当 ElasticSearch 的业务量足够大，比如每天都会产生数百 GB 数据的时候，你就会自然而然的需要一个性能更强的 ElasticSearch 集群。特别是当你使用的场景是一些典型的大量数据进入的场景，比如网站日志、用户行为记录、大型电商网站的站内搜索时，一个强劲的 ElasticSearch 是必不可少的组件。在这样的场景下，如何找到一组合适的 ElasticSearch 集群？如何评估 ElasticSearch 集群的性能，就成为了一个十分重要的因素。
用什么 ElasticSearch 进行压力测试？
对于 ElasticSearch 性能测试和压力测试方面，其实有很多不同的方案，比如：
- Rally：Rally 是 Elastic 官方针对于 ElasticSearch 的宏观测试工具。
- ESPerf：一个基于 Golang 编写的 ElasticSerch 性能测试工具
- Elasticsearch Stress Test：由著名的 ElasticSearch 服务提供商 Logzio 开发的性能测试工具
除了这些定制化的工具意外以外，ElasticSearch 也可以借由其 Restful API 来使用Load Runner、JMeter等老牌工具进行测试，这些工具零零散散，各有各的用法和用途，不过，对于广大开发者而言，还是官方出的 Rally 更令人满意。
在本篇文章中，将会使用 Rally 来完成 ElasticSearch 集群的压力测试
Rally 作为官方出品的工具，来自官方的信任加成让他成为各家进行压力测试的首选工具。其次， Rally 官方给出了多种默认的数据集（Tracks）。如果你的使用场景覆盖在这些数据集(比如HTTP 访问事件数据、地理名称数据、地理坐标点数据、HTTP 请求日志、问答场景、打车记录等场景)中，可以直接使用已有的数据集，来完成测试，而无需制造测试数据。
即使你的场景比较特殊，无法被官方的数据集所覆盖，也依然可以根据自己的线上数据，来创建数据集，确保测试效果的准确。
如何使用 Rally 进行测试？
在了解了 Rally 后，来具体看一看 Rally 的使用。
测试前的准备
关于 Rally 的基本安装，这里就不再介绍，总的来说十分简单，在配置好了 JDK 和 Python 环境以后，只需要执行pip install rally 就可以完成安装。如果你的环境复杂，希望以一个更简单的方式来运行，你也可以选择使用 Docker 来运行 Rally ，进行测试。关于更多的安装方式，你可以参考 Rally 的安装文档.
在安装完成了 Rally 后，就可以开始进行 ElasticSearch 的测试。
在测试前，你需要先了解一些基本概念
- race：在 Rally 中，每一次测试都可以称之为 race
- car： 在 Rally 中，每一个参与测试的集群，都可以称之为 car ，不同的集群就是不同的 car，如果你是在选配置，则可以通过切换 car 来设置不同配置的测试。
- track: 在 Rally 中，每一次测试用的数据，都可以称之为 Track，不同的 Track 意味着不同的测试数据。
- challange： 在 Rally 中，每一个 challange 意味着一个不同的测试场景，具体的场景则代表着 ElasticSearch 所执行的操作。
在了解测试的基本概念后，就可以开始进行压力测试。
进行压力测试
测试设备
由于本次测试实际上是一次选型的过程，在测试之前，我曾阅读了 Elastic 官方的权威指南中的硬件部分.在其文档中提供了对于运转 ElasticSearch 集群设备的推荐配置。
- 64 GB 内存的机器是非常理想的， 但是32 GB 和16 GB 机器也是很常见的。少于8 GB 会适得其反（你最终需要很多很多的小机器），大于64 GB 的机器也会有问题， 我们将在 堆内存:大小和交换 中讨论。
- 如果你要在更快的 CPUs 和更多的核心之间选择，选择更多的核心更好。多个内核提供的额外并发远胜过稍微快一点点的时钟频率。
- 如果你负担得起 SSD，它将远远超出任何旋转介质（注：机械硬盘，磁带等）。 基于 SSD 的节点，查询和索引性能都有提升。如果你负担得起，SSD 是一个好的选择。
- 通常，选择中配或者高配机器更好。避免使用低配机器， 因为你不会希望去管理拥有上千个节点的集群，而且在这些低配机器上运行 Elasticsearch 的开销也是显著的。
因此，我选择了原本打算购买的三家厂商（阿里云、腾讯云、UCloud）的设备进行测试，在具体的配置层面，则在各家购买四台 8C64G 100GBSSD磁盘的的云主机来进行测试。
测试环节
1. 构建集群
在进行测试前，需要先对已有的三台设备搭建集群，并配置集群链接，确保集群正常工作。集群搭建的部分，你可以参考官方文档中的Add and remove nodes in your cluster部分。
2. 执行测试命令
在完成了集群的建设后，测试就简单很多，只需要执行命令，便可以对已经建设好的集群进行测试，比如:
esrally --track=pmc --target-hosts=10.5.5.10:9200,10.5.5.11:9200,10.5.5.12:9200 --pipeline=benchmark-only
执行完命令后，接下来就是漫长的等待，根据机器的配置和集群等
3. 获得测试结果
