主题信息（必填）
主题描述（最多限制在50个字符）
申请人信息（必填）
申请信息已提交审核，请注意查收邮件，我们会尽快给您反馈。
如有疑问，请联系
CSDN &《程序员》研发主编，投稿&纠错等事宜请致邮
你只管努力，剩下的交给时光！
如今的编程是一场程序员和上帝的竞赛，程序员要开发出更大更好、傻瓜都会用到软件。而上帝在努力创造出更大更傻的傻瓜。目前为止，上帝是赢的。个人网站：www.xttblog.com。个人QQ群：、
个人大数据技术博客：http://www.iteblog.com
声明：本文为CSDN原创投稿文章，未经许可，禁止任何形式的转载。
作者：何轼
责编：钱曙光，关注架构和算法领域，寻求报道或者投稿请发邮件，另有「CSDN 高级架构师群」，内有诸多知名互联网公司的大牛架构师，欢迎架构师加微信qshuguang2008申请入群，备注姓名+公司+职位。
【前言】美团外卖从2013年9月成交第一单以来，已走过了三个年头。期间，业务飞速发展，美团外卖由日均几单发展为日均500万单（9月11日已突破600万）的大型O2O互联网外卖服务平台。平台支持的品类也由最初外卖单品拓展为全品类。随着订单量的增长、业务复杂度的提升，外卖订单系统也在不断演变进化，从早期一个订单业务模块到现在分布式可扩展的高性能、高可用、高稳定订单系统。整个发展过程中，订单系统经历了几个明显的阶段，下面本篇文章将为大家介绍一下订单系统的演进过程，重点关注各阶段的业务特征、挑战及应对之道。为方便大家更好地了解整个演进过程，我们首先看一下外卖业务。外卖订单业务外卖订单业务是一个需要即时送的业务，对实时性要求很高。从用户订餐到最终送达用户，一般在1小时内。如果最终送达用户时间变长，会带来槽糕的用户体验。在1小时内，订单会快速经过多个阶段，直到最终送达用户。各个阶段需要紧密配合，确保订单顺利完成。下图是一个用户视角的订单流程图：从普通用户的角度来看，一个外卖订单从下单后，会经历支付、商家接单、配送、用户收货、售后及订单完成多个阶段。以技术的视角来分解的话，每个阶段依赖于多个子服务来共同完成，比如下单会依赖于购物车、订单预览、确认订单服务，这些子服务又会依赖于底层基础系统来完成其功能。外卖业务另一个重要特征是一天内订单量会规律变化，订单会集中在中午、晚上两个“饭点”附近，而其它时间的订单量较少。这样，饭点附近系统压力会相对较大。下图是一天内的外卖订单量分布图：总结而言，外卖业务具有如下特征：
流程较长且实时性要求高；
订单量高且集中。
下面将按时间脉络为大家讲解订单系统经历的各个阶段、各阶段业务特征、挑战以及应对之道。订单系统雏型外卖业务发展早期，第一目标是要能够快速验证业务的可行性。技术上，我们需要保证架构足够灵活、快速迭代从而满足业务快速试错的需求。在这个阶段，我们将订单相关功能组织成模块，与其它模块（门店模块等）一起形成公用jar包，然后各个系统通过引入jar包来使用订单功能。早期系统的整体架构图如下所示：早期，外卖整体架构简单、灵活，公共业务逻辑通过jar包实现后集成到各端应用，应用开发部署相对简单。比较适合业务早期逻辑简单、业务量较小、需要快速迭代的情况。但是，随着业务逻辑的复杂、业务量的增长，单应用架构的弊端逐步暴露出来。系统复杂后，大家共用一个大项目进行开发部署，协调的成本变高；业务之间相互影响的问题也逐渐增多。早期业务处于不断试错、快速变化、快速迭代阶段，通过上述架构，我们能紧跟业务，快速满足业务需求。随着业务的发展以及业务的逐步成熟，我们对系统进行逐步升级，从而更好地支持业务。独立的订单系统2014年4月，外卖订单量达到了10万单/日，而且订单量还在持续增长。这时候，业务大框架基本成型，业务在大框架基础上快速迭代。大家共用一个大项目进行开发部署，相互影响，协调成本变高；多个业务部署于同一VM，相互影响的情况也在增多。为解决开发、部署、运行时相互影响的问题。我们将订单系统进行独立拆分，从而独立开发、部署、运行，避免受其它业务影响。系统拆分主要有如下几个原则：
