Java 中使用 ES 高级客户端库 RestHighLevelClient 清理百万级规模历史数据

🎉工作中遇到这样一个需求场景：由于ES数据库中历史数据过多，占用太多的磁盘空间，需要定期地进行清理，在一定程度上可以释放磁盘空间，减轻磁盘空间压力。

🎈在经过调研之后发现，某服务项目每周产生的数据量已经达到千万级别，单日将近能产生两百万的数据量写入到 ES 数据库中，平均每个小时最少产生 10w+ 条数据，加上之前的历史数据，目前生产环境 ES 数据量已经达到两亿一千四百八十万的数据。并且随着当前业务量的爆发式增长，数据增长量急剧飙升，在未来一年内每周产生的数据量有望达到 3kw-5kw 左右。

💡因此，对 ES 数据库中历史数据进行清理势在必行，为了能够释放磁盘空间，并且还要保证业务方能够进行日常问题的排查定位，决定从两个月前的数据开始清理，方案如下：

• 编写定时任务，每天凌晨三点清理两个月前的那一天数据，之所以选择凌晨三点是因为在 Grafana 查看了生产环境的集群监控情况，凌晨两点至四点之间的集群、索引的查询以及写入 QPS 都比较低。

• 清理一天的数据时，根据时间段进行清理，每个小时清理一次，避免内存中存放太多的数据，导致内存溢出。
• 清理 ES 数据时，需要先查询出数据，而 ES 默认最多只能查询 1w 条数据，如果当次需要删除的数据量超过 1w 条，普通的查询操作无法完全删除数据。因此，需要采用滚动查询的方式，滚动查询结果保持时间需要设置合理，不能太长，否则也可能会导致内存溢出。

根据以上的思路方案，设计的定时清理ES历史数据代码如下：

import org.apache.commons.lang3.StringUtils;
import org.apache.commons.lang3.time.DateUtils;
import org.elasticsearch.action.bulk.BulkRequest;
import org.elasticsearch.action.delete.DeleteRequest;
import org.elasticsearch.action.search.ClearScrollRequest;
import org.elasticsearch.action.search.SearchRequest;
import org.elasticsearch.action.search.SearchResponse;
import org.elasticsearch.action.search.SearchScrollRequest;
import org.elasticsearch.client.RequestOptions;
import org.elasticsearch.client.RestHighLevelClient;
import org.elasticsearch.core.TimeValue;
import org.elasticsearch.index.query.QueryBuilders;
import org.elasticsearch.search.Scroll;
import org.elasticsearch.search.SearchHit;
import org.elasticsearch.search.builder.SearchSourceBuilder;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;

import javax.annotation.Resource;
import java.util.Date;

/**

• 清理ES历史数据定时任务
  */
  @Component
  public class CleanESHistoryDataTask {

  private static final Logger LOGGER = LoggerFactory.getLogger(CleanESHistoryDataTask.class);

  @Resource
  private RestHighLevelClient restHighLevelClient;

