08 | 把维度值同步到 Elasticsearch（生成阶段）

08 | 把维度值同步到 Elasticsearch（生成阶段）

本文是系列文的第八篇，建议按顺序阅读。

本文目标

上一篇已经完成了字段和指标的向量化：把 name + description + alias 转换成向量并写入 Qdrant，用于召回相关字段和指标。

这一篇继续完成生成阶段的第 3 步。举个例子，用户问：

 复制代码北京今年的销售额是多少？

生成 SQL 时，不仅要知道“销售额”对应 order_amount，还得知道“北京”是 dim_region.province 中真实存在的值。换句话说，需要把维度值也同步到某种存储里，方便后续精确匹配：

 复制代码“销售额” → Qdrant → fact_order.order_amount
“北京”   → Elasticsearch → dim_region.province = 北京市

本文正文只讲本项目怎样同步维度值。Elasticsearch 的通用概念统一放在文末的科普模块，方便新手快速了解。

1. 先看完整同步链路

 复制代码meta_config.yaml
└── 找到 sync: true 的字段
        │
        ▼
MySQL DW
└── 查询低基数字段的全部 DISTINCT 值
        │
        ▼
组装维度值文档
        │
        ▼
DimValueSyncService
├── 重建 ES Index
├── 按字段 Bulk 写入
└── 最后统一 Refresh
        │
        ▼
Elasticsearch dim_value

各层职责如下：

层	文件	职责
Infrastructure	app/infrastructure/es_client.py	创建 ES 官方异步客户端
Repository	app/repositories/dw_db_repository.py	读取 DW 低基数字段的全部去重值
Service	app/services/dw_db_service.py	对外提供 DW 维度值读取能力
Service	app/services/dim_value_sync_service.py	重建索引、Bulk 写入、刷新索引
Script	conf/sync_db.py	筛选字段、组装文档、装配依赖、释放资源

2. 一条维度值对应一个文档

实际项目中，采用“一条不同维度值对应一个 ES 文档”的方式：

 复制代码{
  "id": "dim_region.province.北京市",
  "column_id": "dim_region.province",
  "value": "北京市"
}

为什么不用数组方案？比如下面这种：

 复制代码{
  "column_id": "dim_region.province",
  "values": ["北京市", "上海市", "广东省"]
}

数组虽然也能搜索，但存在几个比较麻烦的问题：

• 搜索命中后不容易判断数组中具体匹配了哪个值
• 高基数字段的数组可能变成非常大的单文档
• 增删一个值需要更新整个字段文档
• _id=column_id 只能表示字段，不能稳定表示每个维度值

独立文档更适合后续返回，结构也更清晰：

 复制代码id = dim_region.province.北京市
column_id = dim_region.province
value = 北京市

其中 id 是方便日志和下游识别的可读业务 ID；而真正写入 ES 元数据的 _id 使用固定长度 UUID。

3. 配置 Elasticsearch

先安装官方异步客户端：

 复制代码uv add "elasticsearch[async]>=8,<9"

然后在 conf/app_config.yaml 中配置：

 复制代码es:
  host: localhost
  port: 9200
  index_name: dim_value
  timeout: 60

各参数作用：

参数	作用
host / port	ES HTTP 服务地址
index_name	保存维度值的索引名
timeout	单次 ES HTTP 请求超时秒数

4. 定义 ESClient

文件 app/infrastructure/es_client.py：

 复制代码from elasticsearch import AsyncElasticsearch
class ESClient(AsyncElasticsearch):
    """统一项目构造参数的 ES 官方异步客户端薄适配层。"""    def __init__(self, base_url: str, timeout: float = 60.0):
        super().__init__(
            hosts=base_url.rstrip("/"),
            request_timeout=timeout,
        )

注意，Elasticsearch 8 使用 request_timeout 设置单次请求超时，不要沿用旧示例里的 timeout=int(timeout) 写法。

AsyncElasticsearch 内部管理 HTTP 连接池，在一次同步任务中复用，任务结束后统一关闭：

 复制代码await es_client.close()