相关业务拆分独立系统；
优先级一致的业务拆分独立系统；
拆分系统包括业务服务和数据。
基于以上原则，我们将订单系统进行独立拆分，所有订单服务通过RPC接口提供给外部使用。订单系统内部，我们将功能按优先级拆分为不同子系统，避免相互影响。订单系统通过MQ（队列）消息，通知外部订单状态变更。独立拆分后的订单系统架构如下所示：其中，最底层是数据存储层，订单相关数据独立存储。订单服务层，我们按照优先级将订单服务划分为三个系统，分别为交易系统、查询系统、异步处理系统。独立拆分后，可以避免业务间的相互影响。快速支持业务迭代需求的同时，保障系统稳定性。高性能、高可用、高稳定的订单系统订单系统经过上述独立拆分后，有效地避免了业务间的相互干扰，保障迭代速度的同时，保证了系统稳定性。这时，我们的订单量突破百万，而且还在持续增长。之前的一些小问题，在订单量增加后，被放大，进而影响用户体验。比如，用户支付成功后，极端情况下（比如网络、数据库问题）会导致支付成功消息处理失败，用户支付成功后依然显示未支付。订单量变大后，问题订单相应增多。我们需要提高系统的可靠性，保证订单功能稳定可用。另外，随着订单量的增长、订单业务的复杂，对订单系统的性能、稳定性、可用性等提出了更高的要求。为了提供更加稳定、可靠的订单服务，我们对拆分后的订单系统进行进一步升级。下面将分别介绍升级涉及的主要内容。性能优化系统独立拆分后，可以方便地对订单系统进行优化升级。我们对独立拆分后的订单系统进行了很多的性能优化工作，提升服务整体性能，优化工作主要涉及如下几个方面。异步化服务所需要处理的工作越少，其性能自然越高。可以通过将部分操作异步化来减少需要同步进行的操作，进而提升服务的性能。异步化有两种方案。
线程或线程池：将异步操作放在单独线程中处理，避免阻塞服务线程；
消息异步：异步操作通过接收消息完成。
异步化带来一个隐患，如何保障异步操作的执行。这个场景主要发生在应用重启时，对于通过线程或线程池进行的异步化，JVM重启时，后台执行的异步操作可能尚未完成。这时，需要通过JVM优雅关闭来保证异步操作进行完成后，JVM再关闭。通过消息来进行的，消息本身已提供持久化，不受应用重启影响。具体到订单系统，我们通过将部分不必同步进行的操作异步化，来提升对外服务接口的性能。不需要立即生效的操作即可以异步进行，比如发放红包、PUSH推送、统计等。以订单配送PUSH推送为例，将PUSH推送异步化后的处理流程变更如下所示：PUSH异步化后，线程#1在更新订单状态、发送消息后立即返回，而不用同步等待PUSH推送完成。而PUSH推送异步在线程#2中完成。并行化操作并行化也是提升性能的一大利器，并行化将原本串行的工作并行执行，降低整体处理时间。我们对所有订单服务进行分析，将其中非相互依赖的操作并行化，从而提升整体的响应时间。以用户下单为例，第一步是从各个依赖服务获取信息，包括门店、菜品、用户信息等。获取这些信息并不需要相互依赖，故可以将其并行化，并行后的处理流程变更如下所示：通过将获取信息并行化，可有效缩短下单时间，提升下单接口性能。缓存通过将统计信息进行提前计算后缓存，避免获取数据时进行实时计算，从而提升获取统计数据的服务性能。比如对于首单、用户已减免配送费等，通过提前计算后缓存，可以简化实时获取数据逻辑，节约时间。以用户已减免配送费为例，如果需要实时计算，则需要取到用户所有订单后，再进行计算，这样实时计算成本较高。我们通过提前计算，缓存用户已减免配送费。需要取用户已减免配送费时，从缓存中取即可，不必实时计算。具体来说，包括如下几点：
