首页 >编程 >正文

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

Ingest pipeline 允许文档在被索引之前对数据进行预处理,将数据加工处理成我们需要的格式。例如,可以使用 ingest pipeline添加或者删除字段,转换类型,解析内容等等。Pipeline 由一组处理器 Processor 构成,每个处理器依次运行,对传入的文档进行特定的更改。Ingest pipeline 和 Logstash 中的 filter 作用相似,并且更加轻量和易于调试。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

要使用 ingest pipeline,集群中必须至少有一个具有 ingest 角色的节点。对于大量摄取负载,建议设置专用的 ingest 节点,要创建专用的 ingest 节点,请设置:

node.roles: [ ingest ]

1 Ingest Pipeline 的基本用法

1.1 创建和使用 Ingest Pipeline

接下来介绍一下 ingest pipeline 的创建与使用,如下所示,使用 ingest API 创建一个名为 my-pipeline 的 ingest pipeline,在 processors 参数中指定了两个处理器,set 处理器为文档添加一个新的字段 location,设置值为 China;lowercase 处理器将 name 字段的所有字母转换为小写。

PUT _ingest/pipeline/my-pipeline
{
  "description": "My first Ingest Pipeline",
  "processors": [
    {
      "set": {
        "description": "Add a new field",
        "field": "location",
        "value": "China"
      }
    },
    {
      "lowercase": {
        "description": "Lowercase name",
        "field": "name"
      }
    }
  ]
}

然后往索引 my-index 中写入一条数据,通过 pipeline 参数指定使用刚刚创建的 my-pipeline

PUT my-index/_doc/1?pipeline=my-pipeline
{
  "name": "Tom",
  "age": 18
}

查看 id 为 1 的文档,可以看到 name 字段由 Tom 转换为 tom,并且新增了 location 字段,说明 my-pipeline 管道成功处理了摄入的数据。

GET my-index/_doc/1

# 返回结果
{
  "_index" : "my-index",
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 1,
  "_seq_no" : 0,
  "_primary_term" : 1,
  "found" : true,
  "_source" : {
    "name" : "tom",
    "location" : "China",
    "age" : 18
  }
}

1.2 使用 Simulate API 测试 Pipeline

为了让开发者更好地了解和使用 pipeline 中的处理器,Elasticsearch 提供了 simulate API 接口,方便我们对 pipeline 进行测试。如下所示,我们对 1.1 创建和使用 Ingest Pipeline 章节中创建的 my-pipeline 进行测试,在 docs 列表中我们可以填写多个原始文档。

POST _ingest/pipeline/my-pipeline/_simulate
{
  "docs": [
    {
      "_source": {
        "name": "Tom",
        "age": 18
      }
    }
  ]
}

返回结果如下,可以看到模拟的结果和实际创建的文档一致,只不过 simulate API 并不会真正地创建这个文档。

{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "name" : "tom",
          "location" : "China",
          "age" : 18
        },
        "_ingest" : {
          "timestamp" : "2022-03-03T14:04:15.941884826Z"
        }
      }
    }
  ]
}

除了在请求路径中指定 pipeline,我们还可以在请求体中定义 pipeline 进行模拟,这样就不用预先创建好 pipeline,而是等到测试成功后再去创建 pipeline。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "set": {
          "description": "Add a new field",
          "field": "location",
          "value": "China"
        }
      },
      {
        "lowercase": {
          "description": "Lowercase name",
          "field": "name"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "name": "Tom",
        "age": 18
      }
    }
  ]
}

1.3 异常处理

当我们使用 pipeline 处理一个文档的时候,有时并不是所有的文档都很规范,这个时候可能就会出现文档不能被正确解析或者发生异常的情况,此时 Elasticsearch 会返回给客户端一个错误的信息,表明文档不能被正确地处理。pipeline 中的处理器(processor)按照顺序依次执行,默认情况下,当处理器发生错误或者异常时,将会停止后续的处理。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

在 ingest pipeline 中,异常处理可以分为 3 种情况:

  • 在处理器中设置 ignore_failure: true,当该处理器发生异常时,允许忽略异常,继续执行后续的处理器。
  • 通过 on_failure 参数定义发生异常时执行的处理器列表,该参数可以在 processor 级别中定义,也可以在 pipeline 级别中定义。
  • 使用 fail 处理器主动抛出异常。

下面将会分别对上述 3 种情况进行演示,首先模拟 2 个异常:

  • convert 处理器将 id 字段转换为 long 类型,由于传入文档的 id 字段值设置为 S123456,无法转换成 long 类型的数字,会产生 number_format_exception 的异常。
  • date 处理器解析 timestamp 字段的日期格式,formats 参数要求输入的格式是 yyyy-MM-dd HH:mm:ss,例如 2022-03-03 15:22:11,解析出日期对应的年月日信息,以 yyyy/MM/dd 的格式输出到 date 字段中,例如 2022/03/03。由于传入文档的 timestamp 字段的格式是 20220303 15:22:11,并不满足 formats 参数要求的日期格式,因此会产生 date_time_parse_exception 的异常。

执行以下 pipeline 测试语句,在请求路径中加上 verbose 可以看到每个处理器的执行情况。

POST _ingest/pipeline/_simulate?verbose
{
  "pipeline": {
    "processors": [
      {
        "convert": {
          "field": "id",
          "type": "long"
        }
      },
      {
        "date": {
          "field": "timestamp", // 解析的字段
          "formats": [
            "yyyy-MM-dd HH:mm:ss" // 解析的格式
          ],
          "output_format": "yyyy/MM/dd",  // 输出的格式
          "target_field": "date"  // 输出的字段
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "id": "S123456",
        "timestamp": "20220303 15:22:11",
        "message": "User login successfully"
      }
    }
  ]
}

返回结果如下,尽管我们人为制造了 2 个异常,但是只看到了 convert 处理器的异常报错,这是因为当处理器发生错误或者异常时,将会停止后续的处理,直接向客户端返回错误信息。

{
  "docs" : [
    {
      "processor_results" : [
        {
          "processor_type" : "convert",
          "status" : "error",
          "error" : {
            "root_cause" : [
              {
                "type" : "illegal_argument_exception",
                "reason" : "unable to convert [S123456] to long"
              }
            ],
            "type" : "illegal_argument_exception",
            "reason" : "unable to convert [S123456] to long",
            "caused_by" : {
              "type" : "number_format_exception",
              "reason" : "For input string: \"S123456\""
            }
          }
        }
      ]
    }
  ]
}

1.3.1 ignore_failure 忽略异常

在处理器中设置 ignore_failure 参数为 true,当该处理器发生异常时,允许忽略异常,继续执行后续的处理器。

POST _ingest/pipeline/_simulate?verbose
{
  "pipeline": {
    "processors": [
      {
        "convert": {
          "field": "id",
          "type": "long",
          "ignore_failure": true // 忽略异常
        }
      },
      {
        "date": {
          "field": "timestamp",
          "formats": [
            "yyyy-MM-dd HH:mm:ss"
          ],
          "output_format": "yyyy/MM/dd",
          "target_field": "date"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "id": "S123456",
        "timestamp": "2022/03/03 15:22:11",
        "message": "User login successfully"
      }
    }
  ]
}