在执行了测试命令后，测试完成后，你就可以获得相应的测试结果。不过，为了方便进行对比和查看，你可以在测试的命令中加入参数，从而实现将测试结果导出为特定的格式。
比如,执行这样的测试命令，就可以获得 CSV 格式的测试数据
esrally --track=pmc --target-hosts=10.5.5.10:9200,10.5.5.11:9200,10.5.5.12:9200 --pipeline=benchmark-only -report-format=csv --report-file=~/benchmarks/result.csv
当你得到了 csv 的结果后，就可以对数据进行分析和对比了。
如何查看 Rally 的测试结果
当我们对 Rally 执行测试以后，我们会拿到大量的数据，而具体这些数据应该如何来看呢？接下来我们一一来看。
如何理解 Rally 的数据
Rally 导出的数据共有 4 列，分别是 Metric（维度）、Task（任务）、Unit（单位）和Result（结果）。
我们可以将数据按照 Task 进行切分，你可以得到若干组结果，如：
- 没有 Task 的宏观数据
- index-append 组数据
- index-stats 组数据
- node-stats 组数据
- phrase 组数据
- ...
不同的组意味着 ElasticSearch 在不同场景下的应用，因此，你在对比时，需要按照分组来看数据。而分组内部的数据，就简单了许多，除了宏观数据以外，其他各组的数据基本上都是一个模式的，具体可以分为以下 14 组数据。
- Min/Median/Max：本组测试的最小吞吐率、中位吞吐率和最大吞吐率，单位为 ops/s ,越大越好。
- 50th/90th/99th/100th percentile latency: 提交请求和收到完整回复之间的时间段，越小越好
- 50th/90th/99th/99.9th/100th percentile service time：请求处理开始和接收完整响应之间的时间段，越小越好
- error rate：错误率，错误响应相对于响应总数的比例。任何被 Elasticsearch Python 客户端抛出的异常都被认为是错误响应(例如，HTTP 响应码 4xx、5xx或者网络错误，如网络不可达)。
当你能够理解数据的划分方式后，对于 Rally 返回的众多数据就比较好理解了。接下来，我们以实际例子来看 Rally 返回的数据。
如何理解 Rally 返回的宏观测试数据
这里以我测试的数据为例。
根据每组数据对应的不同操作，我们可以将其数据分为若干组，这里我将数据按照颜色进行了一个基础的划分，从上到下依次为：
- 索引时间
- 索引节流时间
- 合并时间
- 合并节流时间
- 刷新时间
- 重刷时间
首先，先看第一组的索引时间，索引时间共有四个指标:
- Cumulative indexing time of primary shards: 主分片累计索引时间
- Cumulative indexing time across primary shards：跨分片累计索引时间
- Cumulative indexing throttle time of primary shards：主分片累计节流索引时间
- Cumulative indexing throttle time across primary shards：跨分片累计节流索引时间
这四个指标说明了 ElasticSearch 在进行数据处理所需要的索引时间，因此，时间越短越好。
| Metric | 腾讯云 | UCloud | 阿里云 |
|---|---|---|---|
| Cumulative indexing time of primary shards | 25.262833333333300 | 19.2662 | 21.40011666666670 |
| Min cumulative indexing time across primary shards | 5.0297 | 3.8177666666666700 | 4.2537666666666700 |
| Median cumulative indexing time across primary shards | 5.052066666666670 | 3.8252333333333300 | 4.272083333333330 |
| Max cumulative indexing time across primary shards | 5.076316666666670 | 3.9190666666666700 | 4.3139 |
在本组测试结果中，腾讯云的计算时间耗费最长，阿里云可以在腾讯的基础之上，有约 16 % 的性能提升，UCloud 则在腾讯云的基础之上提升了 24%。
在测试过程中，会因为机器的性能等因素，而造成实际测试时间的不同。在这三组中，阿里云是最神奇的一个，因为它测试时间达到了6个小时。而 UCloud 和腾讯云则分别在 3 小时和 4 小时左右，实际的测试体验还是有很大的差距。如果你要复现相应的实验，建议你在早上进行，这样出测试结果的时候刚好还在白天。
接下来看合并时间的数据
- Cumulative merge throttle time of primary shards：主分片累计节流合并时间
- Min cumulative merge throttle time across primary shards：主分片累计节流合并时间