通过缓存保存用户已减免配送费；
用户下单时，如果订单有减免配送费，增加缓存中用户减免配送费金额（异步进行）；
订单取消时，如果订单有减免配送费，减少缓存中用户减免配送费金额（异步进行）。
一致性优化订单系统涉及交易，需要保证数据的一致性。否则，一旦出现问题，可能会导致订单不能及时配送、交易金额不对等。交易一个很重要的特征是其操作具有事务性，订单系统是一个复杂的分布式系统，比如支付涉及订单系统、支付平台、支付宝/网银等第三方。仅通过传统的数据库事务来保障不太可行。对于订单交易系统的事务性，并不要求严格满足传统数据库事务的ACID性质，只需要最终结果一致即可。针对订单系统的特征，我们通过如下种方式来保障最终结果的一致性。重试/幂等通过延时重试，保证操作最终会最执行。比如退款操作，如退款时遇到网络或支付平台故障等问题，会延时进行重试，保证退款最终会被完成。重试又会带来另一个问题，即部分操作重复进行，需要对操作进行幂等处理，保证重试的正确性。以退款操作为例，加入重试/幂等后的处理流程如下所示：退款操作首先会检查是否已经退款，如果已经退款，直接返回。否则，向支付平台发起退款，从而保证操作幂等，避免重复操作带来问题。如果发起退款失败（比如网络或支付平台故障），会将任务放入延时队列，稍后重试。否则，直接返回。通过重试+幂等，可以保证退款操作最终一定会完成。2PC2PC是指分布式事务的两阶段提交，通过2PC来保证多个系统的数据一致性。比如下单过程中，涉及库存、优惠资格等多个资源，下单时会首先预占资源（对应2PC的第一阶段），下单失败后会释放资源（对应2PC的回滚阶段），成功后会使用资源（对应2PC的提交阶段）。对于2PC，网上有大量的说明，这里不再继续展开。高可用分布式系统的可用性由其各个组件的可用性共同决定，要提升分布式系统的可用性，需要综合提升组成分布式系统的各个组件的可用性。针对订单系统而言，其主要组成组件包括三类：存储层、中间件层、服务层。下面将分层说明订单系统的可用性。存储层存储层的组件如MySQL、ES等本身已经实现了高可用，比如MySQL通过主从集群、ES通过分片复制来实现高可用。存储层的高可用依赖各个存储组件即可。中间件层分布式系统会大量用到各类中间件，比如服务调用框架等，这类中间件一般使用开源产品或由公司基础平台提供，本身已具备高可用。服务层在分布式系统中，服务间通过相互调用来完成业务功能，一旦某个服务出现问题，会级联影响调用方服务，进而导致系统崩溃。分布式系统中的依赖容灾是影响服务高可用的一个重要方面。依赖容灾主要有如下几个思路：
依赖超时设置；
依赖灾备；
依赖降级；
限制依赖使用资源。
订单系统会依赖多个其它服务，也存在这个问题。当前订单系统通过同时采用上述四种方法，来避免底层服务出现问题时，影响整体服务。具体实现上，我们采用Hystrix框架来完成依赖容灾功能。Hystrix框架采用上述四种方法，有效实现依赖容灾。订单系统依赖容灾示意图如下所示：通过为每个依赖服务设置独立的线程池、合理的超时时间及出错时回退方法，有效避免服务出现问题时，级联影响，导致整体服务不可用，从而实现服务高可用。另外，订单系统服务层都是无状态服务，通过集群+多机房部署，可以避免单点问题及机房故障，实现高可用。小结上面都是通过架构、技术实现层面来保障订单系统的性能、稳定性、可用性。实际中，有很多的事故是人为原因导致的，除了好的架构、技术实现外，通过规范、制度来规避人为事故也是保障性能、稳定性、可用性的重要方面。订单系统通过完善需求review、方案评审、代码review、测试上线、后续跟进流程来避免人为因素影响订单系统稳定性。通过以上措施，我们将订单系统建设成了一个高性能、高稳定、高可用的分布式系统。