这次在返回结果中可以看到有 2 个异常信息,其中 convert 处理器的 status 的值为 error_ignored,表示该异常被忽略了,在 doc 中可以看到该处理器处理完毕后的结果,可以看到 id 字段的内容保留不变。接着 pipeline 继续往后执行,当执行到 date 处理器时,再次发生异常,由于 date 处理器中未对异常进行处理,此时向客户端返回异常信息。

{
  "docs" : [
    {
      "processor_results" : [
        {
          "processor_type" : "convert",  
          "status" : "error_ignored", // 第 1 个异常,忽略异常
          "ignored_error" : { 
            "error" : {  
              "root_cause" : [
                {
                  "type" : "illegal_argument_exception",
                  "reason" : "unable to convert [S123456] to long"
                }
              ],
              "type" : "illegal_argument_exception",
              "reason" : "unable to convert [S123456] to long",
              "caused_by" : {
                "type" : "number_format_exception",
                "reason" : "For input string: \"S123456\""
              }
            }
          },
          "doc" : {
            "_index" : "_index",
            "_type" : "_doc",
            "_id" : "_id",
            "_source" : {
              "id" : "S123456",  // 跳过 convert 处理器对 id 字段的处理
              "message" : "User login successfully",
              "timestamp" : "2022/03/03 15:22:11"
            },
            "_ingest" : {
              "pipeline" : "_simulate_pipeline",
              "timestamp" : "2022-03-04T02:48:13.562353005Z"
            }
          }
        },
        {
          "processor_type" : "date", 
          "status" : "error",  // 第 2 个异常
          "error" : {
            "root_cause" : [
              {
                "type" : "illegal_argument_exception",
                "reason" : "unable to parse date [2022/03/03 15:22:11]"
              }
            ],
            "type" : "illegal_argument_exception",
            "reason" : "unable to parse date [2022/03/03 15:22:11]",
            "caused_by" : {
              "type" : "illegal_argument_exception",
              "reason" : "failed to parse date field [2022/03/03 15:22:11] with format [yyyy-MM-dd HH:mm:ss]",
              "caused_by" : {
                "type" : "date_time_parse_exception",
                "reason" : "Text '2022/03/03 15:22:11' could not be parsed at index 4"
              }
            }
          }
        }
      ]
    }
  ]
}

1.3.2 on_failure 处理异常

使用 on_failure 参数可以定义发生异常时执行的处理器列表,该参数允许在 processor 和 pipeline 级别中定义。在 pipeline 级别定义时,on_failure 捕获整个 pipeline 发生的任何异常,当产生异常时直接执行 on_failure 中定义的处理器列表,不会再执行后续的处理器。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

在 processor 级别定义时,on_failure 参数可以针对单个处理器进行异常处理,会继续执行后续的处理器。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

on_failure 参数可以同时在 pipeline 和 processor 中定义,这两者并不冲突,比较推荐的做法是,针对某些处理器设置 processor 级别的 on_failure 处理规则,另外设置 pipeline 级别的 on_failure 处理规则作为一条兜底的规则,当 processor 级别的 on_failure 处理规则也发生异常时或者没有设置异常处理的处理器发生异常时,就可以应用这条兜底的规则,这样做的好处就是可以尽可能地保证我们的 ingest pipeline 的健壮性。

如下所示,在 pipeline 级别设置了 on_failure 的处理规则,注意这里的 on_failure 参数和 processors 参数是处于同一层级的。当发生异常时, on_failure 会执行里面的 set 处理器,将索引名改为 failure-index,该索引专门用于记录 pipeline 处理异常的文档。之后我们就可以在 failure-index 索引中去查看哪些文档在预处理时发生了异常,方便后续实施相应的补救措施。

PUT _ingest/pipeline/failure-test-pipeline
{
  "processors": [
    {
      "convert": {
        "field": "id",
        "type": "long"
      }
    },
    {
      "date": {
        "field": "timestamp",
        "formats": [
          "yyyy-MM-dd HH:mm:ss"
        ],
        "output_format": "yyyy/MM/dd",
        "target_field": "date"
      }
    }
  ],
  "on_failure": [ // 发生异常时执行的处理器列表
    {
      "set": {
        "field": "_index", // 通过 _index 元数据字段,可以改变写入的索引
        "value": "failure-index"
      }
    }
  ]
}

然后往 my-index 索引中插入一条有错误的文档,将文档 _id 设置为 1。从返回结果来看,并没有异常报错,文档成功写入了。但是仔细观察可以发现,文档并没有写入 my-index 索引,而是写入了我们记录异常的索引 failure-index。

PUT my-index/_doc/1?pipeline=failure-test-pipeline
{
  "id": "S123456",
  "timestamp": "2022/03/03 15:22:11",
  "message": "User login successfully"
}

# 返回结果
{
  "_index" : "failure-index", // 写入了记录异常的索引
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 1,
  "result" : "created",
  "_shards" : {
    "total" : 2,
    "successful" : 1,
    "failed" : 0
  },
  "_seq_no" : 0,
  "_primary_term" : 1
}

查询 my-index 文档,确实没有找到 _id 为 1 的这条文档。

GET my-index/_doc/1

# 返回结果
{
  "error" : {
    "root_cause" : [
      {
        "type" : "index_not_found_exception",
        "reason" : "no such index [my-index]",
        "resource.type" : "index_expression",
        "resource.id" : "my-index",
        "index_uuid" : "_na_",
        "index" : "my-index"
      }
    ],
    "type" : "index_not_found_exception",
    "reason" : "no such index [my-index]",
    "resource.type" : "index_expression",
    "resource.id" : "my-index",
    "index_uuid" : "_na_",
    "index" : "my-index"
  },
  "status" : 404
}

查询 failure-index 索引可以找到这条处理异常的文档。

GET failure-index/_doc/1

# 返回结果
{
  "_index" : "failure-index",
  "_type" : "_doc",
  "_id" : "1",
  "_version" : 1,
  "_seq_no" : 0,
  "_primary_term" : 1,
  "found" : true,
  "_source" : {
    "id" : "S123456",
    "message" : "User login successfully",
    "timestamp" : "2022/03/03 15:22:11"
  }
}

对于我们来说,目前 failure-index 索引记录的信息十分有限,根据以上内容我们无法知道是哪个处理器在执行时产生了异常。在 on_failure 中提供了以下 4 个元数据字段方便我们进行故障定位:

  • on_failure_pipeline:产生异常的 pipeline 类型的处理器中引用的 pipeline。ingest pipeline 中有一个 pipeline 类型的处理器,该处理器也可以指定使用其他的 pipeline,这里注意区分 pipeline 类型的处理器和 pipeline 管道。
  • on_failure_message:报错的内容。
  • on_failure_processor_type:产生异常的处理器的标签,标签可以在处理器中通过 tag 参数指定。当 pipeline 中使用了多个相同类型的处理器时,根据指定的标签可以方便我们进行区分。
  • on_failure_processor_tag:产生异常的处理器的类型。

  如下所示,我们在 on_failure 参数新增了一个 set 处理器,将错误信息写入 failure-index 的 failure 字段中。

PUT _ingest/pipeline/failure-test-pipeline
{
  "processors": [
    {
      "convert": {
        "tag": "my-index-convert", // 设置处理器的标签,方便定位问题
        "field": "id",
        "type": "long"
      }
    },
    {
      "date": {
        "tag": "my-index-date", // 设置处理器的标签,方便定位问题
        "field": "timestamp",
        "formats": [
          "yyyy-MM-dd HH:mm:ss"
        ],
        "output_format": "yyyy/MM/dd",
        "target_field": "date"
      }
    }
  ],
  "on_failure": [
    {
      "set": {
        "field": "_index",
        "value": "failure-index"
      }
    },
    {
      "set": {
        "field": "failure",
        "value": {
          "on_failure_pipeline": "{{ _ingest.on_failure_pipeline }}",
          "on_failure_message": "{{_ingest.on_failure_message}}",
          "on_failure_processor_type": "{{_ingest.on_failure_processor_type}}",
          "on_failure_processor_tag": "{{ _ingest.on_failure_processor_tag }}"
        }
      }
    }
  ]
}

然后往 my-index 索引中插入一条有错误的文档,将文档 _id 设置为 2。

PUT my-index/_doc/2?pipeline=failure-test-pipeline
{
  "id": "S123456",
  "timestamp": "2022/03/03 15:22:11",
  "message": "User login successfully"
}

查看 failure-index 索引记录的错误信息,可以得知打了 my-index-convert 标签的 convert 类型的处理器在处理 S123456 字符串时引发了异常。细心的同学可能会注意到, 在返回结果中 on_failure_pipeline 的内容为空,这是由于异常并不是由 pipeline 类型的处理器产生的,所以这里的结果是空值。如果只是想获取客户端直接调用的 ingest pipeline,那么可以通过 _ingest.pipeline 来获取。

{
  "_index" : "failure-index",
  "_type" : "_doc",
  "_id" : "2",
  "_version" : 1,
  "_seq_no" : 1,
  "_primary_term" : 1,
  "found" : true,
  "_source" : {
    "failure" : {
      "on_failure_pipeline" : "", // 产生异常的 pipeline 类型的处理器中引用的 pipeline
      "on_failure_message" : "For input string: \\\"S123456\\\"", // 报错的内容
      "on_failure_processor_tag" : "my-index-convert", // 产生异常的处理器的标签
      "on_failure_processor_type" : "convert" // 产生异常的处理器的类型
    },
    "id" : "S123456",
    "message" : "User login successfully",
    "timestamp" : "2022/03/03 15:22:11"
  }
}

上面的示例介绍了 on_failure 参数在 pipeline 级别的处理,现在介绍下 on_failure 参数如何在 processor 级别进行处理。如下所示,在 convert 和 date 处理器中分别通过 on_failure 参数设置了发生异常时执行的处理器列表:当convert 进行类型转换发生异常时,将当前时间的毫秒数设置 id 字段的值;当 date 处理器解析时间发生异常时,使用 ingest 摄取时间的日期戳作为 date 字段的值。

PUT _ingest/pipeline/failure-test-pipeline
{
  "processors": [
    {
      "convert": {
        "field": "id",
        "type": "long",
        "on_failure": [ // 发生异常时将当前时间的毫秒数设置 id 字段的值
          {
            "script": {  
              "source": """
                 long timeNow = Calendar.getInstance().getTimeInMillis();
                 ctx.id = timeNow;
              """
            }
          }
        ]
      }
    },
    {
      "date": {
        "field": "timestamp",
        "formats": [
          "yyyy-MM-dd HH:mm:ss"
        ],
        "output_format": "yyyy/MM/dd",
        "target_field": "date",
        "on_failure": [  // 发生异常时使用 ingest 摄取时间的日期戳作为 date 字段的值
          {
            "set": {
              "field": "date",
              "value": "{{_ingest.timestamp}}"
            }
          },
          {
            "date": {
              "field": "date",
              "formats": [
                "yyyy-MM-dd'T'HH:mm:ss.SSSZ"
              ],
              "output_format": "yyyy/MM/dd",
              "target_field": "date"
            }
          }
        ]
      }
    }
  ]
}

然后往 my-index 索引中插入一条有错误的文档,将文档 _id 设置为 3。文档正常写入 my-index 中,没有返回报错信息。

PUT my-index/_doc/3?pipeline=failure-test-pipeline
{
  "id": "S123456",
  "timestamp": "2022/03/03 15:22:11",
  "message": "User login successfully"
}

# 返回结果
{
  "_index" : "my-index",
  "_type" : "_doc",
  "_id" : "3",
  "_version" : 1,
  "result" : "created",
  "_shards" : {
    "total" : 2,
    "successful" : 1,
    "failed" : 0
  },
  "_seq_no" : 0,
  "_primary_term" : 1
}

获取 my-index 索引中 _id 为 3 的文档,可以看到 id 字段的值并不是传入的原始文档中的 S123456,而是当前时间对应的毫秒值;date 字段的值被设置为了 ingest 摄取时间的日期。

GET my-index/_doc/3

# 返回结果
{
  "_index" : "my-index",
  "_type" : "_doc",
  "_id" : "3",
  "_version" : 1,
  "_seq_no" : 0,
  "_primary_term" : 1,
  "found" : true,
  "_source" : {
    "date" : "2022/03/03",
    "id" : 1646349731000,
    "message" : "User login successfully",
    "timestamp" : "2022/03/03 15:22:11"
  }
}

1.3.3 fail 主动抛出异常

和 ignore_failure, on_failure 两种处理异常的方式不同,使用 fail 处理器可以基于某些条件主动抛出异常,当你想要主动让 pipeline 失败并且返回特定的报错信息给请求者时,可以使用这种方式。如下所示,当 tags 字段中不包含 production 时,fail 处理器会主动抛出异常,在 message 参数中可以自定义相应的报错信息。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "fail": {
          "if": "ctx.tags.contains('production') != true",
          "message": "The production tag is not present, found tags: {{{tags}}}"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "tags": ["development"]
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "error" : {
        "root_cause" : [
          {
            "type" : "fail_processor_exception",
            // 自定义的报错信息
            "reason" : "The production tag is not present, found tags: {0=development}"
          }
        ],
        "type" : "fail_processor_exception",
        "reason" : "The production tag is not present, found tags: {0=development}"
      }
    }
  ]
}