目前 ES 的逻辑只有重建、写入和刷新，所以 DimValueSyncService 直接调用 ES Client 即可，暂时不增加 ES Repository。以后查询、过滤、聚合等数据访问操作明显增多时，再抽取 Repository 也不迟。

5. 定义 DimValueSyncService

文件：app/services/dim_value_sync_service.py

重建索引并定义 Mapping

 复制代码async def reset_index(self) -> None:
    await self.es_client.indices.delete(
        index=self.index_name,
        ignore_unavailable=True,
    )
    await self.es_client.indices.create(
        index=self.index_name,
        settings={
            "number_of_shards": 1,
            "number_of_replicas": 0,
        },
        mappings={
            "properties": {
                "id": {"type": "keyword"},
                "column_id": {"type": "keyword"},
                "value": {
                    "type": "text",
                    "analyzer": "ik_max_word",
                    "search_analyzer": "ik_smart",
                    "fields": {
                        "keyword": {
                            "type": "keyword",
                            "ignore_above": 512,
                        }
                    },
                },
            }
        },
    )

字段的用途：

字段	类型	作用
id	keyword	可读业务 ID，格式为 column_id.value
column_id	keyword	精确定位 表名.字段名
value	text + keyword	同时支持中文全文检索和精确匹配

table_id 和 column_name 都能从 column_id 推导；字段描述和别名已经由 Qdrant 负责语义召回，所以 ES 里不需要重复保存。

当前 Docker 是单节点，所以副本数设置为 0。否则副本分片无法分配，集群会长期显示黄色，看着揪心。

而且这是生成阶段的全量重建策略：每次删除旧索引再创建新索引，保证已经从 DW 删除的旧值不会残留。

使用原生 Bulk API

原生 Bulk API 每条文档需要两个对象：

 复制代码操作元数据
文档内容

项目中的实现：

 复制代码async def index_values(
    self,
    documents: list[dict[str, Any]],
) -> int:
    if not documents:
        return 0    operations = []
    for document in documents:
        document_id = self.stable_document_id(
            document["column_id"],
            document["value"],
        )
        operations.extend([
            {
                "index": {
                    "_index": self.index_name,
                    "_id": document_id,
                }
            },
            document,
        ])    response = await self.es_client.bulk(operations=operations)
    if response.get("errors"):
        raise RuntimeError("Elasticsearch Bulk 写入失败")
    return len(documents)

原来的代码混用了两种 Bulk 格式：

 复制代码{
    "index": {
        "_op_type": "index",
        "_source": document,
    }
}

_op_type、_source 属于 helpers.async_bulk() 的 Action 格式；直接调用 client.bulk() 时必须使用上面的 Operations 格式，不能混用。

检查部分失败

HTTP 请求成功不代表每个文档都成功。Bulk 响应可能出现部分失败：

 复制代码{
  "errors": true,
  "items": []
}

因此项目会检查 response["errors"]，发现部分失败时抛出异常，并展示首个错误，避免把“部分成功”误认为“全部成功”。

稳定文档 ID

同一字段有多个值，所以 _id 不能只使用 column_id。项目根据 column_id + value 生成稳定 UUID：

 复制代码@staticmethod
def stable_document_id(column_id: str, value: str) -> str:
    return str(uuid5(NAMESPACE_URL, f"{column_id}:{value}"))

相同字段和值每次得到相同 ID，重复同步不会产生重复文档。

写入后统一 Refresh

Bulk 默认是近实时可搜索，不需要每批都刷新。全部写完后统一执行一次：

 复制代码async def refresh(self) -> None:
    await self.es_client.indices.refresh(index=self.index_name)

这比每一批都 Refresh 更高效。

6. 读取 DW 维度值

下面的代码只是限制读取数量，并不是真正的全量读取：

 复制代码await get_column_examples(..., limit=100000)

本项目明确只允许低基数字段设置 sync: true，每个字段的不同值数量很少，因此不需要增加分页循环。

DwDBRepository 直接读取该字段的全部非空去重值：

 复制代码async def get_distinct_column_values(
    self,
    table_name: str,
    column_name: str,
) -> list[str]:
    self._validate_identifier(table_name)
    self._validate_identifier(column_name)    sql = text(
        f"SELECT DISTINCT `{column_name}` "
        f"FROM `{table_name}` "
        f"WHERE `{column_name}` IS NOT NULL "
        f"ORDER BY `{column_name}`"
    )
    result = await self.session.execute(sql)
    return [str(row[0]) for row in result.all()]

