如何通過Elasticsearch Scroll快速取出數據，構造pandas dataframe — Python多進程實現
- 2020 年 6 月 29 日
- 筆記
- Elastic search
首先，python 多執行緒不能充分利用多核CPU的計算資源（只能共用一個CPU），所以得用多進程。筆者從3.7億數據的索引，取200多萬的數據，從取數據到構造pandas dataframe總共大概用時14秒左右。每個分片用一個進程查詢數據，最後拼接出完整的結果。
由於返回的json數據量較大，每次100多萬到200多萬，如何快速根據json構造pandas 的dataframe是個問題 — 筆者測試過read_json()、json_normalize()、DataFrame(eval(pandas_json))及DataFrame.from_dict()，from_dict()速度最快
轉載請註明出處：//www.cnblogs.com/NaughtyCat/p/how-to-get-all-results-from-es-by-scroll-python-version.html
- Elasticsearch scroll取數據— python版
源碼如下：
def es_scroll(index, min_timestamp, max_timestamp, slice_no): es = Elasticsearch('//localhost:9200', timeout = 30, max_retries=10, retry_on_timeout=True) page = es.search( index = index, doc_type = "tls_book", scroll = '1m', body={ "slice": { "id": slice_no, "max": SLICES }, "_source": [ "SrcIP" ], "sort": [ "_doc" ], "query": { "range" : { "@timestamp" : { "gte" : min_timestamp, "lte" : max_timestamp, "boost" : 2.0 } } } }, version = False, size = 10000) sid = page['_scroll_id'] scroll_size = page['hits']['total'] # Start scrolling df = pd.DataFrame() appended_data = [] while (scroll_size > 0): frame = pd.DataFrame.from_dict([document['_source'] for document in page["hits"]["hits"]]) appended_data.append(frame) page = es.scroll(scroll_id = sid, scroll = '1m', request_timeout = 30) # Update the scroll ID sid = page['_scroll_id'] # Get the number of results that we returned in the last scroll scroll_size = len(page['hits']['hits']) if len(appended_data) > 0: df = pd.concat(appended_data, ignore_index=True, sort = False) del appended_data gc.collect() es.clear_scroll(body={'scroll_id': sid}) return df
註：
（1）通過 “_source” 關鍵字，指定要取的欄位，可減少不必要的欄位，提高查詢速度
（2）官方文檔指出，通過 “sort”: [ “_doc”] —即按照_doc排序，可提高查詢效率
（3）根據自己的環境，測試合理的 size ，效率會有數倍的差距。筆者環境（128G, 32核）一次取10000性能最好，網上大多測試，size取2000或者1000似乎較佳
（4）clear_scroll及時清理用完的scroll_id
（5）如果數據量較大，設置超時和重試次數（默認是10秒，否則超時會取不到數據），具體如下
timeout = 30, max_retries=10, retry_on_timeout=True
（6）Sliced scroll
如果返回的數據量特別大，可通過slice讓多個分片獨自來處理請求，如下（id從0開始）：
"slice": {
"id": slice_no,
"max": SLICES
},
參考： //www.elastic.co/guide/en/elasticsearch/reference/5.1/search-request-scroll.html#sliced-scroll
- python 多進程如何個函數傳多個參數
python多進程或者多執行緒要向調用的函數傳遞多個參數，需要構造參數元組集合，程式碼如下（本示例每個進程不同的只有es的slice_id）：
def build_parameters(index, min_timestamp, max_timestamp): parmeters =[] for num in range(0, SLICES): tuple_paremeter = (index, min_timestamp, max_timestamp, num) parmeters.append(tuple_paremeter) return parmeters
- python多進程實例
示例使用進程池，及starmap 傳遞調用的函數及參數 （with相當於try, excepion, finallly的集合，會自動做資源的釋放或關閉等）
with multiprocessing.Pool(processes = SLICES) as pool:
result = pool.starmap(es_scroll, parameters)
然後，拼接返回的dataframe 集合即可構造一個完整的dataframe，如下：
frame = pd.concat(result, ignore_index=True, sort = False)
*******************************************************************************************
精力有限，想法太多，專註做好一件事就行
- 我只是一個程式猿。5年內把程式碼寫好，技術部落格字字推敲，堅持零拷貝和原創
- 寫部落格的意義在於打磨文筆，訓練邏輯條理性，加深對知識的系統性理解；如果恰好又對別人有點幫助，那真是一件令人開心的事
*******************************************************************************************