1.4 执行条件判断

每种类型的处理器中都支持 if 参数判断执行处理器的条件,在 if 参数中使用 painless脚本进行逻辑判断,当 if 的判断结果为 true 时,相应的处理器才会执行。如下所示,创建了 if-test-pipeline,我们只想日志级别是 error 的消息,当 level 字段的值是 notice 时,丢弃该文档。

PUT _ingest/pipeline/if-test-pipeline
{
  "processors": [
    {
      "drop": {
        "description": "Drop documents with level of notice",
        "if": "ctx.level == 'notice'"
      }
    }
  ]
}

然后往 log-index 索引中写入两条文档,指定使用 if-test-pipeline,其中一条文档的 level 值等于 notice,另一条的 level 值等于 error。

POST log-index/_doc?pipeline=if-test-pipeline
{
  "level": "notice",
  "message": "this is a notice log"
}
POST log-index/_doc?pipeline=if-test-pipeline
{
  "level": "error",
  "message": "this is a error log"
}

查询 log-index 索引,只返回了 1 条文档,level 等于 notice 的文档被丢弃了。

GET log-index/_search

# 返回结果
{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "log-index",
        "_type" : "_doc",
        "_id" : "fV9ET38BKRZVqZj9X8yC",
        "_score" : 1.0,
        "_source" : {
          "level" : "error",
          "message" : "this is a error log"
        }
      }
    ]
  }
}

接下来介绍一种高级的用法,将一个 pipeline 作为多个不同的索引或者数据流默认的 pipeline,在这个 pipeline 中创建多个 pipeline 类型的处理器,每个处理器根据传入的文档选择后台真正要执行的 pipeline。这样做的好处就是,如果要更改后台使用的 pipeline,只需要修改默认的 pipeline 中引用的 pipeline 即可,客户端的代码或者索引中的设置无需修改,可以做到业务无感知的切换。如下所示,先创建两个 pipeline,其中 httpd_pipeline 用于处理 http 相关的日志,syslog_pipeline 用于处理 syslog 相关的日志。

PUT _ingest/pipeline/httpd_pipeline
{
  "processors": [
    {
      "set": {
        "field": "message",
        "value": "this is a apache_httpd log"
      }
    }
  ]
}

PUT _ingest/pipeline/syslog_pipeline
{
  "processors": [
    {
      "set": {
        "field": "message",
        "value": "this is a syslog log"
      }
    }
  ]
}

接着创建一个 default_pipeline,使用 if 参数进行判断,当 service 字段的值等于 apache_httpd 时,执行 httpd_pipeline,当 service 字段的值等于 syslog 时,执行 syslog_pipeline。

PUT _ingest/pipeline/default_pipeline
{
  "processors": [
    {
      "pipeline": {
        "description": "If 'service' is 'apache_httpd', use 'httpd_pipeline'",
        "if": "ctx.service == 'apache_httpd'",
        "name": "httpd_pipeline"
      }
    },
    {
      "pipeline": {
        "description": "If 'service' is 'syslog', use 'syslog_pipeline'",
        "if": "ctx.service == 'syslog'",
        "name": "syslog_pipeline"
      }
    }
  ]
}

使用 simulate API 进行验证,可以看到由于传入的文档的 service 字段的值是 syslog,因此这条文档被交给 syslog_pipeline 进行处理。

POST _ingest/pipeline/default_pipeline/_simulate
{
  "docs": [
    {
      "_source": {
        "service": "syslog"
      }
    }
  ]
}
# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "this is a syslog log", // syslog_pipeline 添加的内容
          "service" : "syslog"
        },
        "_ingest" : {
          "timestamp" : "2022-03-04T07:18:53.531846541Z"
        }
      }
    }
  ]
}

2 Processor 处理器

下表列出了 Elasticsearch 所有 processor 处理器的类型,并且根据各个处理器的用途作了相应的分类。下面的小节中仅会演示说明一些常用的处理器,未介绍到的部分读者可以自行查阅官方文档。

类别

处理器

作用

数组处理

append

添加元素

数组处理

sort

对数组中的元素进行排序

数组处理

join

将数组中的每个元素拼接成单个字符串

数组处理

foreach

遍历处理数组中的元素

结构化数据处理

json

将 json 字符串转换为结构化的 json 对象

结构化数据处理

kv

以键值对的方式提取字段

结构化数据处理

csv

从单个文本字段中提取 CSV 行中的字段

匹配处理

gsub

替换字符串中指定的内容,支持正则表达式匹配

匹配处理

grok

使用正则表达式提取字段,grok 处理器内置预定义的表达式

匹配处理

dissect

和 grok 处理器类似,语法比 grok 简单,不使用正则表达式。可以使用修饰符控制解析方式

字符串处理

lowercase

将字符串转换为小写

字符串处理

uppercase

将字符串转换为大写

字符串处理

split

指定分隔符将字符串拆分为数组

字符串处理

html_strip

删除字符串中的 HTLM 标签

字符串处理

trim

去掉字符串中的前后空格

字段处理

rename

重命名字段

字段处理

remove

删除字段

字段处理

set

为字段赋值

字段处理

script

处理复杂的逻辑,可以执行内联或者存储脚本

字段处理

dot_expander

将带有点的字段扩展为对象字段

文档处理

drop

删除文档

文档处理

fingerprint

计算文档内容的哈希值

网络处理

network_direction

根据给定的源 IP 地址、目标 IP 地址和内部网络列表下计算网络请求的方向

网络处理

community_id

计算网络流数据中的 community id, 可以使用 community id 来关联与单个流相关的网络事件

网络处理

registered_domain

从完全限定域名 (FQDN) 中提取注册域(也称为有效顶级域或 eTLD)、子域和顶级域。

HTTP 处理

urldecode

URL 解码

HTTP 处理

user_agent

从 user_agent 中提取详细信息, 例如操作系统, 浏览器版本等等

HTTP 处理

uri_parts

从 URI 中提取详细信息, 例如域名, 端口, 路径等等

外部结合

pipeline

执行另一个 ingest pipeline

外部结合

enrich

添加来自另一个索引的数据,类似关系型数据库中的 join 关联查询

外部结合

geoip

根据来自 Maxmind 数据库的数据添加有关 IP 地址地理位置的信息

外部结合

set_security_user

获取索引文档用户的详细信息,例如 username, roles, email, full_name, metadata

外部结合

inference

使用预训练的数据分析模型来处理数据,用于机器学习领域

时间处理

date_index_name

根据文档中的时间戳字段将文档写入基于时间的索引

时间处理

date

从字段中解析日期作为文档的时间戳

类型处理

convert

字段类型转换,例如 "1234" -> 1234

类型处理

byte

将人类可读的字节值转换为字节的数值,例如 1kb -> 1024

异常处理

fail

主动抛出异常

图形处理

circle

将圆形转换为近似多边形

2.1 Lowercase & Uppercase

lowercase 处理器可以将字符串转换为其等效的小写字母。如果该字段是一个字符串数组,则该数组的所有成员都将被转换。uppercase 处理器和 lowercase 相反,将字符串转换为大写字母。如下所示,使用 lowercase 处理器将 name 字段转换为小写字母。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "lowercase": {
          "field": "name"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "name": "Tom"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "name" : "tom"
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T10:43:11.718792423Z"
        }
      }
    }
  ]
}

