基于ELK的数据分析实践——满满的干货送给你

很多人刚刚接触ELK都不知道如何使用它们来做分析，经常会碰到下面的问题：

• 安装完ELK不知从哪下手
• 拿到数据样本不知道怎么分解数据
• 导入到elasticsearch中奇怪为什么搜不出来
• 搜到结果后，不知道它还能干什么

本篇就以一个完整的流程介绍下，数据从 读取-->分析-->检索-->应用 的全流程处理。在阅读本篇之前，需要先安装ELK,可以参考之前整理安装文档：ELK5.0部署教程

在利用ELK做数据分析时，大致为下面的流程：

• 1 基于logstash分解字段
• 2 基于字段创建Mapping
• 3 查看分词结果
• 4 检索
• 5 聚合
• 6 高亮

可能会根据第4步重复第2步的工作，调整分词等规则。

为了便于理解，先说一下本文的业务背景：

我需要统计一个url对应的pv和uv，这个url需要支持全文检索。每天同一个url都会产生一条数据。最后会按照特定的日期范围对数据进行聚合。

下面就开始数据分析之路吧~

基于logstash分解字段

在使用logstash前，需要对它有一定的了解。logstash的组件其实很简单，主要包括input、filter、output、codec四个部分。

• input 用于读取内容，常用的有stdin(直接从控制台输入)、file(读取文件)等，另外还提供了对接redis、kafka等的插件
• filter 用于对输入的文本进行处理，常用的有grok(基于正则表达式提取字段)、kv(解析键值对形式的数据)、csv、xml等，另外还提供了了一个ruby插件，这个插件如果会用的话，几乎是万能的。
• output 用于把fitler得到的内容输出到指定的接收端，常用的自然是elasticsearch(对接ES)、file(输出到文件)、stdout(直接输出到控制台)
• codec 它用于格式化对应的内容，可以再Input和output插件中使用，比如在output的stdout中使用rubydebug以json的形式输出到控制台

理解上面的内容后，再看看logstash的使用方法。

首先需要定义一个配置文件，配置文件中配置了对应的input,filter,output等，至少是一个input,output。

如我的配置文件：

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,其实它就是个正则表达式而已，你可以把它理解成是一段正则表达式的占位。至于grok都有哪些关键字，这些关键字对应的正则都是什么，可以直接参考logstash的源码,目录的位置为：

logstash-5.2.2\vendor\bundle\jruby\1.9\gems\logstash-patterns-core-4.0.2\patterns

如果提供的话，可以直接在grokdebug上面进行测试：

另外一个技巧就是，如果开启stdout并且codec为rubydebug，会把数据输出到控制台，因此使用.代替，即可省略输出，又能检测到现在是否有数据正在处理。而且每个.是一个字符，如果把它输出到文件，也可以直接通过文件的大小，判断处理了多少条。

这样，数据的预处理做完了.....

基于字段创建Mapping

虽然说Es是一个文档数据库，但是它也是有模式的概念的。文档中的每个字段仍然需要定义字段的类型，使用者经常会遇到明明是数字，在kibana却做不了加法；或者明明是IP，kibana里面却不认识。这都是因为Mapping有问题导致的。

在Elasticsearch中其实是有动态映射这个概念的，在字段第一次出现时，ES会自动检测你的字段是否属于数字或者日期或者IP，如果满足它预定义的格式，就按照特殊格式存储。一旦格式设置过了，之后的数据都会按照这种格式存储。举个例子，第一条数据进入ES时，字段检测为数值型；第二条进来的时候，却是一个字符串，结果可能插不进去，也可能插进去读不出来（不同版本处理的方式不同）。

因此，我们需要事先就设定一下字段的Mapping,这样之后使用的时候才不会困惑。

另外，Mapping里面不仅仅有字段的类型，还有这个字段的分词方式，比如使用标准standard分词器，还是中文分词器，或者是自定义的分词器，这个也是很关键的一个概念，稍后再讲。

创建Mapping有两种方式：

第一种，直接创建索引并创建映射

创建索引时，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" }
            }
        }
    }
}

第二种，先创建索引，再创建映射

# 先创建索引
PUT index_name
{}

# 然后创建Mapping
PUT /index_name/_mapping/type_name
{
  "properties": {
    "ip": {
      "type": "ip"
    }
  }
}

# 最后查询创建的Mapping
GET /index_name/_mapping/type_name

比如我们上面的URL场景，可以这么建立索引：

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需要有两个用途，一个是作为聚合的字段；另一个是需要做全文检索。在ES中全文检索的字段是不能用来做聚合的，因此使用嵌套字段的方式，新增一个url.keyword字段，这个字段设置成keyword类型，不采用任何分词（这是5.0的新特性，如果使用以前版本，可以直接设置string对应的index属性即可）；然后本身的url字段则采用默认的标准分词器进行分词。

这样，以后在搜索的时候可以直接以query string的方式检索url，聚合的时候则可以直接使用url.keyword

查看分词结果

如果字段为https://www.elastic.co/guide/en/elasticsearch/reference/5.2,使用standard标准分词器，输入elastic却收不到任何结果，是不是有点怀疑人生。

我们做个小例子，首先创建一个空的索引：

PUT test1/test1/1
{
  "text":"https://www.elastic.co/guide/en/elasticsearch/reference/5.2"
}

然后查询这个字段被分解成了什么鬼？

GET /test1/test1/1/_termvectors?fields=text

得到的内容如下：

{
  "_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，没有elastic这个词，自然是搜不出来的。如果你不理解这句话，回头看看倒排索引的原理吧！或者看看我的这篇文章:分词器的作用