- Median cumulative merge throttle time across primary shards：主分片累计节流中位合并时间
- Max cumulative merge throttle time across primary shards：主分片累计节流最大合并时间
合并时间组结果类似于索引时间组，不同的是测量的数据 Merge 时间。和 index 类似，时间越短越好，合并数量越大越好。
| Metric | 腾讯云 | UCloud | 阿里云 | Unit |
|---|---|---|---|---|
| Cumulative merge time of primary shards | 12.6379 | 7.717366666666670 | 11.083600000000000 | min |
| Cumulative merge count of primary shards | 90 | 116 | 99 | |
| Min cumulative merge time across primary shards | 2.2037 | 1.43605 | 1.8695333333333300 | min |
| Median cumulative merge time across primary shards | 2.5391166666666700 | 1.5713166666666700 | 2.2406333333333300 | min |
| Max cumulative merge time across primary shards | 2.733966666666670 | 1.6538166666666700 | 2.5342 | min |
在本组测试结果中，腾讯云的计算时间耗费最长，阿里云可以在腾讯的基础之上，有约 9 % 的性能提升，UCloud 则在腾讯云的基础之上提升了 30%～40%
其他几组类似的数据，这里就不再一一介绍，大家可以自行下载文章最后的数据进行分析，评估，得出结论。
如何理解 Rally 返回的项目测试数据
除了宏观数据以外，Rally 返回数据中极大比例的是各种不同场景下的数据，这里，我们也选两组数据进行对比分析，看一看这些数据应该如何理解。
首先，我们看一下 node-stats 组的结果。
node-stats 组的结果是针对 node-stats 命令的数据分析结果。这里的吞吐量越大越好，时延则越小越好。
| Metric | Task | 腾讯云 | UCloud | 阿里云 | Unit |
|---|---|---|---|---|---|
| Min Throughput | node-stats | 90.07 | 90.07 | 90.07 | ops/s |
| Median Throughput | node-stats | 90.11 | 90.11 | 90.12 | ops/s |
| Max Throughput | node-stats | 90.39 | 90.44 | 90.42 | ops/s |
| 50th percentile latency | node-stats | 2.1798378893436200 | 1.491405833803580 | 1.8348334997426700 | ms |
| 90th percentile latency | node-stats | 2.521278689346220 | 1.8698435997976000 | 1.9605179221798600 | ms |
| 99th percentile latency | node-stats | 3.795880397665310 | 3.173550112005610 | 2.901402467268780 | ms |
| 99.9th percentile latency | node-stats | 12.884928510055500 | 9.625145497986580 | 17.55732728102550 | ms |
| 100th percentile latency | node-stats | 18.134295778509100 | 10.29519444455220 | 20.23470633321270 | ms |
| 50th percentile service time | node-stats | 2.111824500389050 | 1.4231965001272300 | 1.7749374997038100 | ms |
| 90th percentile service time | node-stats | 2.453031599361570 | 1.7979749004553000 | 1.8996412000888100 | ms |
| 99th percentile service time | node-stats | 3.686133219835030 | 2.9536031294901500 | 2.8262974901645100 | ms |
| 99.9th percentile service time | node-stats | 12.818092870313500 | 9.55140776220657 | 8.42020982098726 | ms |
