Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Collecting and processing book reading statisti...

Collecting and processing book reading statistics @ Bookmate

The talk was given at DevConf 2015

#Elasticsearch #MapReduce #ELK #MongoDB #RabbitMQ #Ruby #Rails

exAspArk

June 19, 2015
Tweet

More Decks by exAspArk

Other Decks in Technology

Transcript

  1. • 2 million users • 500 thousand books • 25

    billion read characters per month
  2. 1 read page = 1 “reading” {      "book":

     {            "id":                      123123,            "language":          "en"        },      "user":                      {            "id":                      1864864,            "birthday_at":    630513585000,            "gender":              "m"        },      "legal_owner_id":  435435,      "size":                      965,      "progress":              {  "from":  34.6655,  "to":  36.5425  },      "created_at":          1430513785829,      “read_at":                1430513585000,      "country_code":      "RU",      "city":                      "Default",      "ip":                          "127.128.129.130",      "app":                        {  "name":  "Bookmate",  "version":  "3.3.14"  },      "model":                    {  "name":  "iPhone",      "version":  "4.1"  },      "os":                          {  "name":  "iPhoneOS",  "version":  "6.1.3"  },      ...   }
  3. • 2 servers • 10 processes for reading from queue

    • Ruby on Rails 4 • AQMP + EventMachine
  4. EventMachine.run  do      connection  =  AMQP.connect({      

         host:  RabbitmqSettings.host,            port:  RabbitmqSettings.port        })            channel  =  AMQP::Channel.new(connection)      queue  =  channel.queue(          RabbitmqSettings.readings_queue_name,            durable:  true      )      queue.subscribe  do  |payload|          Stats::Reading.create_from_json(payload)      end   end
  5. New storage engine – WiredTiger • Before: 111 GB •

    After: 23 GB – almost 5x less! http://docs.mongodb.org/manual/release-notes/3.0/#wiredtiger
  6. #!/usr/bin/env  python   client  =  MongoClient(HOSTS,  slave_okay  =  False)  

    db  =  client.publisher   collection  =  db["stats.readings"]   collection_tmp  =  db["stats.readings_tmp"]   collection.rename("stats.readings_tmp")   filepath  =  strftime("%Y%m%d")  +  “.json.gz"   file  =  gzip.open(filepath,  “ab")   for  i  in  collection_tmp.find():          print  >>  file,  dumps((i))   f.close   collection_tmp.drop()
  7. • 1.5 million readings per day • 750 MB of

    disk space • 100 MB in archive
  8. class  Stats::Reading      include  Mongoid::Document      INTERVAL_READING_CLASSES  =

     [          Stats::ReadingDaily,          Stats::ReadingMonthly,          Stats::UserReadingDaily,          Stats::UserReadingMonthly,          Stats::CityReadingHourly,          Stats::CityReadingDaily,          ...      ]      after_create  :update_interval_readings      private      def  update_interval_readings          INTERVAL_READING_CLASSES.each  do  |interval_reading_class|              interval_reading_class.increment_reading_size!(self)          end      end   end
  9. class  Stats::UserReadingMonthly      include  Mongoid::Document      def  self.increment_reading_size!(reading)

             read_at  =  reading.read_at          canonical_read_at  =  Time.utc(read_at.year,  read_at.mon)          collection.where({              u_id:  reading.user_id,              d_id:  reading.document_id,              r_at:  canonical_read_at          }).find_and_modify({              "$inc"  =>  {  s:  reading.size  }            },  [:upsert])      end   end
  10. • Document-oriented, based on Lucene (Java) • Sharding / Replication

    • REST API and JSON • Nested aggregations • Scripting and plugins
  11. • Работает на Lucene (Java) • REST API и JSON

    • Шардинг • Репликации • Полнотекстовый поиск • Агрегации SQL Elasticsearch Database Index Table Type Row Document Column Field Schema Mapping Index Everything SQL Query DSL
  12. Sharding / Replication Cluster Node 2 Node 1 P1 R2

    P3 R1 P2 R3 2 nodes, 1 replica, 3 shards
  13. Adding one node Cluster Node 2 Node 1 P1 R3

    R1 P2 3 nodes, 1 replica, 3 shards Node 3 R2 P3
  14. Adding one replica Cluster 3 nodes, 2 replicas, 3 shards

    Node 3 Node 2 Node 1 P1 R2 R3 R1 P2 R3 R1 R2 P3
  15. • A machine with 64 GB of RAM is the

    ideal sweet spot, but 32 GB and 16 GB machines are also common. • Consider giving 32 GB to Elasticsearch and letting Lucene use the rest of memory via the OS filesystem cache. All that memory will cache segments and lead to blisteringly fast full-text search (50% for heaps, and 50% for Lucene). https://www.elastic.co/guide/en/elasticsearch/guide/current/hardware.html https://www.elastic.co/guide/en/elasticsearch/guide/current/heap-sizing.html
  16. • 2 x 64 GB nodes • 1 replica and

    1 shard • 1 day = 1 index • 180 million documents for 4 months
  17. • Avoid nested – indexed as a separate document •

    Disable _source – actual JSON that was used as the indexed document • Disable _all – includes the text of one or more other fields within the document indexed • Disable analyzer и norms – to compute the score of a document relatively • Use doc_values – live on disk instead of in heap memory
  18. Before and after {      "reading":  {    