2.2 Split

split 处理器可以根据指定的分隔符,将字符串拆分为数组。如下所示,以 _ 符号作为分隔符,将 num 字段拆分为数组。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "split": {
          "field": "num",
          "separator": "_"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "num": "111_222_333_444"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "num" : [
            "111",
            "222",
            "333",
            "444"
          ]
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T11:10:25.249883405Z"
        }
      }
    }
  ]
}

2.3 Trim

trim 处理器可以去掉字符串头尾的空格。如下所示,使用 trim 处理器去掉 message 字段头尾的空格。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "trim": {
          "field": "message"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "    Elasticsearch is the distributed search and analytics engine    "
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "Elasticsearch is the distributed search and analytics engine"
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T11:12:26.952402786Z"
        }
      }
    }
  ]
}

2.4 Join

join 处理器可以将数组中的每个元素拼接成单个字符串。如下所示,使用 _ 符号作为分隔符,将 animal 字段中的元素拼接成单个字符串。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "join": {
          "field": "animal",
          "separator": "-"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "animal": ["dog", "cat", "monkey"]
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "animal" : "dog-cat-monkey"
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T10:33:39.63520118Z"
        }
      }
    }
  ]
}

2.5 Foreach

使用 foreach 处理器可以遍历数组,对其中的每个元素进行处理,使用 processor 参数指定一个处理器来处理数组中元素。在 foreach 处理器内引用的处理通过 _ingest._value 键来获取数组中每个元素的值。如下所示,将 values 字段中的每个元素转换为大写字母。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "foreach": {
          "field": "values",
          "processor": {
            "uppercase": {
              "field": "_ingest._value"
            }
          }
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
         "values" : ["foo", "bar", "baz"]
      }
    }
  ]
}


# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "values" : [
            "FOO",
            "BAR",
            "BAZ"
          ]
        },
        "_ingest" : {
          "_value" : null,
          "timestamp" : "2022-02-27T10:06:44.235660464Z"
        }
      }
    }
  ]
}

2.6 KV

  kv 处理器可以以键值对的方式提取字段。如下所示,以空格作为不同键值对的分隔符,以 = 拆分每组键值对的键和值。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "kv": {
          "field": "message",
          "field_split": " ", // 拆分键值对
          "value_split": "=" // 拆分键值对的键和值
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "ip=1.2.3.4 error=REFUSED"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "ip=1.2.3.4 error=REFUSED",
          "error" : "REFUSED",
          "ip" : "1.2.3.4"
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T10:40:31.072140367Z"
        }
      }
    }
  ]
}

2.7 CSV

csv 处理器会将字段中的内容看作 csv 文本的一行,根据 separator 参数指定的分隔符,将拆分后的值赋值给 target_fields 列表中定义的字段。如下所示,将 person 字段按照 | 符号进行拆分,依次赋值给 name, age, country 字段。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "csv": {
          "field": "person",
          "target_fields": [ // 指定每列的字段值
            "name",
            "age",
            "country"
          ],
          "separator": "|" // 字段间的分隔符
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "person": "zhangsan|18|china"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "country" : "china",
          "person" : "zhangsan|18|china",
          "name" : "zhangsan",
          "age" : "18"
        },
        "_ingest" : {
          "timestamp" : "2022-02-24T09:39:48.708832221Z"
        }
      }
    }
  ]
}

2.8 Grok

grok 处理器可以使用正则表达式来提取字段,并且内置了许多常用的表达式,可以直接通过表达式别名进行使用。可以使用以下命令获取所有 grok 内置的表达式。

GET _ingest/processor/grok?s

返回结果如下,例如我们想匹配 IP 地址就可以直接使用 %{IP} 进行匹配,想匹配 MAC 地址可以使用 %{MAC} 进行匹配。表达式别名还可以引用其他的表达式别名,比如表达式别名 IP 就引用了IPV4 和 IPV6 两个别名。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

接下来我们尝试使用 grok 处理器解析一条日志。%{<expression>:<field>} 表示将表达式匹配的值赋值到指定的 field 字段中,表达式可以是我们自定义的表达式,也可以是表达式别名;%{<expression>} 表示只匹配不赋值。

55.3.244.1 GET /index.html 15824 0.043"

在上面的日志中:

  • 55.3.244.2 是客户端的 IP 地址,使用 %{IP:client} 匹配 IP 地址,赋值到 client 字段中;
  • GET 是 HTTP 的请求方法,使用 %{WORD:method} 匹配数字和字母,赋值到 method 字段中;
  • /index.html 是请求的 URI 路径,使用 %{URIPATHPARAM:request} 匹配 URI 路径和参数,赋值到 request 字段中;
  • 15824 是请求的字节大小,使用 %{NUMBER:bytes:int} 匹配数字,赋值到 bytes 字段中,并且将字段设置为 int 类型;
  • 0.043 是请求的处理时间,使用 %{NUMBER:duration:double} 匹配数字,赋值到 duration字段中,并且将字段设置为 double 类型。

上面用到的 IP, WORD, URIPATHPARAM, NUMBER 表达式都是 grok 内置的表达式别名,可以直接拿来使用。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "grok": {
          "field": "message",
          "patterns": ["%{IP:client} %{WORD:method} %{URIPATHPARAM:request} %{NUMBER:bytes:int} %{NUMBER:duration:double}"]
        }
      }
    ]
  },
  "docs":[
    {
      "_source": {
        "message": "55.3.244.1 GET /index.html 15824 0.043"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "duration" : 0.043,
          "request" : "/index.html",
          "method" : "GET",
          "bytes" : 15824,
          "client" : "55.3.244.1",
          "message" : "55.3.244.1 GET /index.html 15824 0.043"
        },
        "_ingest" : {
          "timestamp" : "2022-03-01T03:33:57.627169176Z"
        }
      }
    }
  ]
}

除了使用 grok 内置的表达式以外,grok 处理器也允许我们自定义表达式。可以在 pattern_definitions 参数中进行设置,其中键是我们自定义表达式的别名,值是具体的正则表达式。如下所示,我们定义了两个表达式别名:FAVORITE_DOG 使用正则表达式 \w+, 匹配数字和字母,注意这里需要额外使用一个 \ 来进行转义;RGB 可以匹配 RED,GREEN,BLUE 3 种颜色。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "grok": {
          "field": "message",
          "patterns": [
            "my %{FAVORITE_DOG:dog} is colored %{RGB:color}"
          ],
          "pattern_definitions": { // 自定义表达式
            "FAVORITE_DOG": "\\w+",  // 匹配数字和字母
            "RGB": "RED|GREEN|BLUE"  // 匹配 3 个颜色
          }
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "my beagle is colored BLUE"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "my beagle is colored BLUE",
          "color" : "BLUE",
          "dog" : "beagle"
        },
        "_ingest" : {
          "timestamp" : "2022-03-01T03:34:33.933398405Z"
        }
      }
    }
  ]
}

