ES-使用profile做性能分析

这篇具有很好参考价值的文章主要介绍了ES-使用profile做性能分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

描述

用来查看各个组件执行时间的详细信息,但是注意,这个api不会用来测量网络延迟,请求在队列中的等待时间,以及协调节点合并各个分片响应时所花费的时间。

返回结果说明

总体的返回结构

{
   "profile": {
        "shards": [
           {
              "id": "[2aE02wS1R8q_QFnYu6vDVQ][my-index-000001][0]",   (1)
              "searches": [
                 {
                    "query": [...],                                   (2)
                    "rewrite_time": 51443,                                                  (3)
                    "collector": [...]                                                      (4)
                 }
              ],
              "aggregations": [...],                                                        (5)
              "fetch": {...}                                                                (6)
           }
        ]
     }
}

(1) 当前参与响应的分片,id是唯一的,格式是由 节点名 + 索引名 + 分片 组成

(2) query部分的耗时和其他的debug信息

(3) 累计重写的时间

(4) 每个收集器的名称和调用时间

(5) 聚合部分的消耗时间,调用次数,debug信息

(6) fetch部分的耗时和debug信息

注意:可以通过添加参数 ?human=true 使结果可读,默认的时间都是纳秒。比如像这样

es profile,Elasticsearch,elasticsearch,Powered by 金山文档

query部分

"query": [
    {
       "type": "BooleanQuery",
       "description": "message:get message:search",
       "time_in_nanos": "11972972",
       "breakdown": {...},               
       "children": [
          {
             "type": "TermQuery",
             "description": "message:get",
             "time_in_nanos": "3801935",
             "breakdown": {...}
          },
          {
             "type": "TermQuery",
             "description": "message:search",
             "time_in_nanos": "205654",
             "breakdown": {...}
          }
       ]
    }
]

分析:从query的返回结构来看,这个查询被转换成了Lucene底层的带有两个termQuery的BooleanQuery。type是Lucene底层匹配到的类名,它和elasticsearch的别名是对应的。description描述的Lucene的解析文本,用来区分查询的各个部分。time_in_nanos 是BooleanQuery查询的总耗时,这里约为11毫秒,包含两个子查询的。breakdown部分给出的是更详细的时间花费信息。

breakdown

breakdown包含的信息如下

"breakdown": {
  "set_min_competitive_score_count": 0,
  "match_count": 5,
  "shallow_advance_count": 0,
  "set_min_competitive_score": 0,
  "next_doc": 39022,
  "match": 4456,
  "next_doc_count": 5,
  "score_count": 5,
  "compute_max_score_count": 0,
  "compute_max_score": 0,
  "advance": 84525,
  "advance_count": 1,
  "score": 37779,
  "build_scorer_count": 2,
  "create_weight": 4694895,
  "shallow_advance": 0,
  "create_weight_count": 1,
  "build_scorer": 7112295
}

字段信息:

create_weight:生成查询权重所消耗的时间,lucene要求为每个查询要生成一个weight对象,这个用来保存查询相关联的一些上下文信息。

build_scorer:生成打分器消耗的时间,打分器是为每个文档的匹配程度打分的机制。如果有启用缓存机制,那也可能包含连带的缓存时间。

next_doc:确定那个文档是下一个匹配文档所需要的时间

advance:advance 是低版本的next_doc,区别是需要额外的查询来确定匹配的下一个文档,比如识别,移动跳过 之前的文档等。

match:某些查询,采用的是两阶段来确定匹配的文档。比如说短语查询,首先会先粗略的检查文档的存在,之后再此基础上会进行第二次更加细致的检查,像检查短语的顺序,距离等。这个记录的就是这种查询的消耗。如果没有这样两阶段的查询,那这个值就是0。

score:打分器打分所消耗的时间。

*_count:记录的是调用对应方法的次数,比如next_doc_count,意思是调用nextDoc()这个方法的次数,它的作用是用来帮助判断lucene是怎么选择查询的。

collectors

collector记录的是一些高级执行的详细信息,返回的结构是这个样子

"collector" : [
              {
                "name" : "CancellableCollector",
                "reason" : "search_cancelled",
                "time" : "54micros",
                "time_in_nanos" : 54091,
                "children" : [
                  {
                    "name" : "SimpleTopScoreDocCollector",
                    "reason" : "search_top_hits",
                    "time" : "28.8micros",
                    "time_in_nanos" : 28880
                  }
                ]
              }
            ]