| 100th percentile service time | node-stats | 16.345433999958900 | 10.22649399965300 | 20.173265999801500 | ms |
在本组测试结果中，阿里云、腾讯云、UCloud 在性能方面没有较大的差距。
类似的，我们可以对比 country_agg_uncached 组的结果
| Metric | Task | 腾讯云 | UCloud | 阿里云 | Unit |
|---|---|---|---|---|---|
| Min Throughput | country_agg_uncached | 3.60 | 3.61 | 3.60 | ops/s |
| Median Throughput | country_agg_uncached | 3.60 | 3.61 | 3.60 | ops/s |
| Max Throughput | country_agg_uncached | 3.60 | 3.61 | 3.61 | ops/s |
| 50th percentile latency | country_agg_uncached | 259.7333187786720 | 116.19688144446600 | 197.52657255594400 | ms |
| 90th percentile latency | country_agg_uncached | 264.3554400450740 | 125.7470980999640 | 201.85445903407500 | ms |
| 99th percentile latency | country_agg_uncached | 270.25939978284400 | 132.88548155585000 | 205.84624599263400 | ms |
| 100th percentile latency | country_agg_uncached | 278.76161922358700 | 133.7250455553660 | 206.57134322209500 | ms |
| 50th percentile service time | country_agg_uncached | 259.5503135007680 | 115.99637649987900 | 197.4296050002520 | ms |
| 90th percentile service time | country_agg_uncached | 264.2378849999660 | 125.53214089985000 | 201.7642059001450 | ms |
| 99th percentile service time | country_agg_uncached | 270.08045803115200 | 132.6980350402570 | 205.7533532799970 | ms |
| 100th percentile service time | country_agg_uncached | 278.6570290008970 | 133.52231299995800 | 206.47192300020800 | ms |
| error rate | country_agg_uncached | 0.00 | 0.00 | 0.00 | % |
在本组测试结果中，阿里云、腾讯云、UCloud 在吞吐量方面没有较大的差距，时延方面 UCloud 会更好一点。
关于更多的数据，我们不在这里一一介绍，我将测试数据已经附在了文章的最后，你可以通过下载数据，自行分析，来练习 Rally 的使用和数据分析。
一些使用 Rally 时的小技巧
如何解决 Rally 网络不好的问题？
Rally 在执行时，需要下载相应的数据进行真实场景下的模拟，在这种情况下，Rally 需要从 AWS S3 上下载一些数据包，用于本地的测试。但国内的设备对于 S3 的访问不算太友好，经常会在下载的时候出现问题，因此，你可以选择前置下载数据，这样在测试的时候可以直接使用本地的数据来完成测试，减少失败的可能。
想要前置下载数据也很简单只需要执行如下命令:
curl -O https://raw.githubusercontent.com/elastic/rally-tracks/master/download.sh
chmod u+x download.sh
./download.sh geonames
cd ~
tar -xf rally-track-data-geonames.tar
在执行 download.sh 时加入 track 名，就可以下载对应 track 数据的压缩包到本地，你可以根据自己的实际使用情况，来决定使用什么样的 track 模拟真实场景。
总结
在业务真正使用 ElasticSearch 之前，你可以像我一样，借助于 Rally 对备选的 ElasticSearch 集群进行压力测试，并通过对压测结果进行分析，从而获得明确的选型建议。比如，在我这次测试中，显然 UCloud 优于其他两家，是一个性价比 更高的选择。当然，这是一个实验环境下的压测，还是需要根据具体的业务场景做测试来进行选型，更为科学，不过希望压测方法能给予大家参考，也欢迎大家在后续实际的测试过程中给予我反馈。
附录
本文涉及到的测试数据均可以在下载地址找到。