有时候一种匹配规则可能难以匹配所有的内容,我们可以在正则表达式中通过或的逻辑进行判断,但是这样会使得写出来的表达式难以阅读。这里还有一种更好的方法,在 grok 处理器中,patterns 参数允许填写多个表达式,这样我们的匹配规则看上去就一目了然,处理器会使用最先匹配到的表达式。如下所示,我们设置了 FAVORITE_DOG 和 FAVORITE_CAT 两个表达式都用于解析 pet 字段,如果想要知道是哪个表达式匹配了内容,可以设置参数 "trace_match": true,这样在返回结果的 _grok_match_index 字段中可以看到匹配了哪个表达式,其中 1 表示匹配了第二个表达式。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "description": "parse multiple patterns",
    "processors": [
      {
        "grok": {
          "field": "message",
          "patterns": [  // patterns 是数组, 可以填写多个表达式
            "%{FAVORITE_DOG:pet}",
            "%{FAVORITE_CAT:pet}"
          ],
          "pattern_definitions": {
            "FAVORITE_DOG": "beagle",
            "FAVORITE_CAT": "burmese"
          },
          "trace_match": true // 显示匹配了哪一个表达式, 第一个从 0 开始
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "I love burmese cats!"
      }
    }
  ]
}
# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "I love burmese cats!",
          "pet" : "burmese"
        },
        "_ingest" : {
          "_grok_match_index" : "1", // 匹配了第 2 个表达式
          "timestamp" : "2022-03-01T03:35:05.490483581Z"
        }
      }
    }
  ]
}

在 Kibana 的界面上还提供了 Grok Debugger 方便我们调试 grok 表达式。点击 Management -> Dev Tools -> Grok Gebugger 进入调试界面。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

从上图可以看到,调试界面分为以下 4 个部分:

  • Sample Data: 填写测试的文本。
  • Grok Pattern:填写 grok 表达式,相当于 grok 处理器中 patterns 定义的内容。
  • Custom Patterns:自定义表达式,相当于 grok 处理器中 pattern_definitions 定义的内容。在 Custom Patterns 中每行表示一个自定义表达式,最左边的字符串表示我们自定义的表达式别名,右边内容是表达式的内容,不需要进行符号转义。
  • Structured Data:处理完的结果。

我们将示例中的内容按照上面的说明填写到相应的位置,点击 Simulate,就可以看到解析完成后的结构化数据了。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

2.9 Dissect

dissect 和 grok 处理器类似,都是用于从单个文本字段中提取结构化字段。与 grok 相比,dissect 最大的优势就是简单和快速,dissect 在解析时不使用正则表达式,这使得 dissect 的语法更加简单,并且执行速度比 grok 更快。当然 grok 也有自己的独到之处,grok 可以同时使用多个 patterns 来对内容来进行匹配,这是 dissect 所不具备的能力。接下来首先介绍一下 dissect 处理器简单的使用方法,如下所示,我们要对一行日志内容进行解析,%{<field>} 表示将匹配到的字符串作为 field 字段的值。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "%{clientip} %{ident} %{auth} [%{@timestamp}] \"%{verb} %{request} HTTP/%{httpversion}\" %{status} %{size}"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "1.2.3.4 - - [30/Apr/1998:22:00:52 +0000] \"GET /english/venues/cities/images/montpellier/18.gif HTTP/1.0\" 200 3171"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "request" : "/english/venues/cities/images/montpellier/18.gif",
          "auth" : "-",
          "ident" : "-",
          "verb" : "GET",
          "message" : """1.2.3.4 - - [30/Apr/1998:22:00:52 +0000] "GET /english/venues/cities/images/montpellier/18.gif HTTP/1.0" 200 3171""",
          "@timestamp" : "30/Apr/1998:22:00:52 +0000",
          "size" : "3171",
          "clientip" : "1.2.3.4",
          "httpversion" : "1.0",
          "status" : "200"
        },
        "_ingest" : {
          "timestamp" : "2022-03-01T06:37:23.791866312Z"
        }
      }
    }
  ]
}

在 dissect 中可以使用修饰符改变默认的匹配规则,例如可以指定 dissect 忽略某些字段、拼接多个字符等等。dissect 的修饰符说明如下表所示。

修饰符

用途

位置

示例

->

跳过 -> 右边重复的字符

最右边

%{keyname1->}

将多个结果附加到一起作为输出

左边

%{+keyname} %{+keyname}

  • 和 /n

指定附加结果的顺序

  • 号在左边,/n 放在右边,n 是顺序的数字

%{+keyname/2} %{+keyname/1}

?

跳忽略匹配项

左边

%{?keyname}

  • 和 &

输出键设置为 * 的值,输出值设置为 & 的值

左边

%{*key} %{&value}

dissect 默认的匹配算法非常严格,要求 pattern 中的所有字符都与源字符串完全匹配。例如 %{a} %{b} 只能匹配“字符串1 字符串2”(中间 1 个空格),将无法匹配“字符串1     字符串2”(中间 5 个空格)。要处理这种情况就可以使用 -> 修饰符跳过箭头右边重复的字符,例如 %{a->} %{b} 就可以跳过字符串1 和字符串 2 中间的多个空格,只对空格匹配一次。要跳过的字符我们可以自由设置,如下所示,使用 -> 修饰符跳过重复的 ~ 字符。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "%{ts->}~%{level}" // 跳过重复的 ~ 字符
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "1998-08-10T17:15:42,466~~~~~~~WARN"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "message" : "1998-08-10T17:15:42,466~~~~~~~WARN",
          "level" : "WARN",
          "ts" : "1998-08-10T17:15:42,466"
        },
        "_ingest" : {
          "timestamp" : "2022-03-01T06:38:20.328535452Z"
        }
      }
    }
  ]
}

假如我们想将多个匹配的字符拼接为一个字段,可以使用 + 修饰符,append_separator 参数可以指定分隔符, 默认以空格作为分隔符。如下所示,我们将匹配的多个字符串拼接为 name 字段,使用 , 作为分隔符。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "%{+name} %{+name} %{+name} %{+name}",
          "append_separator": ","
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "john jacob jingleheimer schmidt"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "name" : "john,jacob,jingleheimer,schmidt",
          "message" : "john jacob jingleheimer schmidt"
        },
        "_ingest" : {
          "timestamp" : "2022-03-02T13:41:40.058126802Z"
        }
      }
    }
  ]
}

如果我们想改变字符串拼接的顺序,可以同时使用 +/n 修饰符指定顺序,其中 n 是顺序的数字。如下所示,可以看到返回结果中的 name 字段按照我们指定的顺序拼接。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "%{+name/2} %{+name/4} %{+name/3} %{+name/1}",
          "append_separator": ","
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "john jacob jingleheimer schmidt"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "name" : "schmidt,john,jingleheimer,jacob",
          "message" : "john jacob jingleheimer schmidt"
        },
        "_ingest" : {
          "timestamp" : "2022-03-02T13:47:44.332086601Z"
        }
      }
    }
  ]
}

