基於ELK的資料分析實踐——滿滿的乾貨送給你
很多人剛剛接觸ELK都不知道如何使用它們來做分析，經常會碰到下面的問題：
- 安裝完ELK不知從哪下手
- 拿到資料樣本不知道怎麼分解資料
- 匯入到elasticsearch中奇怪為什麼搜不出來
- 搜到結果後，不知道它還能幹什麼
本篇就以一個完整的流程介紹下，資料從 讀取-->分析-->檢索-->應用 的全流程處理。在閱讀本篇之前，需要先安裝ELK,可以參考之前整理安裝文件：ELK5.0部署教程
在利用ELK做資料分析時，大致為下面的流程：
- 1 基於logstash分解欄位
- 2 基於欄位建立Mapping
- 3 檢視分詞結果
- 4 檢索
- 5 聚合
- 6 高亮
可能會根據第4步重複第2步的工作，調整分詞等規則。
為了便於理解，先說一下本文的業務背景：
我需要統計一個url對應的pv和uv，這個url需要支援全文檢索。每天同一個url都會產生一條資料。最後會按照特定的日期範圍對資料進行聚合。
下面就開始資料分析之路吧~
基於logstash分解欄位
在使用logstash前，需要對它有一定的瞭解。logstash的元件其實很簡單，主要包括input、filter、output、codec四個部分。
- input 用於讀取內容，常用的有stdin(直接從控制檯輸入)、file(讀取檔案)等，另外還提供了對接redis、kafka等的外掛
- filter 用於對輸入的文字進行處理，常用的有grok(基於正則表示式提取欄位)、kv(解析鍵值對形式的資料)、csv、xml等，另外還提供了了一個ruby外掛，這個外掛如果會用的話，幾乎是萬能的。
- output 用於把fitler得到的內容輸出到指定的接收端，常用的自然是elasticsearch(對接ES)、file(輸出到檔案)、stdout(直接輸出到控制檯)
- codec 它用於格式化對應的內容，可以再Input和output外掛中使用，比如在output的stdout中使用rubydebug以json的形式輸出到控制檯
理解上面的內容後，再看看logstash的使用方法。
首先需要定義一個配置檔案，配置檔案中配置了對應的input,filter,output等，至少是一個input,output。
如我的配置檔案：
input { file { path => "C:\Users\Documents\workspace\elk\page.csv" start_position => "beginning" } } filter { grok { match => { "message" => "%{NOTSPACE:url}\s*%{NOTSPACE:date}\s*%{NOTSPACE:pvs}\s*%{NOTSPACE:uvs}\s*%{NOTSPACE:ips}\s*%{NOTSPACE:mems}\s*%{NOTSPACE:new_guests}\s*%{NOTSPACE:quits}\s*%{NOTSPACE:outs}\s*%{NOTSPACE:stay_time}" } } } output { stdout{codec => dots} elasticsearch { document_type => "test" index => "page" hosts => ["1.1.1.1:9200"] } }
上面的配置最不容易理解的就是Grok,其實它就是個正則表示式而已，你可以把它理解成是一段正則表示式的佔位。至於grok都有哪些關鍵字，這些關鍵字對應的正則都是什麼，可以直接參考logstash的原始碼,目錄的位置為：
logstash-5.2.2\vendor\bundle\jruby\1.9\gems\logstash-patterns-core-4.0.2\patterns如果提供的話，可以直接在grokdebug上面進行測試：
另外一個技巧就是，如果開啟stdout並且codec為rubydebug，會把資料輸出到控制檯，因此使用.代替，即可省略輸出，又能檢測到現在是否有資料正在處理。而且每個.是一個字元，如果把它輸出到檔案，也可以直接通過檔案的大小，判斷處理了多少條。
這樣，資料的預處理做完了.....