这里有几个细节需要注意：

• DISTINCT：同一个值只同步一次
• IS NOT NULL：不写入空值
• ORDER BY：保证返回顺序稳定
• 表名和字段名不能参数化，必须先校验再拼接

DwDBService 提供同名方法，把 Repository 能力暴露给同步流程。

7. 编写同步脚本

文件：conf/sync_db.py

 复制代码async def sync_to_elasticsearch(
    config: dict,
    dw_database: MySQLDatabase,
) -> int:
    es_config = app_config["es"]    es_client = ESClient(
        base_url=f"http://{es_config['host']}:{es_config['port']}",
        timeout=es_config.get("timeout", 60),
    )
    service = DimValueSyncService(
        es_client=es_client,
        index_name=es_config["index_name"],
    )
    total_count = 0    try:
        await service.reset_index()        async with dw_database.session() as dw_session:
            dw_service = DwDBService(DwDBRepository(dw_session))            for table in config.get("tables", []):
                table_name = table["name"]
                for column in table.get("columns", []):
                    if not column.get("sync", False):
                        continue                    column_name = column["name"]
                    column_id = f"{table_name}.{column_name}"
                    values = await dw_service.get_distinct_column_values(
                        table_name,
                        column_name,
                    )                    documents = [
                        {
                            "id": f"{column_id}.{value}",
                            "column_id": column_id,
                            "value": value,
                        }
                        for value in values
                        if value.strip()
                    ]
                    total_count += await service.index_values(documents)        await service.refresh()
        return total_count
    finally:
        await es_client.close()

这里修正了原实现中的几个问题：

• 删除了没有使用的 session 参数
• 返回类型改为实际的 int
• 只处理 sync: true 的字段，不为其他字段构造空文档
• 使用现有的 host/port/index_name 配置
• 每个低基数字段使用一次 Bulk 请求写入，不逐值发送 HTTP 请求
• 在 finally 中关闭 ES Client

主流程必须使用 await：

 复制代码dim_value_count = await sync_to_elasticsearch(
    meta_config,
    dw_database,
)
print(f"已写入 Elasticsearch 维度值 {dim_value_count} 条")

如果漏掉 await，函数只会返回一个协程对象，同步逻辑不会真正执行。

8. 校验 sync 配置

sync 必须是布尔值，而且只有维度字段才适合同步枚举值：

 复制代码sync_enabled = column.get("sync", False)
if not isinstance(sync_enabled, bool):
    raise ValueError("sync 必须是布尔值")
if sync_enabled and column["role"] != "dimension":
    raise ValueError("只有 dimension 字段才能设置 sync=true")

这样可以避免把字符串 "false" 当成真值，也能避免意外把订单金额、主键等高基数字段全部写入 ES。

9. 执行与验证

确认 Elasticsearch 健康：

 复制代码curl 

执行完整生成阶段同步：

 复制代码uv run python conf/sync_db.py

查看文档数量：

 复制代码curl 

搜索“北京”：

 复制代码curl -X POST  
  -H 'Content-Type: application/json' 
  -d '{
    "query": {"match": {"value": "北京"}},
    "_source": ["column_id", "value"]
  }'

本项目实际验证结果：

 复制代码同步返回数量：75
ES 索引数量：75
“北京”召回：dim_region.province → 北京市

使用 Kibana 网页查看

Docker Compose 已经启动 Kibana，并映射到本机 5601 端口：

 复制代码

Kibana 不单独保存维度值，它只是用网页方式查看和操作 Elasticsearch。

方法一：在 Dev Tools 中查询

进入 Kibana 的 Dev Tools → Console，查看文档数量：

 复制代码GET dim_value/_count

查看少量维度值：

 复制代码GET dim_value/_search
{
  "size": 10,
  "_source": ["id", "column_id", "value"],
  "query": {
    "match_all": {}
  }
}

