场景：
Logstash 、Kibana、ES版本：6.3.1。
使用Logstash从mysql同步用户和用户所有的宠物到ES中。
希望的格式：
"register_name": "孟林洁",
"id": 80469531,
"pets": [
{
"breed_name": "万能梗",
"birthday": null,
"pet_id": 999044,
"name": "一只狗",
"images": "{\"result\":[\"https://petkit-img3.oss-cn-hangzhou.aliyuncs.com/img/tmp_6f4c8e92de0c53ab355fdb69214d4bf3.jpg\"]}",
"breed_id": 130
},
{
"breed_name": "万能梗",
"birthday": null,
"pet_id": 999097,
"name": "一只狗2",
"images": "{\"result\":[\"https://petkit-img3.oss-cn-hangzhou.aliyuncs.com/img/tmp_6f4c8e92de0c53ab355fdb69214d4bf3.jpg\"]}",
"breed_id": 130
}
],
"mobile": "*******",
"avatar": null,
"pet_list": [
999044,
999097
]
问题
- logstash同步nested嵌套类型到ES中。
- logstash同步嵌套数组对象时，聚合过程中数据丢失(用户宠物会随机丢失，偶而数据不丢失)。
- logstash同步时少同步一条数据，在停止logstash服务时才进行同步
- (更新) mysql的多条数据同步到es只有一条
解决：
1、解决logstash同步nested嵌套类型到ES中
先创建索引，并且修改索引类型为nested
创建索引：PUT /user
修改索引映射：
PUT /user/_mapping/doc
{
"doc": {
"properties": {
"avatar": {
"type": "text"
},
"id": {
"type": "long"
},
"mobile": {
"type": "text"
},
"pets": {
"type": "nested",
"properties": {
"birthday": {
"type": "date"
},
"breed_id": {
"type": "long"
},
"breed_name": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
},
"images": {
"type": "text"
},
"name": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
},
"pet_id": {
"type": "long"
}
}
},
"register_name": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
}
}
}
}
使用logstash的过滤器中aggregate插件进行数据聚合。
配置文件jdbc3.conf
input {
stdin {
}
jdbc {
jdbc_driver_library => "../mysql-connector-java-6.0.6.jar"
jdbc_driver_class => "com.mysql.jdbc.Driver"
jdbc_connection_string => "jdbc:mysql://****.com:3306/food-dev"
jdbc_user => "****"
jdbc_password => "****"
#jdbc_paging_enabled => "true"
#jdbc_page_size => "50"
clean_run => true
use_column_value => true
record_last_run => "true"
tracking_column => "id"
schedule => "*/1 * * * *"
#last_run_metadata_path => "/Users/menglinjie/ES-node/testdata.text"
statement => "select u.id,u.register_name,u.mobile,u.avatar,u.status,svp.id as pet_id,svp.name,svp.images,svp.gender,svp.birthday,pb.id as breed_id,pb.name as breed_name from user u left join store_vip_pet svp on svp.user_id = u.id and svp.pet_status = 1 left join pet_breed pb on svp.breed_id = pb.id order by u.id desc"
}
}
filter {
#这里做聚合
aggregate {
task_id => "%{id}"
code => "
map['id'] = event.get('id')
map['register_name'] = event.get('register_name')
map['mobile'] = event.get('mobile')
map['avatar'] = event.get('avatar')
map['pet_list'] ||=[]
map['pets'] ||=[]
if (event.get('pet_id') != nil)
if !(map['pet_list'].include? event.get('pet_id'))
map['pet_list'] << event.get('pet_id')
map['pets'] << {
'pet_id' => event.get('pet_id'),
'name' => event.get('name'),
'images' => event.get('images'),
'breed_id' => event.get('breed_id'),
'breed_name' => event.get('breed_name'),
'birthday' => event.get('birthday')
}
end
end
event.cancel()
"
push_previous_map_as_event => true
timeout => 5
}
json {
source => "message"
remove_field => ["message"]
#remove_field => ["message", "type", "@timestamp", "@version"]
}
mutate {
#将不需要的JSON字段过滤，且不会被存入 ES 中
remove_field => ["tags", "@timestamp", "@version"]
}
}
output {
stdout {
#codec => json_lines
}
elasticsearch {
hosts => ["127.0.0.1:9200"]
index => "user"
document_id => "%{id}"