那么你可能很郁闷，我就是要搜elastic怎么办！没关系，换个分词器就行了~比如elasticsearch为我们提供的simple分词器，就可以简单的按照符号进行切分:

POST _analyze
{
  "analyzer": "simple",
  "text": "https://www.elastic.co/guide/en/elasticsearch/reference/5.2"
}

得到的结果为：

{
  "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
    }
  ]
}

这样你就可以搜索elastic了，但是前提是需要在Mapping里面为该字段指定使用simple分词器，方法为:

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，需要先删除索引，然后重建索引。删除索引的命令为：

DELETE url

不想删除索引，只想改变Mapping？想得美....你当ES是孙悟空会72变？不过，你可以创建一个新的索引，然后把旧索引的数据导入到新索引就行了，这也不失为一种办法。如果想这么搞，可以参考reindex api，如果版本是5.0之前，那么你倒霉了！自己搞定吧！

检索

ES里面检索是一个最基础的功能了，很多人其实这个都是一知半解。由于内容太多，我就结合Kibana讲讲其中的一小部分吧。

很多人安装完kibana之后，登陆后不知道该干啥。如果你的elasticsearch里面已经有数据了，那么此时你需要在Kiban新建对应的索引。

如果你的es的索引是name-2017-03-19,name-2017-03-20这种名字+时间后缀的，那么可以勾选1位置的选项，它会自动聚合这些索引。这样在这一个索引中就可以查询多个索引的数据了，其实他是利用了索引的模式匹配的特性。如果你的索引仅仅是一个简单的名字，那么可以不勾选1位置的选项，直接输入名字，即可。

然后进入Kibana的首页，在输入框里面就可以任意输入关键字进行查询了。

查询的词，需要是上面_termvectors分析出来的词，差一个字母都不行！！！！！

这个搜索框其实就是elasticsearch中的query string,因此所有的lucene查询语法都是支持的！

如果想要了解更多的查询语法，也可以参考我之前整理的文章，Lucene查询语法

另外，这个输入框，其实也可以输入ES的DSL查询语法，只不过写法过于蛋疼，就不推荐了。

自定义查询语法

如果不使用kibana，想在自己的程序里面访问es操作，也可以直接以rest api的方式查询。

比如查询某个索引的全部内容，默认返回10个:

GET /page/test/_search?pretty

再比如，增加一个特殊点的查询:

GET /page/test/_search?pretty
{
  "query": {
    "query_string" : {
      "default_field" : "url",
      "query" : "颜色"
    }
  },
  "size": 10,
}

聚合

在es中一个很重要的亮点，就是支持很多的聚合语法，如果没有它，我想很多人会直接使用lucene吧。在ES中的聚合，大体上可以为两类聚合方法，metric和bucket。metic可以理解成avg、sum、count、max、min，bucket可以理解为group by 。有了这两种聚合方法，就可以对ES中的数据做很多处理了。

比如在kibana中，做一个最简单的饼图：

其实它在后台发送的请求，就是这个样子的:

{
  "size": 0,
  "query": {
    "query_string": {
      "query": "颜色",
      "analyze_wildcard": true
    }
  },
  "_source": {
    "excludes": []
  },
  "aggs": {
    "2": {
      "terms": {
        "field": "url.keyword",
        "size": 5,
        "order": {
          "_count": "desc"
        }
      }
    }
  }
}

如果不适用kibana，自己定义聚合请求，那么可以这样写：

GET /page/test/_search?pretty
{
  "query": {
    "query_string" : {
      "default_field" : "url",
      "query" : "颜色"
    }
  },
  "size": 0,
    "aggs" : {
      "agg1" : {
        "terms" : {
          "field" : "url.keyword",
          "size" : 10
        },
        "aggs" : {
          "pvs" : { "sum" : { "field" : "pvs" } },
          "uvs" : { "sum" : { "field" : "uvs" } }
      }
    }
  }
}

另外，聚合也支持嵌套聚合，就是跟terms或者sum等agg并列写一个新的aggs对象就行。

高亮

如果是自己使用elasticsearch，高亮也是一个非常重要的内容，它可以帮助最后的使用者快速了解搜索的结果。

后台的原理，是利用ES提供的highlight API，针对搜索的关键字，返回对应的字段。该字段中包含了一个自定义的标签，前端可以基于这个标签高亮着色。

举个简单的例子：

GET /_search
{
    "query" : {
        "match": { "content": "kimchy" }
    },
    "highlight" : {
        "fields" : {
            "content" : {}
        }
    }
}

上面的请求会针对content字段搜索kimchy。并且返回对应的字段，比如原来的字段内容时hello kimchy，经过高亮后，会再搜索结果的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>"
          ]
        }
      }
    ]
  }
}

这样就可以直接利用highlight中的字段做前端的显示了。

另外，上面的<em>标签可以自定义,比如：

GET /_search
{
    "query" : {
        "match": { "user": "kimchy" }
    },
    "highlight" : {
        "pre_tags" : ["<tag1>"],
        "post_tags" : ["</tag1>"],
        "fields" : {
            "_all" : {}
        }
    }
}

经过上面的一步一步的探索，你应该了解ELK的数据分析的流程与技巧了吧！如果有任何问题，也可以直接留言，可以再交流！

参考

• 1 创建Mapping
• 2 查询Mapping
• 3 动态Maping
• 4 创建索引
• 5 logstash file插件
• 6 logstash grok插件
• 7 logstash elasticsearch插件
• 8 grok调试插件