搜索“北京”：

 复制代码GET dim_value/_search
{
  "size": 10,
  "_source": ["id", "column_id", "value"],
  "query": {
    "match": {
      "value": "北京"
    }
  }
}

方法二：在 Discover 中浏览

第一次使用时，需要创建 Data View：

1. 打开 Stack Management → Data Views。
2. 点击 Create data view。
3. Name 填写 dim_value。
4. Index pattern 填写 dim_value。
5. 本索引没有时间字段，时间字段选择“不使用时间过滤器”。
6. 创建后进入 Discover，选择 dim_value Data View。

在 Discover 中可以直接查看 id、column_id、value，也可以在搜索框中输入：

 复制代码value: 北京

如果 暂时打不开，可以先检查：

 复制代码docker ps --filter name=kibana
docker logs --tail 100 kibana

10. 项目内常见问题

现象	原因	处理
连接 9200 失败	ES 未启动或端口错误	检查 Docker、端口和集群健康状态
创建索引提示找不到 ik_max_word	没有安装 IK 插件	使用项目提供的 ES 镜像或安装匹配版本的 IK
写入后立刻搜不到	ES 是近实时搜索	全部写完后调用一次 indices.refresh()
Bulk HTTP 成功但少了文档	部分 Action 失败	检查 Bulk 响应中的 errors 和 items
重复同步产生重复文档	_id 不稳定	根据 column_id + value 生成稳定 ID
已删除的旧值仍存在	只执行 Upsert	开发阶段全量重建索引
内存占用过高	sync: true 字段不再是低基数	恢复分页或改用游标、流式 Bulk
ES 集群显示黄色	单节点却配置了副本	开发单节点设置 number_of_replicas: 0

---

科普 Elasticsearch

本模块只讲通用概念，不依赖当前项目代码。

1. 什么是 Elasticsearch

Elasticsearch（简称 ES）是基于 Apache Lucene 构建的分布式搜索和分析引擎。应用通过 HTTP API 写入 JSON 文档，然后可以对海量文档执行：

• 全文检索
• 精确过滤
• 相关性排序
• 聚合统计
• 高亮显示
• 自动补全

典型搜索过程：

 复制代码应用写入 JSON 文档
→ Elasticsearch 分词并建立索引
→ 用户提交查询
→ Elasticsearch 找到候选文档并计算相关性
→ 返回排序后的结果

Elasticsearch 的核心目标是“搜索和分析”，不是处理复杂关系、强事务和多表关联。很多系统会同时使用关系数据库和 Elasticsearch：关系数据库保存权威数据，Elasticsearch 保存适合检索的副本。

2. 核心组成

Cluster 和 Node

• Cluster（集群）：一组共同工作的 Elasticsearch 节点
• Node（节点）：一个正在运行的 Elasticsearch 实例

 复制代码Cluster
├── Node A
├── Node B
└── Node C

开发环境可以只有一个节点，生产环境通常使用多个节点来分担存储、查询和故障恢复。

Index、Document 和 Field

 复制代码Index: articles
└── Document
    ├── title
    ├── content
    ├── author
    └── published_at

Elasticsearch	粗略类比关系数据库	含义
Index	Table	一类文档的逻辑集合
Document	Row	一条 JSON 数据
Field	Column	文档中的一个属性
Mapping	Schema	字段类型和索引规则
Document _id	Primary Key	文档唯一标识

这种类比只用于入门。ES 的 Index 还包含倒排索引、分片、Segment 等搜索结构，并不等于关系表。

一条文档示例：

 复制代码{
  "title": "Elasticsearch 入门",
  "content": "介绍全文检索和倒排索引",
  "author": "张三",
  "published_at": "2026-07-30"
}

3. 什么是倒排索引

普通阅读方向是“从文档找到词”：

 复制代码文档 A → 北京市
文档 B → 上海市

倒排索引反过来保存“从词找到文档”：

 复制代码北京 → 文档 A
上海 → 文档 B

搜索时不需要逐条扫描所有文档，因此大量文本也能快速查询。

4. Mapping 和字段类型

Mapping 定义文档字段怎样被存储和索引，类似数据库中的 Schema，但更关注搜索行为：

 复制代码{
  "mappings": {
    "properties": {
      "title": {"type": "text"},
      "author": {"type": "keyword"},
      "price": {"type": "double"},
      "published_at": {"type": "date"}
    }
  }
}