其中，交易系统tp99为150ms、查询系统tp99时间为40ms。整体系统可用性为6个9。可扩展的订单系统订单系统经过上面介绍的整体升级后，已经是一个高性能、高稳定、高可用的分布式系统。但是系统的的可扩展性还存在一定问题，部分服务只能通过垂直扩展（增加服务器配置）而不能通过水平扩展（加机器）来进行扩容。但是，服务器配置有上限，导致服务整体容量受到限制。到2015年5月的时候，这个问题就比较突出了。当时，数据库服务器写接近单机上限。业务预期还会继续快速增长。为保障业务的快速增长，我们对订单系统开始进行第二次升级。目标是保证系统有足够的扩展性，从而支撑业务的快速发展。分布式系统的扩展性依赖于分布式系统中各个组件的可扩展性，针对订单系统而言，其主要组成组件包括三类：存储层、中间件层、服务层。下面将分层说明如何提高各层的可扩展性。存储层订单系统存储层主要依赖于MySQL持久化、tair/redis cluster缓存。tair/redis cluster缓存本身即提供了很好的扩展性。MySQL可以通过增加从库来解决读扩展问题。但是，对于写MySQL存在单机容量的限制。另外，数据库的整体容量受限于单机硬盘的限制。存储层的可扩展性改造主要是对MySQL扩展性改造。分库分表写容量限制是受限于MySQL数据库单机处理能力限制。如果能将数据拆为多份，不同数据放在不同机器上，就可以方便对容量进行扩展。对数据进行拆分一般分为两步，第一步是分库，即将不同表放不同库不同机器上。经过第一步分库后，容量得到一定提升。但是，分库并不能解决单表容量超过单机限制的问题，随着业务的发展，订单系统中的订单表即遇到了这个问题。针对订单表超过单库容量的问题，需要进行分表操作，即将订单表数据进行拆分。单表数据拆分后，解决了写的问题，但是如果查询数据不在同一个分片，会带来查询效率的问题（需要聚合多张表）。由于外卖在线业务对实时性、性能要求较高。我们针对每个主要的查询维度均保存一份数据（每份数据按查询维度进行分片），方便查询。具体来说，外卖主要涉及三个查询维度：订单ID、用户ID、门店ID。对订单表分表时，对于一个订单，我们存三份，分别按照订单ID、用户ID、门店ID以一定规则存储在每个维度不同分片中。这样，可以分散写压力，同时，按照订单ID、用户ID、门店ID三个维度查询时，数据均在一个分片，保证较高的查询效率。订单表分表后，订单表的存储架构如下所示：可以看到，分表后，每个维度共有100张表，分别放在4个库上面。对于同一个订单，冗余存储了三份。未来，随着业务发展，还可以继续通过将表分到不同机器上来持续获得容量的提升。分库分表后，订单数据存储到多个库多个表中，为应用层查询带来一定麻烦，解决分库分表后的查询主要有三种方案：
MySQL服务器端支持：目前不支持
由于MySQL服务器端不能支持，我们只剩下中间件和应用层两个方案。中间件方案对应用透明，但是开发难度相对较大，当时这块没有资源去支持。于是，我们采用应用层方案来快速支持。结合应用开发框架（SPRING+MYBATIS），我们实现了一个轻量级的分库分表访问插件，避免将分库分表逻辑嵌入到业务代码。分库分表插件的实现包括如下几个要点。
配置文件管理分库分表配置信息；
JAVA注解说明SQL语句分库分表信息；
JAVA AOP解析注解+查询配置文件，获取数据源及表名；
MYBATIS动态替换表名；
SPRING动态替换数据源。
通过分库分表，解决了写容量扩展问题。但是分表后，会给查询带来一定的限制，只能支持主要维度的查询，其它维度的查询效率存在问题。ES搜索订单表分表之后，对于ID、用户ID、门店ID外的查询（比如按照手机号前缀查询）存在效率问题。这部分通常是复杂查询，可以通过全文搜索来支持。在订单系统中，我们通过ES来解决分表后非分表维度的复杂查询效率问题。具体来说，使用ES，主要涉及如下几点：