前面提到过,dissect 要求 pattern 中的所有字符都与源字符串完全匹配,否则解析将不会成功。如果我们仅仅想让某些字符串在匹配时充当“占位”的角色,并不想让它出现在最终的文档中,那么就可以使用 ? 修饰符来忽略最终结果中的匹配项。除了使用 ? 修饰符以外,还可以用一个空键 %{} 实现相同的效果,但是为了便于阅读,建议还是使用 %{?<field>} 的方式。如下所示,ident 和 auth 字段都不会出现在最终的结果中,仅用于字符串匹配。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "%{clientip} %{?ident} %{?auth} [%{@timestamp}]"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "1.2.3.4 - - [30/Apr/1998:22:00:52 +0000]"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "@timestamp" : "30/Apr/1998:22:00:52 +0000",
          "message" : "1.2.3.4 - - [30/Apr/1998:22:00:52 +0000]",
          "clientip" : "1.2.3.4"
        },
        "_ingest" : {
          "timestamp" : "2022-03-02T13:50:56.099402273Z"
        }
      }
    }
  ]
}

*& 修饰符可以用于解析包含键值对的内容,其中输出键设置为 * 的值,输出值设置为 & 的值。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "dissect": {
          "field": "message",
          "pattern": "[%{ts}] [%{level}] %{*p1}:%{&p1} %{*p2}:%{&p2}"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "message": "[2018-08-10T17:15:42,466] [ERR] ip:1.2.3.4 error:REFUSED"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "level" : "ERR",
          "ip" : "1.2.3.4",
          "message" : "[2018-08-10T17:15:42,466] [ERR] ip:1.2.3.4 error:REFUSED",
          "error" : "REFUSED",
          "ts" : "2018-08-10T17:15:42,466"
        },
        "_ingest" : {
          "timestamp" : "2022-03-02T14:00:54.96982616Z"
        }
      }
    }
  ]
}

2.10 Rename

rename 处理器用于重命名现有字段。如果该字段不存在或者重命名的字段已存在,则会引发异常。如下所示,将 provider 字段重命名为 cloud.provider。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "rename": {
          "field": "provider",
          "target_field": "cloud.provider"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "provider": "Aliyun"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "cloud" : {
            "provider" : "Aliyun"
          }
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T10:57:47.821558199Z"
        }
      }
    }
  ]
}

2.11 Remove

remove 处理器用于删除现有字段。如果删除的字段不存在,则会引发异常。如下所示,使用 remove 处理器删除文档中的 name 和 location 字段。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "remove": {
          "field": ["age", "location"]
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "name": "tom",
        "age": 18,
        "location": "United States"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "name" : "tom"
        },
        "_ingest" : {
          "timestamp" : "2022-02-27T10:56:05.119755281Z"
        }
      }
    }
  ]
}

2.12 Set

  set 处理器用于为字段赋值,并且在赋值的时候还可以使用 {{{ }}} 符号从其他字段复制值,然后和指定字符串进行拼接。如下所示,将 version 字段的值设置为 2,host.os.name 字段的值为 copy from 字符串拼接 os 字段的结果。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "set": {
          "field": "host.os.name",
          "value": "copy from {{{os}}}" // 从 os 字段复制值进行拼接
        }
      },
      {
        "set": {
          "field": "version",
          "value": "2" // 设置静态值
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "os": "Ubuntu"
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "host" : {
            "os" : {
              "name" : "copy from Ubuntu"
            }
          },
          "os" : "Ubuntu",
          "version" : "2"
        },
        "_ingest" : {
          "timestamp" : "2022-02-28T13:39:31.035666829Z"
        }
      }
    }
  ]
}

2.13 Script

对于复杂的处理逻辑,如果使用 Elasticseach 其他自带的处理器无法实现,那么可以尝试在 script 处理器中编写脚本进行处理。在 script 处理器中通过 lang 参数可以指定脚本语言,通常我们使用 painless 作为脚本语言,这也是 Elasticsearch 中默认的脚本语言。在 script 处理器中,脚本在 ingest 上下文中运行,我们可以通过 ctx['field'] 或者ctx.field 语法来访问文档中的字段。如下所示,传入的文档中有一个数字类型的参数 num,我们在脚本中通过 if else 条件语句进行判断,当 num 等于 7 时,将 result 的值设置为 happy;当 num 等于 4 时,将 result 的结果设置为 sad;当 num 是其他值时,将 result 的结果设置为 normal。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "script": {
          "lang": "painless",
          "source": """
              if(ctx.num == 7){
                ctx.result = 'happy'
              }else if(ctx.num == 4){
                ctx.result = 'sad'
              }else {
                ctx.result = 'normal'
              }
          """
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "num": 7
      }
    }
  ]
}

# 返回结果
{
  "docs" : [
    {
      "doc" : {
        "_index" : "_index",
        "_type" : "_doc",
        "_id" : "_id",
        "_source" : {
          "result" : "happy",
          "num" : 7
        },
        "_ingest" : {
          "timestamp" : "2022-03-02T14:20:27.776240111Z"
        }
      }
    }
  ]
}

2.14 Drop

drop 处理器可以根据条件删除指定的文档。如下所示,删除 name 字段值为 tom 的文档。

POST _ingest/pipeline/_simulate
{
  "pipeline": {
    "processors": [
      {
        "drop": {
          "if": "ctx.name == 'tom'"
        }
      }
    ]
  },
  "docs": [
    {
      "_source": {
        "name": "tom",
        "age": 18
      }
    }
  ]
}


# 返回结果
{
  "docs" : [
    null
  ]
}

3 Ingest Pipeline 应用场景

Ingest Pipeline 主要有以下 4 类应用场景:

  • 写入时指定 pipeline,单条写入或者使用 _bulk API 批量写入时都可以使用。
  • 更新时指定 pipeline。
  • 定义索引或者模板时指定 pipeline,有两个相关的参数: - index.default_pipeline 参数可以定义default pipeline(默认执行的 pipeline),当请求中没有指定 pipeline 时执行; - index.final_pipeline 参数可以定义final pipeline(最终执行的 pipeline),在所有 pipeline 执行完后再执行。
  • reindex 时指定 pipeline,在重建索引或者数据迁移时使用。

3.1 写入时指定 Pipeline

首先创建一个名为 lowercase-pipeline 的 pipeline,它的作用是将 name 字段转换为小写字母。

PUT _ingest/pipeline/lowercase-pipeline
{
  "processors": [
    {
      "lowercase": {
        "field": "name"
      }
    }
  ]
}