基於欄位建立Mapping
雖然說Es是一個文件資料庫，但是它也是有模式的概念的。文件中的每個欄位仍然需要定義欄位的型別，使用者經常會遇到明明是數字，在kibana卻做不了加法；或者明明是IP，kibana裡面卻不認識。這都是因為Mapping有問題導致的。
在Elasticsearch中其實是有動態對映這個概念的，在欄位第一次出現時，ES會自動檢測你的欄位是否屬於數字或者日期或者IP，如果滿足它預定義的格式，就按照特殊格式儲存。一旦格式設定過了，之後的資料都會按照這種格式儲存。舉個例子，第一條資料進入ES時，欄位檢測為數值型；第二條進來的時候，卻是一個字串，結果可能插不進去，也可能插進去讀不出來（不同版本處理的方式不同）。
因此，我們需要事先就設定一下欄位的Mapping,這樣之後使用的時候才不會困惑。
另外，Mapping裡面不僅僅有欄位的型別，還有這個欄位的分詞方式，比如使用標準standard分詞器，還是中文分詞器，或者是自定義的分詞器，這個也是很關鍵的一個概念，稍後再講。
建立Mapping有兩種方式：
第一種，直接建立索引並建立對映
建立索引時，可以直接指定它的配置和Mapping:
PUT index_name
{
"settings" : {
"number_of_shards" : 1
},
"mappings" : {
"type_name" : {
"properties" : {
"field_name" : { "type" : "text" }
}
}
}
}第二種，先建立索引，再建立對映
# 先建立索引
PUT index_name
{}
# 然後建立Mapping
PUT /index_name/_mapping/type_name
{
"properties": {
"ip": {
"type": "ip"
}
}
}
# 最後查詢建立的Mapping
GET /index_name/_mapping/type_name比如我們上面的URL場景，可以這麼建立索引：
PUT url/_mapping/test
{
"properties": {
"url": {
"type": "string",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"date": {
"type": "date"
},
"pvs": {
"type": "integer"
},
"uvs": {
"type": "integer"
}
}
}PS,在上面的例子中，url需要有兩個用途，一個是作為聚合的欄位；另一個是需要做全文檢索。在ES中全文檢索的欄位是不能用來做聚合的，因此使用巢狀欄位的方式，新增一個url.keyword欄位，這個欄位設定成keyword型別，不採用任何分詞（這是5.0的新特性，如果使用以前版本，可以直接設定string對應的index屬性即可）；然後本身的url欄位則採用預設的標準分詞器進行分詞。
這樣，以後在搜尋的時候可以直接以query string的方式檢索url，聚合的時候則可以直接使用url.keyword
檢視分詞結果
如果欄位為https://www.elastic.co/guide/en/elasticsearch/reference/5.2,使用standard標準分詞器，輸入elastic卻收不到任何結果，是不是有點懷疑人生。
我們做個小例子，首先建立一個空的索引：
PUT test1/test1/1
{
"text":"https://www.elastic.co/guide/en/elasticsearch/reference/5.2"
}然後查詢這個欄位被分解成了什麼鬼？
GET /test1/test1/1/_termvectors?fields=text得到的內容如下：
{
"_index": "test1",
"_type": "test1",
"_id": "1",
"_version": 1,
"found": true,
"took": 1,
"term_vectors": {
"text": {
"field_statistics": {
"sum_doc_freq": 7,
"doc_count": 1,
"sum_ttf": 7
},
"terms": {
"5.2": {
"term_freq": 1,
"tokens": [
{
"position": 6,
"start_offset": 56,
"end_offset": 59
}
]
},
"elasticsearch": {
"term_freq": 1,
"tokens": [
{
"position": 4,
"start_offset": 32,
"end_offset": 45
}
]
},
"en": {
"term_freq": 1,
"tokens": [
{
"position": 3,
"start_offset": 29,
"end_offset": 31
}
]
},
"guide": {
"term_freq": 1,
"tokens": [
{
"position": 2,
"start_offset": 23,
"end_offset": 28
}
]
},
"https": {
"term_freq": 1,
"tokens": [
{
"position": 0,
"start_offset": 0,
"end_offset": 5
}
]
},
"reference": {
"term_freq": 1,
"tokens": [
{
"position": 5,
"start_offset": 46,
"end_offset": 55
}
]
},
"www.elastic.co": {
"term_freq": 1,
"tokens": [
{
"position": 1,
"start_offset": 8,
"end_offset": 22
}
]
}
}
}
}
}看到了吧，沒有elastic這個詞，自然是搜不出來的。如果你不理解這句話，回頭看看倒排索引的原理吧！或者看看我的這篇文章:分詞器的作用
那麼你可能很鬱悶，我就是要搜elastic怎麼辦！沒關係，換個分詞器就行了~比如elasticsearch為我們提供的simple分詞器，就可以簡單的按照符號進行切分:
POST _analyze
{
"analyzer": "simple",
"text": "https://www.elastic.co/guide/en/elasticsearch/reference/5.2"
}得到的結果為：
{
"tokens": [
{
"token": "https",
"start_offset": 0,
"end_offset": 5,
"type": "word",
"position": 0
},
{
"token": "www",
"start_offset": 8,
"end_offset": 11,
"type": "word",
"position": 1
},
{
"token": "elastic",
"start_offset": 12,
"end_offset": 19,
"type": "word",
"position": 2
},
{
"token": "co",
"start_offset": 20,
"end_offset": 22,
"type": "word",
"position": 3
},
{
"token": "guide",
"start_offset": 23,
"end_offset": 28,
"type": "word",