通过databus将订单数据同步到ES。
同步数据时，通过批量写入来降低ES写入压力。
通过ES的分片机制来支持扩展性。
小结通过对存储层的可扩展性改造，使得订单系统存储层具有较好的可扩展性。对于中间层的可扩展性与上面提到的中间层可用性一样，中间层本身已提供解决方案，直接复用即可。对于服务层，订单系统服务层提供的都是无状态服务，对于无状态服务，通过增加机器，即可获得更高的容量，完成扩容。通过对订单系统各层可扩展性改造，使得订单系统具备了较好的可扩展性，能够支持业务的持续发展，当前，订单系统已具体千万单/日的容量。上面几部分都是在介绍如何通过架构、技术实现等手段来搭建一个可靠、完善的订单系统。但是，要保障系统的持续健康运行，光搭建系统还不够，运维也是很重要的一环。智能运维的订单系统早期，对系统及业务的运维主要是采用人肉的方式，即外部反馈问题，RD通过排查日志等来定位问题。随着系统的复杂、业务的增长，问题排查难度不断加大，同时反馈问题的数量也在逐步增多。通过人肉方式效率偏低，并不能很好的满足业务的需求。为提升运维效率、降低人力成本，我们对系统及业务运维进行自动化、智能化改进，改进包括事前、事中、事后措施。事前措施事前措施的目的是为提前发现隐患，提前解决，避免问题恶化。在事前措施这块，我们主要采取如下几个手段：
定期线上压测：通过线上压测，准确评估系统容量，提前发现系统隐患；
周期性系统健康体检：通过周期检测CPU利用率、内存利用率、接口QPS、接口TP95、异常数，取消订单数等指标是否异常，可以提前发现提前发现潜在问题、提前解决；
全链路关键日志：通过记录全链路关键日志，根据日志，自动分析反馈订单问题原因，给出处理结果，有效提高反馈处理效率。
事中措施事中措施的目的是为及时发现问题、快速解决问题。事中这块，我们采取的手段包括：
订单监控大盘：实时监控订单业务指标，异常时报警；
系统监控大盘：实时监控订单系统指标，异常时报警；
完善的SOP：报警后，通过标准流程，快速定位问题、解决问题。
事后措施事后措施是指问题发生后，分析问题原因，彻底解决。并将相关经验教训反哺给事前、事中措施，不断加强事先、事中措施，争取尽量提前发现问题，将问题扼杀在萌芽阶段。通过将之前人肉进行的运维操作自动化、智能化，提升了处理效率、减少了运维的人力投入。
日-23日，[SDCC 2016大数据技术&架构实战峰会]( /)将在杭州举行，两场峰会大牛讲师来自阿里、京东、苏宁、唯品会、美团点评、游族、饿了么、有赞、Echo等知名互联网公司，共同探讨海量数据下的应用监控系统建设、异常检测的算法和实现、大数据基础架构实践、敏捷型数据平台的构建及应用、音频分析的机器学习算法应用，以及高可用/高并发/高性能系统架构设计、电商架构、分布式架构等话题与技术。
9月5日~18日是八折优惠票价阶段，5人以上团购或者购买两场峰会通票更有特惠，限时折扣，预购从速。（）。仿新浪微博、百度外卖、网易新闻下拉刷新样式Demo - ESRefreshControl-android100学习网
仿新浪微博、百度外卖、网易新闻下拉刷新样式Demo - ESRefreshControl
ESRefreshControl 仿新浪微博、百度外卖、网易新闻下拉刷新样式Demo（仅供参考）
各个实现方式略有不同，详细见代码 代码较乱，请谅解 效果仅供参考
ESRefreshControl
仿新浪微博、百度外卖、网易新闻下拉刷新样式Demo（仅供参考）
各个实现方式略有不同，详细见代码
代码较乱，请谅解
效果仅供参考
weibo：EnjoySR
项目地址： https://github.com/EnjoySR/ESRefreshControl(抹茶猫咪?)