这里看到了一个CancellableCollector包裹了一个SimpleTopScoreDocCollector,SimpleTopScoreDocCollector的作用默认是用来打分和排序的。reason是针对这个类的英文描述,time_in_nanos是总消耗的时间。要注意的是collector的时间是独立的,是单独于query的。下面是各个reason的说明

search_sorted:为文档打分和排序的收集器,这是最常见的。

search_count:只统计匹配文档数量的收集器,不会去拉取文档的数据,当size=0的时候会看到它。

search_terminated_after_count:在匹配到n个文档后停止搜索的收集器,在查询是指定terminated_after_count(实际测试没有发现这个参数的使用场景)参数后可以看到它。

search_min_score:仅返回得分大于n的收集器,在设置参数min_score是可以看到。

search_muilt:一个收集器包含了多个收集器,在一个查询中包含了,搜索,聚合,全局的聚合,post_filter 的时候会出现这种情况。

search_timeout:指定超时后停止执行的收集器,在设置timeout后会看到它。

aggregation:用来收集聚合部分文档的收集器,在name上看到的会是一个聚合的列表,就像这样

es profile,Elasticsearch,elasticsearch,Powered by 金山文档

global_aggregation:针对全局查询范围聚合的收集器。

rewrite

rewrite指的是lucene查询或者子查询被优化改变的过程,比如BoolQuery->BoolQuery->TermQuery会被优化为TermQuery。rewrite_time记录的是总的rewrite时间。

注意:对于MultiTermQuery 类的查询,这类查询通常包括通配符查询,模糊查询,正则查询等。这一类的查询有与lucene的运行机制,通常不会返给你一个结构化的结果,这种如果不好分析,直接关注总的消耗时间就是了。

aggregation部分

返回的结构

{
  "profile": {
    "shards": [
      {
        "aggregations": [
          {
            "type": "NumericTermsAggregator",
            "description": "my_scoped_agg",
            "time_in_nanos": 79294,
            "breakdown": {
              "reduce": 0,
              "build_aggregation": 30885,
              "build_aggregation_count": 1,
              "initialize": 2623,
              "initialize_count": 1,
              "reduce_count": 0,
              "collect": 45786,
              "collect_count": 4,
              "build_leaf_collector": 18211,
              "build_leaf_collector_count": 1,
              "post_collection": 929,
              "post_collection_count": 1
            },
            "debug": {
              "total_buckets": 1,
              "result_strategy": "long_terms",
              "built_buckets": 1
            }
          },
          {
            "type": "GlobalAggregator",
            "description": "my_global_agg",
            "time_in_nanos": 104325,
            "breakdown": {
              "reduce": 0,
              "build_aggregation": 22470,
              "build_aggregation_count": 1,
              "initialize": 12454,
              "initialize_count": 1,
              "reduce_count": 0,
              "collect": 69401,
              "collect_count": 4,
              "build_leaf_collector": 8150,
              "build_leaf_collector_count": 1,
              "post_collection": 1584,
              "post_collection_count": 1
            },
            "debug": {
              "built_buckets": 1
            },
            "children": [
              {
                "type": "NumericTermsAggregator",
                "description": "my_level_agg",
                "time_in_nanos": 76876,
                "breakdown": {
                  "reduce": 0,
                  "build_aggregation": 13824,
                  "build_aggregation_count": 1,
                  "initialize": 1441,
                  "initialize_count": 1,
                  "reduce_count": 0,
                  "collect": 61611,
                  "collect_count": 4,
                  "build_leaf_collector": 5564,
                  "build_leaf_collector_count": 1,
                  "post_collection": 471,
                  "post_collection_count": 1
                },
                "debug": {
                  "total_buckets": 1,
                  "result_strategy": "long_terms",
                  "built_buckets": 1
                }
              }
            ]
          }
        ]
      }
    ]
  }
}

这里的type,description,time_in_nanos,breakdown同query部分的作用是一样的,这里不做赘述。不同的是返回了一个debug的信息,这个主要描述的是聚合底层的一些特性。

breakdown
"breakdown": {
  "reduce": 0,
  "build_aggregation": 30885,
  "build_aggregation_count": 1,
  "initialize": 2623,
  "initialize_count": 1,
  "reduce_count": 0,
  "collect": 45786,
  "collect_count": 4,
  "build_leaf_collector": 18211,
  "build_leaf_collector_count": 1
}

这里也是一样的,如build_leaf_collector 表示的是调用底层方法getLeafCollector()消耗的时间,需要注意的是reduce当前是保留的,它总是会返回0。

fetch部分

当一个查询需要召回文档的时候,它就会有fetch的部分,像这样:

GET /my-index-000001/_search?filter_path=profile.shards.fetch
{
  "profile": true,
  "query": {
    "term": {
      "user.id": {
        "value": "elkbee"
      }
    }
  }
}

返回的结构会是这个样子:

{
  "profile": {
    "shards": [
      {
        "fetch": {
          "type": "fetch",
          "description": "",
          "time_in_nanos": 660555,
          "breakdown": {
            "next_reader": 7292,
            "next_reader_count": 1,
            "load_stored_fields": 299325,
            "load_stored_fields_count": 5,
            "load_source": 3863,
            "load_source_count": 5
          },
          "debug": {
            "stored_fields": ["_id", "_routing", "_source"]
          },
          "children": [
            {
              "type": "FetchSourcePhase",
              "description": "",
              "time_in_nanos": 20443,
              "breakdown": {
                "next_reader": 745,
                "next_reader_count": 1,
                "process": 19698,
                "process_count": 5
              },
              "debug": {
                "fast_path": 4
              }
            }
          ]
        }
      }
    ]
  }
}

这里time_in_nanos表示的总的消耗时间,next_reader 作用可以对比next_doc,load_source表示加载source的时间,load_stored_fields 表示加载存储字段的时间。debug列出的是杂项的非计时信息。

