es之java插入优化(批量插入 代码

时间: 2023-08-09 17:05:25 浏览: 51
以下是使用Java的RestHighLevelClient进行ES批量插入的示例代码,其中包括了上述提到的优化措施: ```java public class ESInsertDemo { private static final String INDEX_NAME = "test_index"; private static final String TYPE_NAME = "test_type"; private static final int BULK_SIZE = 1000; private static final int THREAD_POOL_SIZE = 10; private static final int MAX_RETRY_TIMES = 3; private RestHighLevelClient client; public ESInsertDemo() { // 初始化ES客户端 RestClient restClient = RestClient.builder( new HttpHost("localhost", 9200, "http")).build(); client = new RestHighLevelClient(restClient); } public void insertBulk(List<Map<String, Object>> documents) { BulkProcessor.Listener listener = new BulkProcessor.Listener() { @Override public void beforeBulk(long executionId, BulkRequest request) { // 批量插入前操作 } @Override public void afterBulk(long executionId, BulkRequest request, BulkResponse response) { // 批量插入后操作 } @Override public void afterBulk(long executionId, BulkRequest request, Throwable failure) { // 批量插入失败操作 } }; BulkProcessor bulkProcessor = BulkProcessor.builder( (request, bulkListener) -> client.bulkAsync(request, RequestOptions.DEFAULT, bulkListener), listener) .setBulkActions(BULK_SIZE) .setConcurrentRequests(THREAD_POOL_SIZE) .setBackoffPolicy(BackoffPolicy.exponentialBackoff(TimeValue.timeValueMillis(100), MAX_RETRY_TIMES)) .build(); for (Map<String, Object> document : documents) { IndexRequest indexRequest = new IndexRequest(INDEX_NAME, TYPE_NAME) .source(document); bulkProcessor.add(indexRequest); } try { bulkProcessor.awaitClose(10, TimeUnit.MINUTES); } catch (InterruptedException e) { // 异常处理 } } public void close() throws IOException { client.close(); } } ``` 在上述代码中,我们使用了BulkProcessor来进行批量插入,同时设置了批量操作的文档数量、线程数量和重试次数等参数。在添加文档时,我们使用IndexRequest构建文档,并通过bulkProcessor.add()方法添加到批量请求中。 在实际使用中,我们可以将待插入文档分批加载进内存,然后调用insertBulk()方法进行批量插入。

相关推荐

package com.neutech.service.impl; import com.baomidou.mybatisplus.core.conditions.query.QueryWrapper; import com.neutech.elasticsearch.ES; import com.neutech.entity.Post; import com.neutech.mapper.PostMapper; import com.neutech.service.PostService; import org.elasticsearch.client.RestHighLevelClient; import org.elasticsearch.search.SearchHit; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; import java.io.IOException; import java.util.List; @Service public class PostServiceImpl implements PostService { @Autowired private PostMapper postMapper; @Autowired private ES es; // @Override // public List selectAll() { // return postMapper.selectList(null); // } @Override public List selectPostList() throws IOException { List posts = postMapper.selectPostList(); es.createBulkDocument(posts); List query = es.query(); return query; } @Override public int addLikesByPostId(Integer postId) { QueryWrapper wrapper = new QueryWrapper<>(); wrapper.eq("post_id",postId); Post post = postMapper.selectOne(wrapper); post.setLikes(post.getLikes() + 1); return postMapper.updateById(post); } @Override public int addCollectionsByPostId(Integer postId) { QueryWrapper wrapper = new QueryWrapper<>(); wrapper.eq("post_id",postId); Post post = postMapper.selectOne(wrapper); post.setCollections(post.getCollections() + 1); return postMapper.updateById(post); } @Override public Post getPostByPostId(Integer postId) { return postMapper.getPostByPostId(postId); } @Override public Integer getCountOfCommentsByPostId(Integer postId) { return postMapper.getCountOfCommentsByPostId(postId); } @Override public List selectPostListByUserId(Integer userId) { return postMapper.selectPostListByUserId(userId); } @Override public int insertPost(Post post) { return postMapper.insert(post); } }这段代码只能向es批量插入200条文档,告诉我为什么,我应该如何批量插入更多数据

最新推荐

recommend-type

基于Springboot + Mybatis框架实现的一个简易的商场购物系统.zip

基于springboot的java毕业&课程设计
recommend-type

用于 CNO 实验的 MATLAB 脚本.zip

1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
recommend-type

基于卷积神经网络的垃圾分类.zip

卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。
recommend-type

基于 Yolov5的检测模型

运行程序 1、测试.pt模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开runs文件,找到trains文件中的best_1.pt即为训练最优模型。 2.在根目录找到 detect.py 文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。 2、测试.onnx模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开 export.py 文件,修改默认输出模型类型为onnx,选择best_1.pt输入模型,点击运行。 2.在根目录找到detect_onnx.py文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。
recommend-type

郁郁苍苍---基于SpringBoot的多人社区项目.zip

基于springboot的java毕业&课程设计
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

SQL怎么实现 数据透视表

SQL可以通过使用聚合函数和GROUP BY子句来实现数据透视表。 例如,假设有一个销售记录表,其中包含产品名称、销售日期、销售数量和销售额等信息。要创建一个按照产品名称、销售日期和销售额进行汇总的数据透视表,可以使用以下SQL语句: ``` SELECT ProductName, SaleDate, SUM(SaleQuantity) AS TotalQuantity, SUM(SaleAmount) AS TotalAmount FROM Sales GROUP BY ProductName, SaleDate; ``` 该语句将Sales表按照ProductName和SaleDat
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。