背景

  • 基于elasticsearch-5.6.0
  • 机器配置：3个云ecs节点，16G,4核，机械硬盘

优化前，写入速度均匀3000条/s，一遇到压测，写入速度骤降，甚至es间接频率gc、oom等；优化后，写入速度均匀8000条/s，遇到压测，能在压测完结后30分钟内消化完数据，各项指标回归失常。

生产配置

这里我先把本人优化的后果贴出来，前面有参数的详解：

elasticsearch.yml中减少如下设置

indices.memory.index_buffer_size: 20%indices.memory.min_index_buffer_size: 96mb# Search poolthread_pool.search.size: 5thread_pool.search.queue_size: 100# 这个参数慎用！强制批改cpu核数，以冲破写线程数限度# processors: 16# Bulk pool#thread_pool.bulk.size: 16thread_pool.bulk.queue_size: 300# Index pool#thread_pool.index.size: 16thread_pool.index.queue_size: 300indices.fielddata.cache.size: 40%discovery.zen.fd.ping_timeout: 120sdiscovery.zen.fd.ping_retries: 6discovery.zen.fd.ping_interval: 30s

索引优化配置：

PUT /_template/elk{      "order": 6,      "template": "logstash-*",    #这里配置模板匹配的Index名称      "settings": {        "number_of_replicas" : 0,    #正本数为0,须要查问性能高能够设置为1        "number_of_shards" :   6,    #分片数为6, 正本为1时能够设置成5         "refresh_interval": "30s",         "index.translog.durability": "async",        "index.translog.sync_interval": "30s"      }}

优化参数详解

精密设置全文域： string类型字段默认会分词，不仅会额定占用资源，而且会影响创立索引的速度。所以，把不须要分词的字段设置为not_analyzed

禁用_all字段: 对于日志和apm数据，目前没有场景会应用到

正本数量设置为0: 因为咱们目前日志数据和apm数据在es只保留最近7天的量，全量日志保留在hadoop，能够依据须要通过spark读回到es – 况且正本数量是能够随时批改的，区别分片数量

应用es主动生成id： es对于主动生成的id有优化，防止了版本查找。因为其生成的id是惟一的

设置index.refresh_interval： 索引刷新距离，默认为1s。因为不须要如此高的实时性，咱们批改为30s – 扩大学习：刷新索引到底要做什么事件

设置段合并的线程数量：

curl -XPUT 'your-es-host:9200/nginx_log-2018-03-20/_settings' -d '{    "index.merge.scheduler.max_thread_count" : 1}'

段合并的计算量宏大，而且还要吃掉大量磁盘I/O。合并在后盾定期操作，因为他们可能要很长时间能力实现，尤其是比拟大的段

机械磁盘在并发I/O反对方面比拟差，所以咱们须要升高每个索引并发拜访磁盘的线程数。这个设置容许max_thread_count + 2个线程同时进行磁盘操作，也就是设置为1容许三个线程

扩大学习：什么是段(segment)？如何合并段？为什么要合并段？（what、how、why）另外，ES 系列面试题和答案全副整顿好了，微信搜寻Java技术栈，在后盾发送：面试，能够在线浏览。

1.设置异步刷盘事务日志文件：

"index.translog.durability": "async","index.translog.sync_interval": "30s"

对于日志场景，可能承受局部数据失落。同时有全量牢靠日志存储在hadoop，失落了也能够从hadoop复原回来

2.elasticsearch.yml中减少如下设置：

indices.memory.index_buffer_size: 20%indices.memory.min_index_buffer_size: 96mb

曾经索引好的文档会先寄存在内存缓存中，期待被写到到段(segment)中。缓存满的时候会触发段刷盘(吃i/o和cpu的操作)。默认最小缓存大小为48m，不太够，最大为堆内存的10%。对于大量写入的场景也显得有点小。

扩大学习：数据写入流程是怎么样的(具体到如何构建索引)？

1.设置index、merge、bulk、search的线程数和队列数。例如以下elasticsearch.yml设置：

# Search poolthread_pool.search.size: 5thread_pool.search.queue_size: 100# 这个参数慎用！强制批改cpu核数，以冲破写线程数限度# processors: 16# Bulk poolthread_pool.bulk.size: 16thread_pool.bulk.queue_size: 300# Index poolthread_pool.index.size: 16thread_pool.index.queue_size: 300

2.设置filedata cache大小，例如以下elasticsearch.yml配置：

indices.fielddata.cache.size: 15%

filedata cache的应用场景是一些聚合操作(包含排序),构建filedata cache是个绝对低廉的操作。所以尽量能让他保留在内存中

而后日志场景聚合操作比拟少，绝大多数也集中在中午，所以限度了这个值的大小，默认是不受限制的，很可能占用过多的堆内存

扩大学习：什么是filedata？构建流程是怎么的？为什么要用filedata？（what、how、why）

1.设置节点之间的故障检测配置，例如以下elasticsearch.yml配置：

discovery.zen.fd.ping_timeout: 120sdiscovery.zen.fd.ping_retries: 6discovery.zen.fd.ping_interval: 30s

大数量写入的场景，会占用大量的网络带宽，很可能使节点之间的心跳超时。并且默认的心跳距离也绝对过于频繁（1s检测一次）

此项配置将大大缓解节点间的超时问题

后记

这里仅仅是记录对咱们理论写入有晋升的一些配置项，没有针对个别配置项做深入研究。

扩大学习后续填坑。根本都遵循（what、how、why）准则去学习。

版权申明：本文为CSDN博主「无影V随风」的原创文章，遵循CC 4.0 BY-SA版权协定，转载请附上原文出处链接及本申明。原文链接：https://blog.csdn.net/wmj2004...

近期热文举荐：

1.1,000+ 道 Java面试题及答案整顿(2022最新版)

2.劲爆！Java 协程要来了。。。

3.Spring Boot 2.x 教程，太全了！

4.别再写满屏的爆爆爆炸类了，试试装璜器模式，这才是优雅的形式！！

5.《Java开发手册（嵩山版）》最新公布，速速下载！

感觉不错，别忘了顺手点赞+转发哦！