使用的局限性

  1. profile开销比较大,不能用于生产。

  1. 网络开销它没有办法分析到。

  1. 在队列中的花费,协调节点上的合并开销没有办法分析到。

  1. suggestions, highlighting, dfs_query_then_fetch 这类的api分析不到

  1. 聚合中的reduce部分当前是没有用的。

  1. 返回的结构内容可能会随着版本的变化而变化。文章来源地址https://www.toymoban.com/news/detail-701232.html

到了这里,关于ES-使用profile做性能分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Unity 内存性能分析器 (Memory Profiler)

    安装有两种 方式一: add package : com.unity.memoryprofiler 方式二: From Packages : Unity Registry 搜索 Memory Profiler 打开:Windows - Analysis - Memory Profiler 打开MemoryProfiler界面,可以链接真机检测,也可以在Editor检测。 点击Capture 保存当下帧的内容。 Capture 完毕之后,会保存本地一个镜像 :

    2024年02月03日
    浏览(68)
  • Py:代码性能分析之使用python工具—如利用cProfile【输出每个函数的运行时间和调用次数】/line_profiler【输出每行代码的执行时间】)同时对比斐波那契数列问题的递归方法和动态规划

    Py:代码性能分析之使用python工具—如利用cProfile【输出每个函数的运行时间和调用次数】/line_profiler【输出每行代码的执行时间】)同时对比斐波那契数列问题的递归方法和动态规划算法实现 目录

    2024年02月04日
    浏览(81)
  • 应用程序性能分析方法(以ElasticSearch作为例子)

    原则:性能调整在距离工作执行的地方越近越好 需要了解应用程序的以下方面(以ES举例) 功能。分布式查询引擎 操作。查询、写入等等 配置。_cluster/settings和elasticseach.yml包含很多配置 指标。bulk time、QPS、线程池… 日志。系统日志、慢查询写入日志、gc日志 版本。7.9.1,新

    2024年02月22日
    浏览(58)
  • ChatGPT 和 Elasticsearch:APM 工具、性能和成本分析

    作者:LUCA WINTERGERST 在本博客中,我们将测试一个使用 OpenAI 的 Python 应用程序并分析其性能以及运行该应用程序的成本。 使用从应用程序收集的数据,我们还将展示如何将 LLMs 成到你的应用程序中。 在之前的博客文章中,我们构建了一个小型 Python 应用程序,该应用程序使用

    2024年02月07日
    浏览(40)
  • MySQL性能分析工具的使用

    当我们遇到数据库调优问题的时候,该如何思考呢?这里把思考的流程整理成下面这张图。 整个流程划分成了 观察( Show status ) 和 行动( Action ) 两个部分。字母 S 的部分代表观察(会使用相应的分析工具),字母 A 代表的部分是行动(对应分析可以采取的行动)。    

    2024年02月09日
    浏览(60)
  • 使用火焰图进行性能分析(一)

    分析函数执行的频度; 分析哪些函数经常阻塞; 分析哪些函数频繁操作内存; 火焰图的主要特点: 每一列代表一个调用栈,每个格子代表一个函数; 纵轴呈现出栈的深度,按照各函数的调用关系自下而上排列; 最顶端的格子代表采样时正在占用CPU的函数; 横轴:采集到的

    2024年02月05日
    浏览(68)
  • 性能测试分析与使用

    性能测试分析与使用 xx系统已经成功发布,依据之前项目的规划,计划服务1000+客户,未来势必会出现业务系统中信息大量增长的趋势。 随着该系统在生产状态下日趋稳定,也让我们可以更静下心来去关注性能方面的问题: 能够承受多大的数据量? 系统的瓶颈是什么? 代码的

    2023年04月08日
    浏览(49)
  • Android性能分析工具-systrace使用

    本文暂时记录使用方法,具体结合项目后续再分析。 最近研究启动优化,在此记录一下systrace工具的使用。官网资料: source.android.google.cn/devices/tec… systrace 是分析 Android 设备性能的主要工具,也是平台提供的旧版命令行工具( Android 10后引入了Perfetto),可用于获得系统跟踪

    2024年02月07日
    浏览(62)
  • 性能分析工具 之 Perfetto基本使用

            Perfetto是google从Android10开始引入的一个全新的平台级跟踪分析工具。适用于Android、Linux和Chrome的更加通用和复杂的用于性能检测和跟踪分析的生产级开源项目。在android系统中对性能分析是尤为重要的一部分,仅从logcat中进行时间分解太繁琐,android系统中可以通过

    2024年02月10日
    浏览(69)
  • Elasticsearch专栏-8.es读写性能及优化

    服务器资源 资源 数值 服务器 华为 系统 centos7.9 cpu Intel® Core™ i5-10500 CPU @ 3.10GHz、6核12线程 mem 62G disk 机械硬盘、3.6T 单机写入性能 将es堆内存增大到20G,其余配置不做任何修改,数据单条写入。测试结果如下 线程 线程延迟时间(ms) 数据量(W) 平均响应时间(ms) QPS 300 0 5.9 338

    2023年04月12日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包