考虑要提取字段的大量日志数据。为数据建立索引非常耗时，并且会占用大量磁盘空间，而你只想探索数据结构而无需预先提交 schema。

你知道你的日志数据包含你要提取的特定字段。在这种情况下，我们要关注 @timestamp 和消息字段。通过使用运行时字段（runtime fields），你可以定义脚本来计算这些字段在搜索时的值。

定义索引字段作为起点

你可以从一个简单的示例开始，将 @timestamp 和 message 字段作为索引字段添加到 my-index-000001 映射中。为了保持灵活性，使用 wildcard 作为消息的字段类型：

PUT /my-index-000001/
{"mappings": {"properties": {"@timestamp": {"format": "strict_date_optional_time||epoch_second","type": "date"},"message": {"type": "wildcard"}}}
}

在上面，我们有意使用 wildcard 字段来定义 message。这样它非常节省存储空间，并且会提高写入文档的速度。

摄取一些数据

映射完要检索的字段后，将日志数据中的几条记录索引到 Elasticsearch 中。以下请求使用 _bulk API 将原始日志数据索引到 my-index-000001。你可以使用一个小样本来试验运行时字段，而不是索引所有日志数据。

最终文档不是有效的 Apache 日志格式，但我们可以在脚本中考虑到这种情况。

POST /my-index-000001/_bulk?refresh
{"index":{}}
{"timestamp":"2020-04-30T14:30:17-05:00","message":"40.135.0.0 - - [30/Apr/2020:14:30:17 -0500] \"GET /images/hm_bg.jpg HTTP/1.0\" 200 24736"}
{"index":{}}
{"timestamp":"2020-04-30T14:30:53-05:00","message":"232.0.0.0 - - [30/Apr/2020:14:30:53 -0500] \"GET /images/hm_bg.jpg HTTP/1.0\" 200 24736"}
{"index":{}}
{"timestamp":"2020-04-30T14:31:12-05:00","message":"26.1.0.0 - - [30/Apr/2020:14:31:12 -0500] \"GET /images/hm_bg.jpg HTTP/1.0\" 200 24736"}
{"index":{}}
{"timestamp":"2020-04-30T14:31:19-05:00","message":"247.37.0.0 - - [30/Apr/2020:14:31:19 -0500] \"GET /french/splash_inet.html HTTP/1.0\" 200 3781"}
{"index":{}}
{"timestamp":"2020-04-30T14:31:22-05:00","message":"247.37.0.0 - - [30/Apr/2020:14:31:22 -0500] \"GET /images/hm_nbg.jpg HTTP/1.0\" 304 0"}
{"index":{}}
{"timestamp":"2020-04-30T14:31:27-05:00","message":"252.0.0.0 - - [30/Apr/2020:14:31:27 -0500] \"GET /images/hm_bg.jpg HTTP/1.0\" 200 24736"}
{"index":{}}
{"timestamp":"2020-04-30T14:31:28-05:00","message":"not a valid apache log"}

此时，你可以查看 Elasticsearch 如何存储你的原始数据。

GET my-index-000001

该映射包含两个字段：@timestamp 和 message。

{"my-index-000001": {"aliases": {},"mappings": {"properties": {"@timestamp": {"type": "date","format": "strict_date_optional_time||epoch_second"},"message": {"type": "wildcard"},"timestamp": {"type": "date"}}},"settings": {"index": {"routing": {"allocation": {"include": {"_tier_preference": "data_content"}}},"number_of_shards": "1","provided_name": "my-index-000001","creation_date": "1672032735783","number_of_replicas": "1","uuid": "X1cBJOl3TFKd6v0oeTRlng","version": {"created": "8050399"}}}}
}

使用 grok 模式定义运行时字段

如果要检索包含 clientip 的结果，可以将该字段添加为映射中的运行时字段。以下运行时脚本定义了一个 grok 模式，该模式从文档中的单个文本字段中提取结构化字段。 grok 模式就像支持可以重用的别名表达式的正则表达式。

该脚本匹配 %{COMMONAPACHELOG} 日志模式，该模式了解 Apache 日志的结构。如果模式匹配 (clientip != null)，脚本将发出匹配 IP 地址的值。如果模式不匹配，脚本只会返回字段值而不会崩溃。

PUT my-index-000001/_mappings
{"runtime": {"http.client_ip": {"type": "ip","script": """String clientip=grok('%{COMMONAPACHELOG}').extract(doc["message"].value)?.clientip;if (clientip != null) emit(clientip); """}}
}

我们可以为已经存在的索引动态地添加一个新的字段。特别值得指出的是上面的 ?. 操作符。我们可以参阅链接来进一步阅读。它的意思是对一个 null 对象使用 ?. 操作符会返回 null，而不会使得脚本崩溃。上面的 if 检查，此条件可确保脚本不会崩溃，即使 message 的模式不匹配也是如此。

