使用ES做搜索引擎拉取數(shù)據(jù)的時(shí)候，如果數(shù)據(jù)量太大，通過(guò)傳統(tǒng)的from + size的方式并不能獲取所有的數(shù)據(jù)（默認(rèn)最大記錄數(shù)10000），因?yàn)殡S著頁(yè)數(shù)的增加，會(huì)消耗大量的內(nèi)存，導(dǎo)致ES集群不穩(wěn)定。因此延伸出了scroll，search_after等翻頁(yè)方式。

一、from + size 淺分頁(yè)

"淺"分頁(yè)可以理解為簡(jiǎn)單意義上的分頁(yè)。它的原理很簡(jiǎn)單，就是查詢(xún)前20條數(shù)據(jù)，然后截?cái)嗲?0條，只返回10-20的數(shù)據(jù)。這樣其實(shí)白白浪費(fèi)了前10條的查詢(xún)。

GET test/_search
{
 "query": {
 "bool": {
  "filter": [
  {
   "term": {
   "age": 28
   }
  }
  ]
 }
 },
 "size": 10,
 "from": 20,
 "sort": [
 {
  "timestamp": {
  "order": "desc"
  },
  "_id": {
  "order": "desc"
  }
 }
 ]
}

from定義了目標(biāo)數(shù)據(jù)的偏移值，size定義當(dāng)前返回的數(shù)目。默認(rèn)from為0，size為10，即所有的查詢(xún)默認(rèn)僅僅返回前10條數(shù)據(jù)。

在這里有必要了解一下from/size的原理：
因?yàn)閑s是基于分片的，假設(shè)有5個(gè)分片，from=100，size=10。則會(huì)根據(jù)排序規(guī)則從5個(gè)分片中各取回100條數(shù)據(jù)數(shù)據(jù)，然后匯總成500條數(shù)據(jù)后選擇最后面的10條數(shù)據(jù)。

做過(guò)測(cè)試，越往后的分頁(yè)，執(zhí)行的效率越低?？傮w上會(huì)隨著from的增加，消耗時(shí)間也會(huì)增加。而且數(shù)據(jù)量越大，就越明顯！

二、scroll 深分頁(yè)

 from+size查詢(xún)?cè)?0000-50000條數(shù)據(jù)（1000到5000頁(yè)）以?xún)?nèi)的時(shí)候還是可以的，但是如果數(shù)據(jù)過(guò)多的話(huà)，就會(huì)出現(xiàn)深分頁(yè)問(wèn)題。為了解決上面的問(wèn)題，elasticsearch提出了一個(gè)scroll滾動(dòng)的方式。
scroll 類(lèi)似于sql中的cursor，使用scroll，每次只能獲取一頁(yè)的內(nèi)容，然后會(huì)返回一個(gè)scroll_id。根據(jù)返回的這個(gè)scroll_id可以不斷地獲取下一頁(yè)的內(nèi)容，所以scroll并不適用于有跳頁(yè)的情景。

# -*- coding: utf-8 -*-
# @Time : 
# @Author :
 
from elasticsearch import Elasticsearch
 
es = Elasticsearch(hosts="ip:9200", timeout=20, max_retries=10, retry_on_timeout=True)
 
# Elasticsearch 需要保持搜索的上下文環(huán)境多久 游標(biāo)查詢(xún)過(guò)期時(shí)間為10分鐘(10m)
page = es.search(
    index="source_keyword_message", doc_type="source_keyword_message",
    scroll='10m',
    size=100,
    body={
     "query": {"match_all": {}},
    }
   )
# 游標(biāo)用于輸出es查詢(xún)出的所有結(jié)果
sid = page['_scroll_id']
# es查詢(xún)出的結(jié)果總量
scroll_size = page['hits']['total']
# es查詢(xún)出的結(jié)果第一頁(yè)
datas = page.get('hits').get('hits')
 
while (scroll_size > 0):
  page = es.scroll(scroll_id=sid, scroll='5m')
  sid = page['_scroll_id']
  scroll_size = len(page['hits']['hits'])
  datas = page.get('hits').get('hits')
  
  

1. scroll=5m表示設(shè)置scroll_id保留5分鐘可用。
2. 使用scroll必須要將from設(shè)置為0。默認(rèn)0
3. size決定后面每次調(diào)用_search搜索返回的數(shù)量

三、search_after 深分頁(yè)

scroll 的方式，官方的建議不用于實(shí)時(shí)的請(qǐng)求（一般用于數(shù)據(jù)導(dǎo)出），因?yàn)槊恳粋€(gè) scroll_id 不僅會(huì)占用大量的資源，而且會(huì)生成歷史快照，對(duì)于數(shù)據(jù)的變更不會(huì)反映到快照上。

search_after 分頁(yè)的方式是根據(jù)上一頁(yè)的最后一條數(shù)據(jù)來(lái)確定下一頁(yè)的位置，同時(shí)在分頁(yè)請(qǐng)求的過(guò)程中，如果有索引數(shù)據(jù)的增刪改查，這些變更也會(huì)實(shí)時(shí)的反映到游標(biāo)上。但是需要注意，因?yàn)槊恳豁?yè)的數(shù)據(jù)依賴(lài)于上一頁(yè)最后一條數(shù)據(jù)，所以無(wú)法跳頁(yè)請(qǐng)求。

為了找到每一頁(yè)最后一條數(shù)據(jù)，每個(gè)文檔必須有一個(gè)全局唯一值，官方推薦使用 _uid 作為全局唯一值，其實(shí)使用業(yè)務(wù)層的 id 也可以。

GET test/_search
{
 "query": {
 "bool": {
  "filter": [
  {
   "term": {
   "age": 28
   }
  }
  ]
 }
 },
 "size": 20,
 "from": 0,
 "sort": [
 {
  "timestamp": {
  "order": "desc"
  },
  "_id": {
  "order": "desc"
  }
 }
 ]
}

1. 使用search_after必須要設(shè)置from=0。
2. 這里我使用timestamp和_id作為唯一值排序。
3. 我們?cè)诜祷氐淖詈笠粭l數(shù)據(jù)里拿到sort屬性的值傳入到search_after。

使用sort返回的值搜索下一頁(yè)：

GET test/_search
{
 "query": {
 "bool": {
  "filter": [
  {
   "term": {
   "age": 28
   }
  }
  ]
 }
 },
 "size": 10,
 "from": 0,
 "search_after": [
 1541495312521,
 "d0xH6GYBBtbwbQSP0j1A"
 ],
 "sort": [
 {
  "timestamp": {
  "order": "desc"
  },
  "_id": {
  "order": "desc"
  }
 }
 ]
}

 到此這篇關(guān)于python 使用elasticsearch 實(shí)現(xiàn)翻頁(yè)的三種方式的文章就介紹到這了,更多相關(guān)python elasticsearch 翻頁(yè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論