Kann jemand Ratschläge geben, wie die Funktion elasticsearch.helpers.streaming_bulk anstelle von elasticsearch.helpers.bulk zum Indizieren von Daten in elasticsearch verwendet werden kann.

Wenn ich einfach streaming_bulk anstelle von bulk ändere, wird nichts indiziert. Ich denke, es muss in einer anderen Form verwendet werden.

Code unten erstellt Index-, Typ- und Indexdaten aus der CSV-Datei in Teilen von 500 Elementen in elasticsearch. Es funktioniert einwandfrei, aber ich wandere, ist es möglich, die Leistung zu steigern. Deshalb möchte ich die streaming_bulk-Funktion ausprobieren.

Derzeit benötige ich 10 Minuten, um 1 Million Zeilen für ein CSV-Dokument mit 200 MB zu indizieren. Ich benutze zwei Maschinen, Centos 6.6 mit 8 CPUs, x86_64, CPU-MHz: 2499.902, Mem: 15.574G insgesamt. Ich bin mir nicht sicher, ob es schneller gehen kann.

es = elasticsearch.Elasticsearch([{'host': 'uxmachine-test', 'port': 9200}])
index_name = 'new_index'
type_name = 'new_type'
mapping = json.loads(open(config["index_mapping"]).read()) #read mapping from json file

es.indices.create(index_name)
es.indices.put_mapping(index=index_name, doc_type=type_name, body=mapping)

with open(file_to_index, 'rb') as csvfile:
    reader = csv.reader(csvfile)        #read documents for indexing from CSV file, more than million rows
    content = {"_index": index_name, "_type": type_name}
    batch_chunks = []
    iterator = 0

    for row in reader:
        var = transform_row_for_indexing(row,fields, index_name, type_name,id_name,id_increment)
        id_increment = id_increment + 1
        #var = transform_row_for_indexing(row,fields, index_name, type_name)
        batch_chunks.append(var)
        if iterator % 500 == 0:
            helpers.bulk(es,batch_chunks)
            del batch_chunks[:]
            print "ispucalo batch"
        iterator = iterator + 1
    # indexing of last batch_chunk
    if len(batch_chunks) != 0:
        helpers.bulk(es,batch_chunks)