(新年好运美选手)
(这就是一个小号)
(蛤蜊面包蟹)
第三方登录：elasticsearch如何修改mapping和template的方法 | 峰云就她了
10,245 views
题目,elasticsearch修改mapping和template的方法
首先要说明下，template和mapping的关系，mapping默认是集成于template的，当然如果mapping有设定的话，就走自定义的mapping.
mapping相当于字段描述，比如某个字段是float，某个字段需要分词，某个字段是date类型，是否可以搜索
template，字面意思是模板，他所作的事情也是模板的事情，他可以针对index做别名，也就是说，xiaorui* = xiaorui_v2_2013 xiaorui_v2_2014 … &通配符
elasticsearch默认是字符串的类型的字段都会分词的，通俗说，你使用elasticsearch query_string match都可以命中查询的。
但是所有的字段分词，他也会带来性能及空间占用问题，所以我们只会针对特定的字段来进行开放分词。&
文章写的不是很严谨，欢迎来喷，另外该文后续有更新的，请到原文地址查看更新.&
题外一句，搜了不少文章，不少人在折腾在线动态修改mapping，但最后还是来最纯粹的方案，清理数据，修改mapping,然后重新灌数据。所以，这也是我们对于elasticsearch的应用场景，从不把elasticsearch作为最核心的库。 &所谓我厂的兼职首席DBA（就是在下），总是喜欢把elasticsearch跟mysql对比，elasticsearch要是有成熟的工具，权限管理，再来个percona那种pt-online-change在线修改字段… 那真是,做梦.&
修改mapping之前,要把数据都清理掉,不然你就算put了新的mapping,他以前的数据也更正不过来，后进去的数据会跟随旧数据的存储类型。 &以前用elk做日志收集的时候，我会把一条条的日志构建成json数据。 如果你第一条数据的某个字段没有构建成float，那么只能把个index数据干掉，才能正常的显示float类型数据。 &现在业务中使用elasticsearch，同样这么一回事。
删除数据, &别删除了，index后面最好跟着type !
http://es.xiaorui.cc:9111/xiaorui_v2_201507/ec
<div class="crayon-num" data-line="crayon-5a62d
http://es.xiaorui.cc:9111/xiaorui_v2_201507/ec&&DELETE
查看你的mapping，因为你的数据被清理了，所以应该看到的是空字典&#8230; {}
http://es.xiaorui.cc:9111/xiaorui_v2_201507/ec/_mapping
<div class="crayon-num" data-line="crayon-5a62d
http://es.xiaorui.cc:9111/xiaorui_v2_201507/ec/_mapping&& GET
然后我们mapping的prod_name字段改成分词的模式,可以指定你的分词器，这边用的是ik分词器. 注意下，method是PUT
POST内容中properties对应mapping里的内容,要进行分词和高亮因此要设置分词器和开启term_vector。
&#8220;prod_name&#8221;: {
&#8220;type&#8221;: &#8220;string&#8221;,
&#8220;term_vector&#8221;: &#8220;with_positions_offsets&#8221;,
&#8220;norms&#8221;: {
&#8220;enabled&#8221;: false
&#8220;analyzer&#8221;: &#8220;ik&#8221;,
&#8220;include_in_all&#8221;: false
更新Mapping
http://es.xiaorui.cc:9111/xiaorui_v2_201507/ec/_mapping & PUT
not_analyzed是没有分词的意思.
