"index":{"_id":6}}{"phone_number" : "13866113333"}{"index":{"_id":7}}{"phone_number" : "15766113333"}
模拟数据显示，有两组情侣号。
- 第一组情侣号尾数：“11112222”
- 第二组情侣号尾数：“66113333”
3.2 数据聚合
如前所述，聚合的目的是：提取出情侣号（>=2）的手机号或对应id。
GET phone_index/_search{ "size": 0, "query": { "range": { "insert_time": { "gte": 1584871200000, "lte": 1584892800000 } } }, "aggs": { "last_aggs": { "terms": { "field": "last_eight_number", "min_doc_count": 2, "size": 10, "shard_size": 30 }, "aggs": { "sub_top_hits_aggs": { "top_hits": { "size": 100, "_source": { "includes": "phone_number" }, "sort": [ { "phone_number.keyword": { "order": "asc" } } ] } } } } }}
注意：
- 查询的目的：按时间间隔取数据。原因：「聚合全量性能太差」。
- 外层聚合last_aggs统计：情侣号分组及数量。
- 内层子聚合sub_top_hits_aggs统计：下钻的手机号或_id等信息。
- min_doc_count作用：聚合后的分组记录最小条数，情侣号必须>=2，则设置为2。
3.4 数据迁移
基于3.3 取出的满足条件的id进行跨索引迁移。
POST _reindex{ "source": { "index": "phone_index", "query": { "terms": { "_id": [ 1, 2, 3, 4, 6, 7 ] } } }, "dest": { "index": "phone_couple_index" }}
注意：实际业务需要考虑数据规模，划定轮询时间间隔区间。
建议：按照2.3章节的流程图执行。
4、方案进一步探究
第3节的实战一把实际是基于基础数据都写入ES了再做的处理。
核心的操作都是基于Elasticsearch完成的。
试想一下，这个环节如果提前是不是更合理呢?
数据图如下所示：
- 电话数据信息写入消息队列（如：kafka、rocketmq、rabbitmq等）。
- 消息队列可以直接同步到ES的phone_index索引。如：红线所示。
- 情侣号的处理借助第三方redis服务实现，逐条过滤，满足条件的数据同步到ES的情侣号索引phone_couple_index。如：绿线所示。
这样，Elasticsearch只干它最擅长的事情，剩下的工作前置交给消息队列完成。
5、小结
本文就提出问题做了详细的阐述和实践，用到Elasticsearch 模板、Ingest、reindex等核心知识点和操作，给线上业务提供了理论参考。
服务推荐