"position": 4
},
{
"token": "en",
"start_offset": 29,
"end_offset": 31,
"type": "word",
"position": 5
},
{
"token": "elasticsearch",
"start_offset": 32,
"end_offset": 45,
"type": "word",
"position": 6
},
{
"token": "reference",
"start_offset": 46,
"end_offset": 55,
"type": "word",
"position": 7
}
]
}這樣你就可以搜尋elastic了，但是前提是需要在Mapping裡面為該欄位指定使用simple分詞器，方法為:
PUT url/_mapping/test
{
"properties": {
"url": {
"type": "string",
"analyzer": "simple",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"date": {
"type": "date"
},
"pvs": {
"type": "integer"
},
"uvs": {
"type": "integer"
}
}修改Mapping前，需要先刪除索引，然後重建索引。刪除索引的命令為：
DELETE url不想刪除索引，只想改變Mapping？想得美....你當ES是孫悟空會72變？不過，你可以建立一個新的索引，然後把舊索引的資料匯入到新索引就行了，這也不失為一種辦法。如果想這麼搞，可以參考reindex api，如果版本是5.0之前，那麼你倒黴了！自己搞定吧！
檢索
ES裡面檢索是一個最基礎的功能了，很多人其實這個都是一知半解。由於內容太多，我就結合Kibana講講其中的一小部分吧。
很多人安裝完kibana之後，登陸後不知道該幹啥。如果你的elasticsearch裡面已經有資料了，那麼此時你需要在Kiban新建對應的索引。
如果你的es的索引是name-2017-03-19,name-2017-03-20這種名字+時間字尾的，那麼可以勾選1位置的選項，它會自動聚合這些索引。這樣在這一個索引中就可以查詢多個索引的資料了，其實他是利用了索引的模式匹配的特性。如果你的索引僅僅是一個簡單的名字，那麼可以不勾選1位置的選項，直接輸入名字，即可。
然後進入Kibana的首頁，在輸入框裡面就可以任意輸入關鍵字進行查詢了。
查詢的詞，需要是上面_termvectors分析出來的詞，差一個字母都不行！！！！！
這個搜尋框其實就是elasticsearch中的query string,因此所有的lucene查詢語法都是支援的！
如果想要了解更多的查詢語法，也可以參考我之前整理的文章，Lucene查詢語法
另外，這個輸入框，其實也可以輸入ES的DSL查詢語法，只不過寫法過於蛋疼，就不推薦了。
自定義查詢語法
如果不使用kibana，想在自己的程式裡面訪問es操作，也可以直接以rest api的方式查詢。
比如查詢某個索引的全部內容，預設返回10個:
GET /page/test/_search?pretty再比如，增加一個特殊點的查詢:
GET /page/test/_search?pretty
{
"query": {
"query_string" : {
"default_field" : "url",
"query" : "顏色"
}
},
"size": 10,
}聚合
在es中一個很重要的亮點，就是支援很多的聚合語法，如果沒有它，我想很多人會直接使用lucene吧。在ES中的聚合，大體上可以為兩類聚合方法，metric和bucket。metic可以理解成avg、sum、count、max、min，bucket可以理解為group by 。有了這兩種聚合方法，就可以對ES中的資料做很多處理了。
比如在kibana中，做一個最簡單的餅圖：
其實它在後臺傳送的請求，就是這個樣子的:
{
"size": 0,
"query": {
"query_string": {
"query": "顏色",
"analyze_wildcard": true
}
},
"_source": {
"excludes": []
},
"aggs": {
"2": {
"terms": {
"field": "url.keyword",
"size": 5,
"order": {
"_count": "desc"
}
}
}
}
}如果不適用kibana，自己定義聚合請求，那麼可以這樣寫：
GET /page/test/_search?pretty
{
"query": {
"query_string" : {
"default_field" : "url",
"query" : "顏色"
}
},
"size": 0,
"aggs" : {
"agg1" : {
"terms" : {
"field" : "url.keyword",
"size" : 10
},
"aggs" : {
"pvs" : { "sum" : { "field" : "pvs" } },
"uvs" : { "sum" : { "field" : "uvs" } }
}
}
}
}另外，聚合也支援巢狀聚合，就是跟terms或者sum等agg並列寫一個新的aggs物件就行。
高亮
如果是自己使用elasticsearch，高亮也是一個非常重要的內容，它可以幫助最後的使用者快速瞭解搜尋的結果。
後臺的原理，是利用ES提供的highlight API，針對搜尋的關鍵字，返回對應的欄位。該欄位中包含了一個自定義的標籤，前端可以基於這個標籤高亮著色。
舉個簡單的例子：
GET /_search
{
"query" : {
"match": { "content": "kimchy" }
},
"highlight" : {
"fields" : {
"content" : {}
}
}
}上面的請求會針對content欄位搜尋kimchy。並且返回對應的欄位，比如原來的欄位內容時hello kimchy，經過高亮後，會再搜尋結果的hits中返回:
{
"took": 3,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 30,
"max_score": 13.945707,
"hits": [
{
"_index": "page",
"_type": "test",
"_id": "AVrvHh_kvobeDQC6Q5Sg",
"_score": 13.945707,
"_source": {
"date": "2016-03-14",
"pvs": "3",
"url": "hello kimchy",
"@timestamp": "2017-03-21T04:29:07.187Z",
"uvs": "1",
"@version": "1"
},
"highlight": {
"url": [
"hello <em>kimchy</em>"
]
}
}
]
}
}這樣就可以直接利用highlight中的欄位做前端的顯示了。
另外，上面的<em>標籤可以自定義,比如：
GET /_search
{
"query" : {
"match": { "user": "kimchy" }
},
"highlight" : {
"pre_tags" : ["<tag1>"],
"post_tags" : ["</tag1>"],
"fields" : {
"_all" : {}
}
}
}