#blog: xiaorui.cc
"properties": {
"brand": {
"type": "string",
"index": "not_analyzed"
"cdate": {
"type": "date",
"format": "dateOptionalTime"
"distr_pan": {
"type": "nested",
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "float",
"doc_values": true
"distr_segment": {
"type": "nested",
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "long",
"doc_values": true
"type": "long"
"idate": {
"type": "date",
"format": "dateOptionalTime"
"keyword": {
"type": "string",
"index": "not_analyzed"
"platform": {
"type": "long"
"prod_name": {
"type": "string",
"term_vector": "with_positions_offsets",
"norms": {
"enabled": false
"analyzer": "ik",
"include_in_all": false
"product_id": {
"type": "string",
"index": "not_analyzed"
"product_price": {
"type": "double"
"query": {
"properties": {
"query_string": {
"properties": {
"fields": {
"type": "string",
"index": "not_analyzed"
"query": {
"type": "string",
"index": "not_analyzed"
"score": {
"type": "long"
"source": {
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "string",
"index": "not_analyzed",
"doc_values": true
"store": {
"type": "string",
"index": "not_analyzed"
"type": "string",
"term_vector": "with_positions_offsets",
"norms": {
"enabled": false
"analyzer": "ik",
"include_in_all": false
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119
#blog: xiaorui.cc&{ "properties": {
"brand": {
"type": "string",
"index": "not_analyzed"
"cdate": {
"type": "date",
"format": "dateOptionalTime"
"distr_pan": {
"type": "nested",
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "float",
"doc_values": true
"distr_segment": {
"type": "nested",
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "long",
"doc_values": true
"type": "long"
"idate": {
"type": "date",
"format": "dateOptionalTime"
"keyword": {
"type": "string",
"index": "not_analyzed"
"platform": {
"type": "long"
"prod_name": {
"type": "string",
"term_vector": "with_positions_offsets",
"norms": {
"enabled": false
"analyzer": "ik",
"include_in_all": false
"product_id": {
"type": "string",
"index": "not_analyzed"
"product_price": {
"type": "double"
"query": {
"properties": {
"query_string": {
"properties": {
"fields": {
"type": "string",
"index": "not_analyzed"
"query": {
"type": "string",
"index": "not_analyzed"
"score": {
"type": "long"
"source": {
"properties": {
"type": "string",
"index": "not_analyzed",
"doc_values": true
"type": "string",
"index": "not_analyzed",
"doc_values": true
"store": {
"type": "string",
"index": "not_analyzed"
"type": "string",
"term_vector": "with_positions_offsets",
"norms": {
"enabled": false
"analyzer": "ik",
"include_in_all": false
然后我们还需要改template，因为上面的操作保证了现有的index使用了我们指定的mapping配置。 但是如果是新的index怎么办？ 可以指定template模板.
我们需要在模板里面指定index别名。
有人不理解，一个/index/type 就可以了。 为什么要给index设计别名. 为了更好的管理数据，为了更好的性能，为了减轻查询带来的机器负载.&
现在大多数别名的方式都是通过时间来区分，比如 xiaorui_v2_201401 xiaorui_v2_201402 xiaorui_v2_201511 . 每个月份是一个index，我们在每个月的index配置30个shards,他的速度提升很明显..
elk logstash默认的配置是把日志分成每天一个index&#8230;&
http://es.xiaorui.cc:9111/_template/xiaorui & PUT
#blog: xiaorui.cc
"order": 0,
"template": "xiaorui*",
"settings": {
"index.replication": "async",
"index.number_of_replicas": "1",
"index.number_of_shards": "30"
"mappings": {
"_default_": {
"dynamic_templates": [{
"mapping": {
"indexAnalyzer": "ik",
"searchAnalyzer": "ik",
"include_in_all": false,
"omit_norms": true,
"store": "no",
"norms": {
"enabled": false
"type": "string",
"term_vector": "with_positions_offsets"
"path_match": "text"
"prod_name": {
"mapping": {
"indexAnalyzer": "ik",
"searchAnalyzer": "ik",
"include_in_all": false,
"omit_norms": true,
"store": "no",
"norms": {
"enabled": false
"type": "string",
"term_vector": "with_positions_offsets"
"path_match": "prod_name"
"mapping": {
"format": "dateOptionalTime",
"type": "date"
"match": "(created_at|.*date)",
"match_pattern": "regex"
"source": {
"mapping": {
"properties": {
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"path_match": "source"