常见字段类型：

类型	常见用途
text	全文检索文本
keyword	精确值、过滤、排序和聚合
integer / long	整数
float / double	小数
boolean	布尔值
date	日期和时间
object	普通嵌套 JSON 对象
nested	需要保持对象独立关系的对象数组

ES 可以通过 Dynamic Mapping 自动推断字段类型，但生产系统最好为重要索引显式定义 Mapping。自动推断错误后，已有字段类型通常不能直接修改，需要新建索引并 Reindex。

5. Analyzer、Tokenizer 和 Token

Analyzer 决定文本写入和查询时怎样被拆成 Token，通常包含：

 复制代码Character Filter
→ Tokenizer
→ Token Filter

例如：

 复制代码“北京市朝阳区”
→ 北京、北京市、朝阳、朝阳区……

中文不能简单按空格分词，常见方案之一是安装 IK 分词插件：

• ik_max_word：写入时尽可能细分，增加可召回词
• ik_smart：查询时做较粗粒度切分，降低噪声

分词器必须在创建 Mapping 时确定。修改 Analyzer 后通常需要重建索引。

IK 属于第三方插件，插件版本通常必须与 Elasticsearch 版本一致。例如 Elasticsearch 8.19.10 应搭配对应的 IK 8.19.10 插件。没有安装插件却在 Mapping 中使用 ik_max_word，创建索引时会失败。

可以通过 Analyze API 查看分词结果：

 复制代码POST _analyze
{
  "analyzer": "ik_max_word",
  "text": "北京市朝阳区"
}

6. text 和 keyword

这是 ES 最重要的字段类型区别之一：

类型	是否分词	常见用途
text	是	全文搜索、相关性匹配
keyword	否	精确过滤、排序、聚合

同一个字段可以同时支持两种能力：

 复制代码{
  "title": {
    "type": "text",
    "fields": {
      "keyword": {"type": "keyword"}
    }
  }
}

查询方式：

 复制代码match title=搜索引擎              → 全文检索
term title.keyword=搜索引擎入门    → 精确匹配

不要对 text 字段直接使用 term 查询，因为它保存的是分词后的 Token。

7. Query DSL：Match、Term 和 Bool

全文检索：

 复制代码{
  "query": {
    "match": {
      "title": "搜索引擎"
    }
  }
}

精确过滤：

 复制代码{
  "query": {
    "term": {
      "status": "published"
    }
  }
}

组合查询：

 复制代码{
  "query": {
    "bool": {
      "must": [
        {"match": {"title": "搜索引擎"}}
      ],
      "filter": [
        {"term": {"status": "published"}},
        {"range": {"published_at": {"gte": "2026-01-01"}}}
      ]
    }
  }
}

must 参与相关性评分；filter 只判断是否满足条件，适合结构化约束。

其他常用查询：

• multi_match：同时搜索多个文本字段
• range：数字或日期范围
• exists：字段是否存在
• prefix：前缀匹配
• wildcard：通配符匹配，应谨慎使用

8. 相关性评分

全文检索结果通常带有 _score。ES 默认使用 BM25 等算法，根据以下因素评估文档相关性：

• 查询词是否出现
• 查询词在文档中出现多少次
• 查询词在整个索引中是否稀有
• 字段文本长度
• 查询中的 Boost 权重

 复制代码更相关的文档 → 更高的 _score → 排在更前面

_score 不是正确概率，不能把 1.8 理解成 180% 或把 0.8 理解成 80% 正确。评分只适合在同一次查询结果中比较排序。

9. Bulk API

逐条发送 HTTP 请求会产生大量网络往返。Bulk API 把多条操作放进一个请求：

 复制代码index 元数据
文档 1
index 元数据
文档 2

两种 Python 写法不要混淆：

• client.bulk(operations=...)：使用原生 Operations 格式
• helpers.async_bulk(client, actions)：使用带 _op_type、_source 的 Action 格式

