阿里云大佬叮嘱我务必要科普这个 Elasticsearch API

上截图是阿里云魏子珺大佬（阿里巴巴集团技术专家）周一叮嘱我的。

魏子珺大佬的早期分享参考：

2021 年 Elasticsearch 生态和技术峰会干货总结

1、啥 API 这么重要，阿里大佬要亲自叮嘱？

There’s a new API that supports analyzing the disk usage of each field of an index, including the entire index itself. The API estimates the disk usage of a field by iterating over its content and tracking the number of bytes read

https://www.elastic.co/guide/en/elasticsearch/reference/7.15/release-highlights.html#_index_disk_usage_api

POST kibana_sample_data_ecommerce/_disk_usage?run_expensive_tasks=true

用途：

第一：支持统计索引自身的磁盘使用。
第二：支持统计每个字段级别的磁盘使用。

2、_disk_usage API 适用场景是啥？

此 API 不支持在以前的 Elasticsearch 版本中创建的索引。

适用于大索引。

PS：小索引的结果可能不准确，因为 API 可能无法分析索引的某些细节部分。

本质用途：

技术人员可直观看到索引各个字段占据存储空间的大小。
评估数据建模的合理性。
定量指导Mapping 优化。

3、_disk_usage API对应版本？

7.15+ 之后的版本才可以用哦。

4、_disk_usage API 如何用？

POST kibana_sample_data_ecommerce/_disk_usage?run_expensive_tasks=true

注意一个细节：run_expensive_tasks 意味着这个 API 非常耗费资源，所以大家别频繁验证线上环境。

召回结果如下：

执行结果部分截图

每个字段的磁盘使用率清晰、明白的列举出来了。

7.17 版本 Elasticsearch 集群验证一把：

POST _reindex
{"source": {"index": "kibana_sample_data_logs","_source": ["host","index","ip","tags","response"]},"dest": {"index": "kibana_sample_data_logs_ext"}
}POST kibana_sample_data_logs_ext/_disk_usage?run_expensive_tasks=true

官方并没有统计，我把结果数据梳理统计了一下，如下两张图所示：

说明了啥？

所有字段的存储实际是：倒排索引所占据存储空间大小 + doc_values 正排索引存储空间大小 + store_fields 存储空间大小等的总和。

再深问一句，这个和咱们最早设定的 Mapping 就有关系了，和数据建模就有关系了。

看一下 Mapping：

{"kibana_sample_data_logs_ext" : {"mappings" : {"properties" : {"host" : {"type" : "text","fields" : {"keyword" : {"type" : "keyword","ignore_above" : 256}}},"index" : {"type" : "text","fields" : {"keyword" : {"type" : "keyword","ignore_above" : 256}}},"ip" : {"type" : "text","fields" : {"keyword" : {"type" : "keyword","ignore_above" : 256}}},"response" : {"type" : "long"},"tags" : {"type" : "text","fields" : {"keyword" : {"type" : "keyword","ignore_above" : 256}}}}}}
}

再进一步看看各个字段所占据的存储空间大小：

能有什么结论？

_source 是占据存储空间的。
默认的 Mapping 在 dynamic 默认为 true 的前提下字符串类型会包含两种类型：text 和 keyword，两个是分别占据不同的存储空间的。
数据建模建议：如果只需要全文检索，字符串类型设置 text 就足够了。
数据建模建议：如果不需要全文检索只需要排序和聚合，字符串类型设置 keyword 就足够了。
_version 是占据存储空间的，咱们的 update_by_query 和 delete_by_query 本质都是逻辑删除，势必会增加 _version 的空间。
如果未来再有字段选型搞不定存储空间的时候——用这个 API 一下就搞定了。
。。。。。

还能进一步推出很多有意思的结论。

5、_disk_usage API "牛逼"在什么地方？

之前我们对于磁盘占据空间是一个泛泛的整体概念，现在有了这个 API 我们可以做的很细了。

具体到哪个字段占据了多少磁盘知道了以后，极大便利的指导我们的数据建模。

相当于数据建模有了可量化的、可视化的参考依据。

之前两个同事可能为某个字段的某些属性的设置会争吵，甚至吵得不可开交。

现在不需要了，“走两步”，对比一下磁盘容量，直接就能给出孰优孰劣的结论。

图片来自：优酷

6、小结

个人更期望的功能就是字段存储空间的可视化功能，各个字段占据一目了然呈现出来，类似：search_profile 的功能。估计未来版本会出现。

欢迎大家留言说一下自己的思考。

您或者您的团队发现类似好用但相对小众的“新功能”，也欢迎第一时间联系我。我会尽自己的一点微薄之力，让更多 Elastic 爱好者知道。

感谢魏子珺大佬！