"distr_pan": {
"mapping": {
"properties": {
"doc_values": true,
"type": "float"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_pan"
"distr_artificial_pan": {
"mapping": {
"properties": {
"doc_values": true,
"type": "float"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_artificial_pan"
"distr_segment": {
"mapping": {
"properties": {
"doc_values": true,
"type": "long"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_segment"
"buzz_comment": {
"mapping": {
"properties": {
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"format": "dateOptionalTime",
"type": "date"
"type": "nested"
"match": "buzz_comment"
"doc_values_string": {
"mapping": {
"index": "not_analyzed",
"omit_norms": true,
"doc_values": true,
"type": "string"
"match_pattern": "regex",
"path_match": "(source.name|user.gender|user.region.*)"
"doc_values_long": {
"mapping": {
"doc_values": true,
"type": "long"
"match_pattern": "regex",
"path_match": "(flash|acount)"
"other": {
"mapping": {
"index": "not_analyzed",
"omit_norms": true,
"type": "string"
"match": "*",
"match_mapping_type": "string"
"enabled": false
"aliases": {
"xiaorui": {}
<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d<div class="crayon-num crayon-striped-num" data-line="crayon-5a62d<div class="crayon-num" data-line="crayon-5a62d100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183
#blog: xiaorui.cc&{ "order": 0, "template": "xiaorui*", "settings": {
"index.replication": "async",
"index.number_of_replicas": "1",
"index.number_of_shards": "30" }, "mappings": {
"_default_": {
"dynamic_templates": [{
"mapping": {
"indexAnalyzer": "ik",
"searchAnalyzer": "ik",
"include_in_all": false,
"omit_norms": true,
"store": "no",
"norms": {
"enabled": false
"type": "string",
"term_vector": "with_positions_offsets"
"path_match": "text"
"prod_name": {
"mapping": {
"indexAnalyzer": "ik",
"searchAnalyzer": "ik",
"include_in_all": false,
"omit_norms": true,
"store": "no",
"norms": {
"enabled": false
"type": "string",
"term_vector": "with_positions_offsets"
"path_match": "prod_name"
"mapping": {
"format": "dateOptionalTime",
"type": "date"
"match": "(created_at|.*date)",
"match_pattern": "regex"
"source": {
"mapping": {
"properties": {
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"path_match": "source"
"distr_pan": {
"mapping": {
"properties": {
"doc_values": true,
"type": "float"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_pan"
"distr_artificial_pan": {
"mapping": {
"properties": {
"doc_values": true,
"type": "float"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_artificial_pan"
"distr_segment": {
"mapping": {
"properties": {
"doc_values": true,
"type": "long"
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"type": "nested"
"match": "distr_segment"
"buzz_comment": {
"mapping": {
"properties": {
"index": "not_analyzed",
"doc_values": true,
"type": "string"
"format": "dateOptionalTime",
"type": "date"
"type": "nested"
"match": "buzz_comment"
"doc_values_string": {
"mapping": {
"index": "not_analyzed",
"omit_norms": true,
"doc_values": true,
"type": "string"
"match_pattern": "regex",
"path_match": "(source.name|user.gender|user.region.*)"
"doc_values_long": {
"mapping": {
"doc_values": true,
"type": "long"
"match_pattern": "regex",
"path_match": "(flash|acount)"
"other": {
"mapping": {
"index": "not_analyzed",
"omit_norms": true,
"type": "string"
"match": "*",
"match_mapping_type": "string"
"enabled": false
} }, "aliases": {
"xiaorui": {} }}
对于elasticsearch大批量直接在线修改已有数据，我是持有怀疑态度的。我们查了不少的文档，最后在github issue中看到elasticsearch那边的回复。他们也没有啥好的在线修改mapping方案&#8230; 看来，大家暂时别尝试在线修改mapping了，还是重新导数靠谱&#8230;
提了一个针对elasticsearch在线修改mapping template的话题，https://github.com/elastic/elasticsearch/issues/15524 &这回复让我很是尴尬&#8230;&
END&#8230;
对Python及运维开发感兴趣的朋友可以加QQ群 ：
!!! { 2000人qq大群内有各厂大牛，常组织线上分享及沙龙，对高性能及分布式场景感兴趣同学欢迎加入该QQ群
另外如果大家觉得文章对你有些作用！ &
帮忙点击广告. 一来能刺激我写博客的欲望，二来好维护云主机的费用.
如果想赏钱，可以用微信扫描下面的二维码. 另外再次标注博客原地址 && …… &&感谢！
您可能也喜欢:
暂无相关产品}