它们都能批量写入，但请求数据结构不同。

批次不是越大越好，需要综合考虑：

• 单条文档大小
• HTTP 请求体大小
• ES Heap
• 网络延迟
• Bulk 响应时间

常见起点是每批 500～1000 条，再根据真实数据测试。

10. 近实时搜索、Refresh 和 Segment

ES 写入成功后，文档通常不会在同一瞬间就能被搜索，这叫 Near Real-Time（近实时）。

 复制代码写入成功
→ 等待 Refresh
→ 新 Segment 可搜索

频繁手动 Refresh 会降低写入吞吐。批量任务更适合全部写完后刷新一次；在线写入通常依赖 ES 的自动刷新周期。

Lucene 会把可搜索数据组织成不可变的 Segment。新数据经过 Refresh 后形成可搜索 Segment，后台还会自动合并小 Segment。理解这一点有助于解释：

• 为什么 ES 搜索是近实时而不是实时
• 为什么频繁 Refresh 会降低写入性能
• 为什么大量更新和删除不会立刻释放磁盘空间

11. Shard 和 Replica

• Primary Shard：索引数据的主分片
• Replica Shard：主分片的副本，用于容灾和扩展查询吞吐

单节点开发环境无法把副本放到另一台节点，所以通常设置：

 复制代码{
  "number_of_shards": 1,
  "number_of_replicas": 0
}

生产集群有多个节点时，再根据数据量、吞吐和容灾要求调整。

12. Aggregation 聚合

Aggregation 用来统计和分析文档，类似 SQL 中的 GROUP BY、COUNT、AVG 等操作。

统计不同状态的文档数量：

 复制代码{
  "size": 0,
  "aggs": {
    "status_count": {
      "terms": {
        "field": "status"
      }
    }
  }
}

常用聚合：

• terms：按精确值分组
• date_histogram：按时间区间分组
• range：按范围分组
• avg / sum / min / max：数值统计
• cardinality：估算不同值数量

参与分组、排序和聚合的字符串字段通常应该使用 keyword，而不是经过分词的 text。

13. 索引生命周期、Reindex 和 Alias

Mapping 或 Analyzer 发生变化时，通常不能直接修改已有数据结构。常见迁移流程：

 复制代码创建 articles_v2
→ 写入新数据或执行 Reindex
→ 验证数量和查询结果
→ Alias 从 articles_v1 切换到 articles_v2
→ 删除旧索引

Alias 是指向一个或多个真实索引的逻辑名称。应用始终查询 Alias，可以在不修改应用配置的情况下切换索引版本。

对于持续增长的日志、指标等时序数据，还可以使用 Index Lifecycle Management（ILM）自动完成滚动、迁移和删除。

14. Elasticsearch 适合与不适合什么

适合的场景：

• 网站、商品和文章全文搜索
• 日志检索与可观测性分析
• 多条件过滤和相关性排序
• 实时或近实时聚合分析
• 自动补全、高亮和同义词搜索

不适合作为首选方案的场景：

• 强事务和严格 ACID 一致性
• 大量跨实体 Join
• 频繁的小粒度随机更新
• 只按主键进行简单读写
• 把 ES 当作唯一且不可恢复的数据源

选择技术时应先看查询模式。需要事务和关系约束时优先考虑关系数据库；需要文本检索和搜索分析时再考虑 Elasticsearch。

15. 常用管理操作

下面的命令可以在 Kibana Dev Tools 中执行：

 复制代码# 查看集群健康状态
GET _cluster/health# 查看索引列表
GET _cat/indices?v# 查看 Mapping
GET articles/_mapping# 查看文档数量
GET articles/_count# 查询少量文档
GET articles/_search
{
  "size": 10,
  "query": {"match_all": {}}
}

学习 Elasticsearch 时，建议按以下顺序掌握：

 复制代码Document 与 Mapping
→ text / keyword
→ Analyzer 与倒排索引
→ Match / Term / Bool
→ Bulk 与 Refresh
→ Shard / Replica
→ Aggregation
→ Alias 与索引迁移