  /**

  • 根据索引名称删除当前日期两个月前的那一天的历史文档数据
  • @param jobContext
    */
    @Scheduled
    public void cleanESHistoryData(JobContext jobContext) {
    // jobContext为定时任务中回传数据
    String indexName = jobContext.getData();
    if (StringUtils.isBlank(indexName)) {
    LOGGER.warn(“ES索引名称不能为空!”);
    return;
    }
    long startTimeMillis = System.currentTimeMillis();
    String twoMonthsAgoDate = DateTool.format(DateUtils.addMonths(new Date(), -1), DateTool.DF_DAY);
    try {
    String startTimeStr = twoMonthsAgoDate + " 00:00:00";
    // 初始化时间，形如2023-08-06 00:00:00
    Date initialStartTime = DateTool.parse(startTimeStr, DF_FULL);
    // 每次循环清理一个小时历史文档数据,循环24次清理完一天的历史文档数据
    for (int i = 0; i < 24; i++) {
    Date startTime = initialStartTime;
    startTime = DateUtils.addHours(startTime, i);
    Date endTime = DateUtils.addHours(startTime, 1);
    LOGGER.info(“正在清理索引:[{}],时间:{} 至 {}的历史文档数据…”, indexName, DateTool.format(startTime, DF_FULL), DateTool.format(endTime, DF_FULL));
    long currentStartTimeMillis = System.currentTimeMillis();
    // 指定操作的索引库
    SearchRequest searchRequest = new SearchRequest(indexName);
    // 构造查询条件，指定查询的时间范围，每次最多写入1000条数据至内存，减轻服务器内存压力
    SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder().query(QueryBuilders.rangeQuery(“createTimeStr.keyword”)
    .from(DateTool.format(startTime, DF_FULL))
    .to(DateTool.format(endTime, DF_FULL)))
    .size(1000);
    // 设置滚动查询结果在内存中的过期时间为1min
    Scroll scroll = new Scroll(TimeValue.timeValueMinutes(1L));
    // 将滚动以及构造的查询条件放入查询请求
    searchRequest.scroll(scroll).source(searchSourceBuilder);
    SearchResponse searchResponse = restHighLevelClient.search(searchRequest, RequestOptions.DEFAULT);
    // 记录要滚动的ID
    String scrollId = searchResponse.getScrollId();
    SearchHit[] hits = searchResponse.getHits().getHits();
    while (hits != null && hits.length > 0) {
    // 创建批量处理请求对象
    BulkRequest bulkRequest = new BulkRequest();
    for (SearchHit hit : hits) {
    DeleteRequest deleteRequest = new DeleteRequest(indexName, hit.getId());
    bulkRequest.add(deleteRequest);
    }
    // 执行批量删除请求操作
    restHighLevelClient.bulk(bulkRequest, RequestOptions.DEFAULT);
    // 构造滚动查询条件，继续滚动查询
    SearchScrollRequest scrollRequest = new SearchScrollRequest(scrollId);
    scrollRequest.scroll(scroll);
    searchResponse = restHighLevelClient.scroll(scrollRequest, RequestOptions.DEFAULT);
    scrollId = searchResponse.getScrollId();
    hits = searchResponse.getHits().getHits();
    }
    // 当前滚动查询结束,清除滚动,释放服务器内存资源
    ClearScrollRequest clearScrollRequest = new ClearScrollRequest();
    clearScrollRequest.addScrollId(scrollId);
    restHighLevelClient.clearScroll(clearScrollRequest, RequestOptions.DEFAULT);
    LOGGER.info(“清理索引:[{}],时间:{} 至 {}的历史文档数据成功,耗时{}ms”, indexName, DateTool.format(startTime, DF_FULL), DateTool.format(endTime, DF_FULL), (System.currentTimeMillis() - currentStartTimeMillis));
    }
    LOGGER.info(“[cleanESHistoryData] 定时任务-清理索引:[{}],时间:{}的历史文档数据成功,耗时{}ms”, indexName, twoMonthsAgoDate, (System.currentTimeMillis() - startTimeMillis));
    } catch (Exception e) {
    LOGGER.error(String.format(“[cleanESHistoryData] 定时任务-清理索引:[{}],时间:{}的历史文档数据失败,耗时{}ms”, indexName, twoMonthsAgoDate, (System.currentTimeMillis() - startTimeMillis)), e);
    }
    }
    }

其中，需要注意以下几点：

• 在 Java 中对 ES 进行操作，这里使用的是 ES 的高级客户端组件 RestHighLevelClient 。
• @Scheduled 注解为自研定时任务工具注解，外界无法使用，在使用定时任务时需要自己选择合适的定时任务框架。
• DateTool 工具类为自研工具类，外界同样无法使用，在以上代码段中就是用于对 java.util.Date 类型进行转换为字符串，DF_FULL 和 DateTool.DF_DAY 均是常量，它们的值分别为 yyyy-MM-dd HH:mm:ss 和 yyyy-MM-dd。

🎈通过观察监控可以发现，在凌晨三点执行定时任务清理 ES 历史数据期间，集群、索引查询 QPS 以及 CPU 利用率指标都明显飙升。因此，清理 ES 数据时一定要避开流量高峰期，避免在流量高峰期清理数据时造成资源实例宕机，造成生产事故。