         "_all":        {              "enabled":  false          },          "_source":  {              "enabled":  false          },          "properties":  {              "from":  {                  "type":  "float"              },              "to":  {                  "type":  "float"              },              "size":  {                  "type":  "integer"              },            "read_at":  {                  "type":  "date"              },              "user_id":  {                  "type":  "integer"              },              "user_birthday_at":  {                  "type":  "date"              },              "user_gender":  {                  "type":  "string",                  "index":  "not_analyzed"              },              ...          }      }   } {      "reading":  {          "properties":  {              "from":  {                  "type":  "float"              },              "to":  {                  "type":  "float"              },              "size":  {                  "type":  "integer"              },            "read_at":  {                  "type":  "date"              },              "user":  {                  "type":  "nested",                  "include_in_parent":  true,                  "properties":  {                      "id":  {                          "type":  "integer"                      },                      "birthday_at":  {                          "type":  "date"                      },                      "gender":  {                          "type":  "string",                          "index":  "string_lowercase"                      }                  }              },            ...          }      }   }
  19. • Use bulk API (optimize size empirically) • Increase or

    disable refresh_interval and refresh manually • Temporary disable replication • Delay or disable flushes • Increase thread pool size for index and bulk operations • Use templates for creating new indices
  20. Parallelize indexing file_mask  =  "201502*"   day_filepaths  =  Dir.glob("#{  READINGS_PATH

     }/#{  file_mask  }").sort   day_filepaths.each_slice(MAX_PROCESS_COUNT)  do  |day_filepaths|      Parallel.each(day_filepaths,  in_processes:  day_filepaths.size)  do  |day_filepath|          index(day_filepath)      end   end https://github.com/grosser/parallel
  21. Bulk API and templates TEMPLATE  =  "readings-­‐#{  Rails.env  }-­‐*".freeze  

    def  index(day_filepath)      file  =  MultipleFilesGzipReader.new(File.open(day_filepath))      bulk  =  []      file.each_line  do  |line|          reading  =  parsed_reading(line)          bulk  <<  {              index:  {                    _type:    "reading",                    _index:  TEMPLATE.sub("*",  reading["read_at"].strftime("%Y.%m.%d"))                    _id:        reading["_id"],                    data:      serialized_reading(reading)              }          }          if  bulk.size  ==  BULK_SIZE              client.bulk(body:  body)              bulk  =  []          end      end   end https://github.com/exAspArk/multiple_files_gzip_reader
  22. • Try to load all data you need at once

    • Use sets and hashes http://spin.atomicobject.com/2012/09/04/when-is-a-set-better-than-an-array-in-ruby/
  23. USER_ATTR_NAMES  =  %w(id  gender  birthday_at)   def  user_attrs_by_id    

     @user_attrs_by_id  ||=  begin          users_attr_values  =  User.pluck(*USER_ATTR_NAMES)          user_attrs_by_id  =  users_attr_values.inject({})  do  |result,  user_attr_values|              result[user_attr_values.first]  =  Hash[USER_ATTR_NAMES.zip(user_attr_values)]              result          end      end   end   def  serialized_reading(reading)      user  =  user_attrs_by_id[reading["user_id"]]      {          from:                          reading["from"].to_f,          to:                              reading["to"].to_f,          size:                          reading["size"].to_i,          read_at:                    Time.at(reading["read_at"].to_i  /  1_000).utc,          user_id:                    user["id"],          user_birthday_at:  user["birthday_at"],          user_gender:            user["gender"].downcase,          ...      }   end
  24. MapReduce with scripting    aggs:  {        

     user_ids:  {              terms:  {  field:  "user_id"  },              aggs:  {                  by_days:  {                      date_histogram:  {  field:  "read_at",  interval:  "1d"  },                      aggs:  {                          sessions:  {                              scripted_metric:  {                                  init_script:  "_agg['read_ats']  =  []",                                  map_script:  "_agg.read_ats.add(doc['read_at'].value)",                                  combine_script:  oneliner(%Q{                                      sessions  =  []                                      if  (_agg.read_ats.size()  <  2)  {  return  sessions  }                                      for  (read_at  in  _agg.read_ats)  {                                            sessions  <<  ...                                      }                                      return  sessions                                  }),                                  reduce_script:  oneliner(%Q{                                      sessions  =  []                                      stats  =  [:]                                                                            for  (shard_sessions  in  _aggs)  {  sessions.addAll(shard_sessions)  }                                      if  (sessions.size()  ==  0)  {  return  stats  }                                      stats.average  =  sessions.sum()  /  sessions.size()                                      return  stats                                  })   https://gist.github.com/exAspArk/c325bb9a75dcda5c8212
  25. Percolator Docs D1 D2 Search Query Response Docs D1 D2

    Percolation Query Response https://www.elastic.co/guide/en/elasticsearch/reference/current/search-percolate.html
  26. Warmers • Filter cache • Filesystem cache • Loading field

    data for fields https://www.elastic.co/guide/en/elasticsearch/reference/current/indices-warmers.html
  27. Plugins • Analysis (Russian, Chinese, Unicode) • Transport (Redis, ZeroMQ)

    • Scripting (JavaScript, Clojure) • Site (Elasticsearch HQ, BigDesk) • Snapshot/Restore (Hadoop HDFS, AWS S3) • Search for similar images • Mahout Taste-based recommendation • Render HTML from Elasticsearch https://www.elastic.co/guide/en/elasticsearch/reference/current/modules-plugins.html