单条写入或者通过 _bulk API 批量写入时都可以通过 pipeline 参数指定使用的 pipeline。

# 写入单条数据时指定 pipelien
POST index-1/_doc?pipeline=lowercase-pipeline
{
  "name": "Tom",
  "age": 20
}

# _bulk 写入多条文档时指定 pipeline
PUT index-1/_bulk?pipeline=lowercase-pipeline
{"index":{ }}
{"name":"Peter","age":17}
{"index":{}}
{"name":"Mary","age":19}

查看写入的文档,可以看到所有文档的 name 字段都转换为了小写字母。

GET index-1/_search

# 返回结果
{
  "_index" : "index-1",
  "_type" : "_doc",
  "_id" : "g196X38BKRZVqZj9rsyn",
  "_score" : 1.0,
  "_source" : {
    "name" : "tom",
    "age" : 20
  }
},
{
  "_index" : "index-1",
  "_type" : "_doc",
  "_id" : "hF96X38BKRZVqZj9scwO",
  "_score" : 1.0,
  "_source" : {
    "name" : "peter",
    "age" : 17
  }
},
{
  "_index" : "index-1",
  "_type" : "_doc",
  "_id" : "hV96X38BKRZVqZj9scwO",
  "_score" : 1.0,
  "_source" : {
    "name" : "mary",
    "age" : 19
  }
}

3.2 更新时指定 Pipeline

  使用 _update_by_query API 可以批量更新索引中的文档,通常会结合pipeline 来对文档进行更新。以下示例中我们对索引中的所有文档进行更新,也可以在 _update_by_query API 中使用 DSL 语句过滤出需要更新的文档。

# 往源索引中插入数据
PUT index-2/_doc/1
{
  "name": "Smith",
  "age": 18
}

PUT index-2/_doc/1
{
  "name": "Mike",
  "age": 16
}

# 使用 update_by_query 进行更新,可以写 DSL 语句过滤出需要更新的文档
POST index-2/_update_by_query?pipeline=lowercase-pipeline

3.3 定义索引或者模板时指定 Pipeline

在定义索引或者模板时可以使用 index.default_pipeline 参数指定 default pipeline(默认执行的 pipeline),index.final_pipeline 参数指定 final pipeline(最终执行的 pipeline)。default pipeline 与 final pipeline 实际上都是普通的 ingest pipeline,只是和一般的 pipeline 执行时机不同;default pipeline 执行的时机是当前写入请求没有指定 pipeline 时,final pipeline 执行的时机是在所有 pipeline 执行完毕后。

【ES三周年】使用 Ingest Pipeline 在 Elasticsearch 中对数据进行预处理

如上图所示,如果当前的写入或者更新请求中指定了 pipeline,则会先执行自定义的 pipeline,当所有的 pipeline 执行完毕后再执行 final pipeline(如果索引显式设置了index.final_pipeline);如果当前的写入或者更新请求中没有指定 pipeline,并且索引显式设置了 index.default_pipeline 参数时,则会先执行 default pipeline,最后再执行 final pipeline。

为了完成下面的演示,在前面 lowercase-pipeline 的基础上,现在再创建两个 pipeline,其中 uppercase-pipeline 的作用是 name 字段转换为小写字母,set-pipeline 的作用是为文档添加一个 message 字段。

PUT _ingest/pipeline/uppercase-pipeline
{
  "processors": [
    {
      "uppercase": {
        "field": "name"
      }
    }
  ]
}

PUT _ingest/pipeline/set-pipeline
{
  "processors": [
    {
      "set": {
        "field": "message",
        "value": "set by final pipeline"
      }
    }
  ]
}

接下来创建一个索引 index-3,在 settings 中指定索引的 default_pipeline 为 lowercase-pipeline,final_pipeline 为 set-pipeline。

PUT index-3
{
  "settings": {
    "index": {
      "default_pipeline": "lowercase-pipeline", // 默认执行的 pipeline
      "final_pipeline": "set-pipeline" // 最终执行的 pipeline
    }
  }
}

然后往索引中插入两条文档,其中 _id 为 1 的文档在写入时不指定 pipeline,_id 为 2 的文档在写入时指定使用 uppercase-pipeline。

PUT index-3/_doc/1
{
  "name": "Lisa",
  "age": 18
}

# 在写入时指定 pipeline 覆盖 default_pipeline
PUT index-3/_doc/2?pipeline=uppercase-pipeline
{
  "name": "Jerry",
  "age": 21
}

查询最终保存的文档,可以看到 final pipeline 始终会执行,2 个文档都添加了 message 字段;由于写入 _id 为 2 的文档时指定使用了 uppercase-pipeline,所以该文档没有执行 default pipeline,而是执行了 uppercase-pipeline 将字母转换为大写。

GET index-3/_search

# 返回结果
{
  "_index" : "index-3",
  "_type" : "_doc",
  "_id" : "1",
  "_score" : 1.0,
  "_source" : {
    "name" : "lisa",
    "message" : "set by final pipeline",
    "age" : 18
  }
},
{
  "_index" : "index-3",
  "_type" : "_doc",
  "_id" : "2",
  "_score" : 1.0,
  "_source" : {
    "name" : "JERRY",
    "message" : "set by final pipeline",
    "age" : 21
  }
}

3.4 Reindex 时指定 Pipeline

Elasticsearch 提供了 reindex API 用于将文档从源索引复制到目标索引,在 reindex 时可以指定 pipeline 对复制的文档进行加工处理。如下所示,先创建源索引 source-index,并插入 1 条文档。

PUT source-index/_doc/1
{
  "name": "Jack",
  "age": 18
}

然后在 reindex 时指定使用 lowercase-pipeline,目标索引名设置为 dest-index。

POST _reindex
{
  "source": {
    "index": "source-index"
  },
  "dest": {
    "index": "dest-index",
    "pipeline": "lowercase-pipeline"
  }
}

查看目标索引,name 字段已经成功转换为了小写字母。

GET dest-index/_search

# 返回结果
{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "dest-index",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 1.0,
        "_source" : {
          "name" : "jack",
          "age" : "18"
        }
      }
    ]
  }
}

4 总结

Ingest pipeline 是 Elasticsearch 的一个非常实用的功能,它能够帮助用户在数据进入 Elasticsearch 索引之前对其进行预处理,从而提高搜索和分析的效率和准确性。

本文向读者介绍了如何有效地创建,管理和测试 ElasticSearch Ingest Pipeline。在第一小节中首先说明了 ingest pipeline 的基本用法,包括创建和使用 ingest pipeline,使用 simulate API 对 pipeline 进行测试,以及如何处理 pipeline 中的异常;在第二小节中,将 ingest pipeline 中的 processor 处理器根据用途作了分类说明,并通过示例展示了常见的几个 processor 的用法;在最后一个小节中归纳了 ingest pipeline 的 4 个应用场景。

网友评论

验证码 换一张
取 消
暂无评论...
三日内热门评论文章
关键词
为您推荐
  • 相关阅读
  • 业界资讯
  • 手机通讯
  • 电脑办公
  • 新奇数码
  • 软件游戏
  • 科学探索