这样，我们可以针对索引进行搜索，比如：

GET my-index-000001/_search?filter_path=**.hits
{"query": {"match": {"http.client_ip": "40.135.0.0"}}
}

上面的 runtime 字段 http.client_ip 在查询时动态生成，并使得我们可以对它进行搜索：

{"hits": {"hits": [{"_index": "my-index-000001","_id": "Zn7rTIUBIjh__4nuBm2T","_score": 1,"_source": {"timestamp": "2020-04-30T14:30:17-05:00","message": """40.135.0.0 - - [30/Apr/2020:14:30:17 -0500] "GET /images/hm_bg.jpg HTTP/1.0" 200 24736"""}}]}
}

在上面，我们在 mapping 中定义 runtime fields。在实际的使用中，我们也可以在搜索的时候定义。你可以在搜索请求的上下文中定义相同的运行时字段。运行时定义和脚本与之前在索引映射中定义的完全相同。只需将该定义复制到 runtime_mappings 部分下的搜索请求中，并包含与运行时字段匹配的查询。此查询返回的结果与你在索引映射中为 http.clientip 运行时字段定义搜索查询时返回的结果相同，但仅在此特定搜索的上下文中：

GET my-index-000001/_search?filter_path=**.hits
{"runtime_mappings": {"http.clientip": {"type": "ip","script": """String clientip=grok('%{COMMONAPACHELOG}').extract(doc["message"].value)?.clientip;if (clientip != null) emit(clientip);"""}},"query": {"match": {"http.clientip": "40.135.0.0"}},"fields" : ["http.clientip"]
}

上面的搜索返回结果：

{"hits": {"hits": [{"_index": "my-index-000001","_id": "Zn7rTIUBIjh__4nuBm2T","_score": 1,"_source": {"timestamp": "2020-04-30T14:30:17-05:00","message": """40.135.0.0 - - [30/Apr/2020:14:30:17 -0500] "GET /images/hm_bg.jpg HTTP/1.0" 200 24736"""},"fields": {"http.clientip": ["40.135.0.0"]}}]}
}

定义复合运行时字段

你还可以定义复合（composite）运行时字段以从单个脚本发出多个字段。你可以定义一组类型化的子字段并发出值映射。在搜索时，每个子字段在地图中检索与其名称关联的值。这意味着你只需指定一次 grok 模式并可以返回多个值：

PUT my-index-000001/_mappings
{"runtime": {"http": {"type": "composite","script": "emit(grok(\"%{COMMONAPACHELOG}\").extract(doc[\"message\"].value))","fields": {"clientip": {"type": "ip"},"verb": {"type": "keyword"},"response": {"type": "long"}}}}
}

搜索一个特定的 IP 地址

使用 http.clientip 运行时字段，你可以定义一个简单的查询来运行对特定 IP 地址的搜索并返回所有相关字段。

GET my-index-000001/_search?filter_path=**.hits
{"query": {"match": {"http.clientip": "40.135.0.0"}},"fields" : ["*"]
}

上面的 API 返回以下结果。因为 http 是复合运行时字段，所以响应包括字段下的每个子字段，包括任何与查询匹配的关联值。无需提前构建数据结构，你就可以以有意义的方式搜索和探索数据，以试验并确定要索引的字段。

{"hits": {"hits": [{"_index": "my-index-000001","_id": "Zn7rTIUBIjh__4nuBm2T","_score": 1,"_source": {"timestamp": "2020-04-30T14:30:17-05:00","message": """40.135.0.0 - - [30/Apr/2020:14:30:17 -0500] "GET /images/hm_bg.jpg HTTP/1.0" 200 24736"""},"fields": {"http.verb": ["GET"],"http.clientip": ["40.135.0.0"],"http.response": [200],"message": ["""40.135.0.0 - - [30/Apr/2020:14:30:17 -0500] "GET /images/hm_bg.jpg HTTP/1.0" 200 24736"""],"http.client_ip": ["40.135.0.0"],"timestamp": ["2020-04-30T19:30:17.000Z"]}}]}
}

另外，还记得脚本中的 if 语句吗？

if (clientip != null) emit(clientip);

如果脚本不包含此条件，则查询将在任何与模式不匹配的分片上失败。通过包含此条件，查询会跳过与 grok 模式不匹配的数据。

搜索特定范围内的文档

你还可以运行对时间戳字段进行操作的范围查询。以下查询返回时间戳大于或等于 2020-04-30T14:31:27-05:00 的任何文档：

GET my-index-000001/_search?filter_path=**.hits
{"query": {"range": {"timestamp": {"gte": "2020-04-30T14:31:27-05:00"}}}
}

