分享程序员开发的那些事...
更新时间：2022-10-04 08:38:36
1、需求
当成一个小项目处理，自定义下需求。
想象一下，导入Elastic日报能在Kibana做哪些分析呢？
1）title 词频统计
2）编辑发布文章统计
3）2017，2018，2019日报量统计
4）日报按月统计
5）编辑发日报时间按区间统计
6）关键词检索，如：性能、设计、优化、实战等
7）…
的确，有了数据，能实现N多分析！
2、架构设计
架构层面要考虑的核心工作：
1、模块划分
可分为几个模块：爬虫模块、同步模块、存储检索模块、可视化模块。
2、数据流
爬虫->Mysql->logstash->ES->Kibana
3、数据ETL
日报数据算是半结构化数据，需要自定义正则解析、抽取后才能做分析用。
日期字段的时区原因，需要借助logstash filter进行日期格式转换。
4、数据存储建模
一方面：同步数据格式的定义；
另一方面：为后续可视化做数据铺垫。
3、爬虫模块
3.1 抓包分析网页
步骤1：根据需求，结合postman抓包分析日报模块的请求和返回内容。
步骤2：评估核心字段（标题、URL、编辑、发布时间等）是否好获取。
3.2 日报解析
Java + Jsoup + 正则 分页解析、并构造出字段信息。
记录了第几期日报字段，且给每一篇文章构造定义了唯一id。
写入Mysql。
坑1：日期字段设置timestamp，避免精度损失，影响后面的分析。
4、同步模块
借助logstash_input_jdbc实现Mysql到ES的同步。
坑1：为便于后续字段的自定义分析，务必不要使用动态映射，全部字段提前自定义。下一节详细论述。
坑2：同步ES后默认时区为ETC，发布时间会比实际落后8小时。需要filter阶段处理。
核心处理如下：
filter {
date {
match => ["publish_time", "yyyy-MM-dd HH:mm:ss"]
target => "publish_time"
timezone => "Asia/Shanghai"
}
ruby {
code => "event.set('timestamp', event.get('publish_time').time.localtime + 8*60*60)"
}
ruby {
code => "event.set('publish_time',event.get('timestamp'))"
}
mutate {
remove_field => ["timestamp"]
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
5、存储分析模块
最核心就是Mapping的定义。如前分析，要自定义Mapping各字段，不要使用默认动态的Mapping。
原因1、string类型全部解析为：text和keyword，实际我们不一定需要，会浪费存储空间。
原因2：采用默认分词器analyzer，实际我们需要自定义分词：采用中文ik分词，使用ik_max_word或者ik_smart进行自定义分词。
为便于后续扩展和维护，使用template、alias实现。
坑1：第一次导入分词结果不理想，可能会有大量的停用词。比如：1、2、3、的、你、日、中、在、与、来、一、二、三、到等。
处理方案：在stopword.dic添加如上关键词，重启ES，重建索引并再次导入数据。
坑2：text类型的字段聚合。
处理方案：定义索引Mapping的时候，指定"fielddata": "true",
推荐阅读：
Elasticsearch词频统计实现与原理解读
5、可视化模块
关于title 词频统计，对应上图的左上角：词云和如下的细化词频统计。
日报在：搜索、分析、实践、性能、监控方面都有大量的中英文优秀精选文章。
其他3张图，对应需求2）编辑发布文章统计、3）2017，2018，2019日报量统计、4）日报按月统计趋势图。
针对需求5）编辑发日报时间按区间统计，实践一把：
POST es_daily_info/_search
{
"size": 0,
"aggs" : {
"time_range" : {
"range" : {
"script" : {
"source": "doc['publish_time'].date.getHourOfDay()",
"lang": "painless"
},
"ranges" : [
{ "from":0, "to" : 6 },
{ "from" : 6, "to" : 20 },
{ "from" : 20, "to": 24}
]
}
}
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
返回结果如下：
[
{
"key" : "0.0-6.0",
"from" : 0.0,
"to" : 6.0,
"doc_count" : 21
},
{
"key" : "6.0-20.0",
"from" : 6.0,
"to" : 20.0,
"doc_count" : 1524
},
{
"key" : "20.0-24.0",
"from" : 20.0,
"to" : 24.0,
"doc_count" : 108
}
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
可以看出: 有21篇文章是凌晨以后发的，有108篇是晚上8点到晚24点发布的。（辛苦各位日报编辑了！）
针对需求6）：
一个检索语句搞定：Elasticsearch+性能优化干货文章，比Google搜出来的靠谱。
因为：这些文章都是编辑们人工筛选的，可谓是优中选优。
POST es_daily_info/_search
{
"_source": {
"includes": ["title","url"]
},
"query": {
"match_phrase": {
"title": "性能优化"
}
}
}
1
2
3
4
5
6
7
8
9
10
11
7、小结
数据获取是整个小项目的最核心一环，有了数据，展开多维度的分析不再是难事。
当前互联网环境下，Elasticsearch学习资料网上一搜会是一箩筐，但搜索引擎毕竟是根据相关度推荐，到实际业务可用还有差距。
Elastic日报不同点核心在于人工精选，优中选优。如果你还在为学习资源发愁，不妨过一遍。
本文的实现，就是对日报资源抽丝破茧、条分缕析的对每条数据建立倒排索引，可极大提高Elastic学习和实战的效率。
8、禅定时刻
其实，Elastic中文社区完全可以上线日报搜索功能，方便大家O(1)复杂度获取想要的日报文章。