Elasticsearch bulk api

bulk api json格式

bulk api 的 json 格式如下：

{"action": {"meta"}}\n
  {"data"}\n
  {"action": {"meta"}}\n
  {"data"}\n

而不是

[{
    "action": {
    },
    "data": {
    }
  }]

原因

bulk 中的每个操作都可能要转发到不同的 node 的 shard 去执行。

如果采用比较良好的json数组格式允许任意的换行，整个可读性非常棒，读起来很爽，Elasticsearch 拿到那种标准格式的 json 串以后，要按照下述流程去进行处理：

将 json 数组解析为 JSONArray 对象，这个时候，整个数据，就会在内存中出现一份一模一样的拷贝，一份数据是 json 文本，一份数据是 JSONArray 对象。
解析 json 数组里的每个 json，对每个请求中的 document 进行路由。
为路由到同一个 shard 上的多个请求，创建一个请求数组。
将这个请求数组序列化。
将序列化后的请求数组发送到对应的节点上去。

耗费更多内存，更多的 jvm gc 开销。

我们之前提到过 bulk size 最佳大小的那个问题，一般建议说在几千条那样，然后大小在 10MB 左右，所以说，可怕的事情来了。假设说现在 100 个 bulk 请求发送到了一个节点上去，然后每个请求是 10MB，100 个请求，就是1000MB = 1GB，然后每个请求的 json 都 copy 一份为 jsonarray 对象，此时内存中的占用就会翻倍，就会占用2GB 的内存，甚至还不止。因为弄成 jsonarray 之后，还可能会多搞一些其他的数据结构，2GB+ 的内存占用。

占用更多的内存可能就会积压其他请求的内存使用量，比如说最重要的搜索请求，分析请求，等等，此时就可能会导致其他请求的性能急速下降

另外的话，占用内存更多，就会导致 java 虚拟机 的垃圾回收次数更多，跟频繁，每次要回收的垃圾对象更多，耗费的时间更多，导致es的java虚拟机停止工作线程的时间更多。

现在的奇特格式

{"action": {"meta"}}\n
    {"data"}\n
    {"action": {"meta"}}\n
    {"data"}\n

不用将其转换为 json 对象，不会出现内存中的相同数据的拷贝，直接按照换行符切割 json。对每两个一组的 json，读取 meta，进行 document 路由。

直接将对应的 json 发送到 node 上去，最大的优势在于，不需要将 json 数组解析为一个 JSONArray 对象，形成一份大数据的拷贝，浪费内存空间，尽可能地保证性能。