}
}
2、解决聚合过程中子数组对象丢失
刚开始考虑到是否是sql查询分页问题，导致多宠物没有一起聚合，而是分开聚合。但是通过看日志和数据发现每次丢失的数据不同，没有任何规律性。
随机性的问题让我想到多线程，然后查找logstash配置。在config/logstash.yml中有以下配置：
# ------------ Pipeline Settings --------------
#
# The ID of the pipeline.
# 管道id
# pipeline.id: test1
#
# Set the number of workers that will, in parallel, execute the filters+outputs
# stage of the pipeline.
#
# This defaults to the number of the host's CPU cores.
#output 和 filter的线程数，默认是cpu核数
# pipeline.workers: 1
#
# How many events to retrieve from inputs before sending to filters+workers
#
# pipeline.batch.size: 1000
#
# How long to wait in milliseconds while polling for the next event
# before dispatching an undersized batch to filters+outputs
#
# pipeline.batch.delay: 50
问题定位：多线程跑聚合过程中，同一个用户的多个宠物可能被分配到不通过的线程，分别做不同的聚合，导致一个用户存在多条数据，分别拥有不同的宠物，然后多线程的进行输出到ES，ES保存过程中会把存在的数据给更新掉，这就是我的宠物丢失的原因，多线程分配的随机性导致数据也随机丢失。
尝试修改线程数，验证猜想是否正确。
指定配置文件运行会使logstash忽略logstash.yml配置。所以在logstash.yml指定配置文件，运行logstash时不用指定配置，logstash会自动寻找logstash.yml配置
# path.config: /Users/menglinjie/ES-node/logstash-6.3.1/conf.d
验证后确认猜想正确。
回想刚才把线程数设置为1，这样肯定会影响性能的吧，万一以后我有不需要聚合的的数据时完全可以多线程跑。Logstash提供的pipelines.yml可以配置多管道，使不同的同步任务绑定不同管道配置。
这里pipeline.workers: 4，pipeline.output.workers: 3，那么执行聚合的filter就是1，这样可以单线程聚合，多线程输出。
多个任务可以配置多个管道，pipeline.id标示管道唯一性。
- pipeline.id: user_pipeline
pipeline.workers: 4
pipeline.batch.size: 1000
# 输出
pipeline.output.workers: 3
# 配置文件位置
path.config: "/Users/menglinjie/ES-node/logstash-6.3.1/conf.d/*.conf"
# 对基于磁盘的排队进行“持久化”。默认值是内存
queue.type: persisted
更新：
影响聚合结果的还有sql语句！！
sql语句必须根据聚合task_id排序，也就是需要聚合的数据必须排在一起。否则map[‘pets’]会被覆盖掉，导致数据丢失。
3、logstash同步时少同步一条数据，在停止logstash服务时才进行同步
在filter 聚合配置中添加：
timeout => 3
filter aggregate 创建中 event map 并不知道我、这次事件是不是应该结束，也就是它也不知道到那一条才是最后一条, 因此设置一个 timeout 告诉它这个时间执行多少秒就结束继续执行第二个。但这样并不是很严谨，因为你也不确定你的 event map 到底要执行多久 。最好的方式是 我们应该给定一个 task end 的条件 ES官网关于 aggregate 的说明
4、es 配置id的问题，必须有唯一性，否则被覆盖
参考链接：
https://segmentfault.com/a/1190000016592277
https://segmentfault.com/q/1010000016861266
https://blog.csdn.net/weixin_33910460/article/details/88719101
https://elasticsearch.cn/question/6648