响应包括日志格式不匹配但时间戳在定义范围内的文档。

使用 dissect 模式定义运行时字段

如果你不需要正则表达式的强大功能，你可以使用解剖模式而不是 grok 模式。解剖模式匹配固定的分隔符，但通常比 grok 更快。

你可以使用 dissect 来获得与使用 grok 模式解析 Apache 日志相同的结果。你不匹配日志模式，而是包括要丢弃的字符串部分。特别注意要丢弃的字符串部分将有助于构建成功的解析模式。

PUT my-index-000001/_mappings
{"runtime": {"http.client.ip": {"type": "ip","script": """String clientip=dissect('%{clientip} %{ident} %{auth} [%{@timestamp}] "%{verb} %{request} HTTP/%{httpversion}" %{status} %{size}').extract(doc["message"].value)?.clientip;if (clientip != null) emit(clientip);"""}}
}

同样，你可以定义一个解析模式来提取 HTTP 响应代码：

PUT my-index-000001/_mappings
{"runtime": {"http.responses": {"type": "long","script": """String response=dissect('%{clientip} %{ident} %{auth} [%{@timestamp}] "%{verb} %{request} HTTP/%{httpversion}" %{response} %{size}').extract(doc["message"].value)?.response;if (response != null) emit(Integer.parseInt(response));"""}}
}

然后，你可以运行查询以使用 http.responses 运行时字段检索特定的 HTTP 响应。使用 _search 请求的 fields 参数来指示你要检索的字段：

GET my-index-000001/_search?filter_path=**.hits
{"query": {"match": {"http.responses": "304"}},"fields" : ["http.client_ip","timestamp","http.verb"]
}

响应包括单个文档，其中 HTTP 响应为 304：

{"hits": {"hits": [{"_index": "my-index-000001","_id": "an7rTIUBIjh__4nuBm2T","_score": 1,"_source": {"timestamp": "2020-04-30T14:31:22-05:00","message": """247.37.0.0 - - [30/Apr/2020:14:31:22 -0500] "GET /images/hm_nbg.jpg HTTP/1.0" 304 0"""},"fields": {"http.verb": ["GET"],"http.client_ip": ["247.37.0.0"],"timestamp": ["2020-04-30T19:31:22.000Z"]}}]}
}

Elasticsearch：使用 runtime fields 探索你的数据相关推荐

Elasticsearch：Runtime fields 及其应用（二）
这是继上一篇文章 "Elasticsearch:Runtime fields 及其应用(一)" 的续篇. 索引运行时字段运行时字段由它们运行的上下文定义. 例如,你可以在搜索查询 ...
Elasticsearch：Runtime fields 及其应用（一）
在之前的很多文章中,我详述了如何使用 runtime fields.在今天的文章中,我想更多地介绍 runtime fields 及其一些用例. 我们知道, 从历史上看,Elasticsearch 依 ...
【Elasticsearch】Elasticsearch：Runtime fields 入门， Elastic 的 schema on read 实现 - 7.11 发布
1.概述转载:Elasticsearch:Runtime fields 入门, Elastic 的 schema on read 实现 - 7.11 发布
elasticsearch中best fields策略dis_max和tie_breaker详解
参考:elasticsearch中best fields策略dis_max和tie_breaker详解概念常规multi-field搜索结果分析 dis_max参数设置一.为帖子数据增加cont ...
《机器学习与R语言（原书第2版）》一2.3　探索和理解数据
本节书摘来自华章出版社<机器学习与R语言(原书第2版)>一书中的第2章,第2.3节,美] 布雷特·兰茨(Brett Lantz) 著,李洪成许金炜李舰译更多章节内容可以访问云栖社区& ...
Elasticsearch安装及自动同步mysql数据库数据
2019独角兽企业重金招聘Python工程师标准>>> Elasticsearch安装及自动同步mysql数据库数据 1 环境: CentOS 6.4 x64 ...
【elasticsearch】ES数据库重建索引 -- Reindex(数据迁移)
1.应用背景: 1.当你的数据量过大,而你的索引最初创建的分片数量不足,导致数据入库较慢的情况,此时需要扩大分片的数量,此时可以尝试使用Reindex. 2.当数据的mapping需要修改,但是大量的 ...
探索 Apple 公司股价数据-Python实现
探索 Apple 公司股价数据环境和数据题目代码详解这个例子比较适合数据挖掘入门一段时间.都还是比较基础的一些函数的应用. 环境和数据这里使用的是pycharm2020.1.1 x64的 ...
汽车大数据探索从汽车数据营销发起
文章讲的是汽车大数据探索从汽车数据营销发起, 汽车正式诞生于19世纪工业革命后,之后每一次人类的科技进步都使汽车的发展迈进一个新的台阶.直到20世纪末,由于汽车与人们的生产生活联系得越发紧密,人们对 ...

Elasticsearch：使用 runtime fields 探索你的数据