ES写入性能优化

摘要：大多数字段都是统计数据，无法区分哪些发生了变化，所以不能增量更新。于是做了一些写入优化。之前写业务代码数据量一般不是很大，采用的是一次性把数据读取到内存中。用查看刷数据机器的性能可以看到开启的个线程占用内存。

背景: 有1亿多的用户画像中数仓需要导入ES。大多数字段都是sql统计数据，无法区分哪些发生了变化，所以不能增量更新。只能每天全量刷数据。在刷数据的过程中出现了更新缓慢、内存问题。于是做了一些写入优化。

*

首先要从数仓读取出数据到内存。然后再组装对象去ES刷数据字段比较多而且都需要查询。尝试了一下，即使limit 10，也需要耗时2分钟。所以第一步导数据不能直接查询。采用的是数仓到分布式文件系统分片存储。这一步已经有现成工具。1亿数据导入到分片耗时3分钟左右

将分片的数据读到java内存中。再构造请求参数刷ES

`问题：1.刷数据ES报413错误。ES建议每次bulk5~15M数据，这里我每次批量提交5000条，bulk的时候发生的413 requets too large错误，google了一下，说是索引的时候段合并内存不够。于是调整indices.breaker.fielddata.limit为60%，增大堆内存，结果没什么用；也有说要调整 client_max_body_size 的，但是我们的es是云服务，没法改配置参数最终加大es的内存为16G,不再报这个错误。

2.之前写业务代码数据量一般不是很大，采用的是一次性把数据读取到内存中。再做业务处理。但是这次在数据塞到一半的数据，先是系统响应变慢了，后来测试环境的系统挂了。通过过命令排查，发现List对象占用了很多空间。于是复查代码。发现是for循环一直往list填对象导致的内存泄露。于是限制了单个文件大小为20M,一个文件一个文件地处理。
`

刚开始刷数据预计需要20个小时。今天的数据如果明天才更新完，意义不大。于是想办法提高索引效率。网上都说"refresh_interval": "-1"；调整number_of_replicas=0。我调整了结果没什么变化。于是采用多线程刷数据

问题：1.一开始使用size为20的无界队列，导致耗尽资源，任务线程占用的内存占用了80+%的内存，其他任务可能被拖垮。后来线程的核心线程数和最大线程数统一设置为10。并采用future模式，一个任务完成后再去添加其他任务。解决了线程耗尽资源和内存的问题。

可以看到开启的10个线程占用42%内存。主线程cpu偶尔接近100%，这不是io密集型吗？怎么会耗cpu。cpu变高可能是复杂的技术或者死循环。这里循环每次读取量有50000条，并且组装对象的逻辑。而且有10个线程，猜想可能是这个原因。

ES的索引速率

最后原来需要20小时才能完成的刷数据任务，只耗时约100分钟。当然中间遇到的坑不止这些