Elasticsearch 8.X 如何生成 TB 级的测试数据 ?

1、实战问题

我只想插入大量的测试数据，不是想测试性能，有没有自动办法生成TB级别的测试数据？
有工具？还是说有测试数据集之类的东西？
——问题来源于 Elasticsearch 中文社区
https://elasticsearch.cn/question/13129

2、问题解析

其实类似的问题之前在社群也经常被问到。实战业务场景中在没有大规模数据之前，可能会构造生成一些模拟数据，以实现性能测试等用途。

真实业务场景一般不愁数据的，包含但不限于：

生成数据
业务系统产生数据
互联网、设备等采集生成的数据
其他产生数据的场景.....

回归问题，Elasticsearch 8.X 如何构造呢？

社群达人死敌wen大佬给出的方案：两个 sample data的index来回reindex，一次操作数据量翻倍。

实际，死敌 wen 大佬指的是如下三部分的样例数据。

那么有没有其他的解决方案呢？本文给出两种方案。

3、方案一、elasticsearch-faker 构造数据

3.0 elasticsearch-faker 工具介绍

elasticsearch-faker 是一个用于为 Elasticsearch 生成虚假数据的命令行工具。

它通过模板来定义将要生成的数据结构，并在模板中使用占位符来表示动态内容，比如随机用户名、数字、日期等。

这些占位符将由 Faker 库提供的随机生成数据填充。执行时，该工具会根据指定的模板生成文档，并将它们上传到 Elasticsearch 索引中，用于测试和开发，以检验 Elasticsearch 查询和聚合的功能。

3.1 第一步：安装工具集

https://github.com/thombashi/elasticsearch-faker#installation

pip install elasticsearch-faker

3.2 第二步：制作启动脚本 es_gen.sh

#!/bin/bash# 设置环境变量
export ES_BASIC_AUTH_USER='elastic'
export ES_BASIC_AUTH_PASSWORD='psdXXXXX'
export ES_SSL_ASSERT_FINGERPRINT='XXddb83f3bc4f9bb763583d2b3XXX0401507fdfb2103e1d5d490b9e31a7f03XX'# 调用 elasticsearch-faker 命令生成数据
elasticsearch-faker --verify-certs generate --doc-template doc_template.jinja2 https://172.121.10.114:9200 -n 1000

同时，编辑模版文件 doc_template.jinja2。

模版如下所示：

{"name": "{{ user_name }}","userId": {{ random_number }},"createdAt": "{{ date_time }}","body": "{{ text }}","ext": "{{ word }}","blobId": "{{ uuid4 }}"
}

3.3 第三步：执行脚本 es_gen.sh

[root@VM-0-14-centos elasticsearch-faker]# ./es_gen.sh 
document generator #0: 100%|███████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:00<00:00, 1194.47docs/s]
[INFO] generate 1000 docs to test_index[Results]
target index: test_index
completed in 10.6 secs
current store.size: 0.8 MB
current docs.count: 1,000
generated store.size: 0.8 MB
average size[byte]/doc: 831
generated docs.count: 1,000
generated docs/secs: 94.5
bulk size: 200

3.4 第4步：查看导入数据结果, kibana 查看。

"hits": [{"_index": "test_index","_id": "2ff2971b-bc51-44e6-bbf7-9881050d5b78-0","_score": 1,"_source": {"name": "smithlauren","userId": 207,"createdAt": "1982-06-14T03:47:00.000+0000","body": "Risk cup tax. Against growth possible something international our themselves. Pm owner card sell responsibility oil.","ext": "mean","blobId": "c4f5c8dc-3d97-44ee-93da-2d93be676b8b"}},{

4、使用 Logstash generator 插件生成随机样例数据

4.1 准备环境

确保你的环境中已经安装了 Elasticsearch 8.X 和 Logstash 8.X。Elasticsearch 应该配置正确，并且运行在 HTTPS 上。

另外，确保 Elasticsearch 的相关证书已经正确配置在 Logstash 中。

4.2 生成样例数据

我们将使用 Logstash 的 generator 输入插件来创建数据，并使用 ruby 过滤器插件来生成 UUID 和随机字符串。

4.3 Logstash 配置

创建一个名为 logstash-random-data.conf 的配置文件，并填入以下内容：

input {generator {lines => ['{"regist_id": "UUID", "company_name": "RANDOM_COMPANY", "regist_id_new": "RANDOM_NEW"}']count => 10codec => "json"}
}filter {ruby {code => 'require "securerandom"event.set("regist_id", SecureRandom.uuid)event.set("company_name", "COMPANY_" + SecureRandom.hex(10))event.set("regist_id_new", SecureRandom.hex(10))'}
}output {elasticsearch {hosts => ["https://172.121.110.114:9200"]index => "my_log_index"user => "elastic"password => "XXXX"ccacert => "/www/elasticsearch_0810/elasticsearch-8.10.2/config/certs/http_ca.crt"}stdout { codec => rubydebug }
}

4.4 分析配置文件

1.Input

a.generator 插件用于生成事件流。
b.lines 包含一个 JSON 字符串模板，它定义了每个事件的结构。
c.count 指定了要生成的文档数量。
d.codec 设置为 json 以告诉 Logstash 期望的输入格式。

2.Filter

a.ruby 过滤器用于执行 Ruby 代码。
b.代码片段内生成了一个 UUID 作为 regist_id。
c.company_name 和 regist_id_new 使用随机十六进制字符串填充。

3.Output

a.指定 Elasticsearch 的主机、索引、用户认证信息及证书。
b.stdout 输出用于调试，它会输出 Logstash 处理后的事件。

4.5 运行 Logstash

将配置文件保存后，在终端运行以下命令以启动 Logstash 并生成数据：

$ bin/logstash -f logstash-random-data.conf

执行结果如下：

kibana 查看数据结果如下：

借助 Logstash，我们可以轻松生成大量的随机样例数据，用于 Elasticsearch 的测试和开发。这种方法不仅高效，而且可以灵活地根据需求生成各种格式的数据。

5、小结

上述的验证都是使用 Elasticsearch 8.10.2 版本验证通过的。

其实除了文章给出的两种方案外，还有很多其他的方案，比如：esrally 生成测试数据、借助 Python 的 Faker 实现样例数据构造，Common Crawl、Kaggle 等网站提供大型的公共数据集，可以作为测试数据的来源。

大家有没有遇到类似问题，是如何实现的？欢迎留言交流。