logstash6.8.3 导入 CSV 文件到 ElasticSearch

logstash6.8.3 导入 CSV 文件到 ElasticSearch

使用logstash 导入数据到ES时，由三个步骤组成：input、filter、output。整个导入过程可视为：unix 管道操作，而管道中的每一步操作都是由"插件"实现的。使用 ./bin/logstash-plugin list 查看 logstash 已安装的插件。

每个插件的选项都可以在官网查询，先明确是哪一步操作，然后去官方文档看是否有相应的插件是否支持这种操作。比如 output 配置选项：plugins-outputs-elasticsearch-options)，其中的doc_id选项就支持 指定docid写入ES。在这里，简要说明一些常用的插件，要想了解它们实现的功能可参考官方文档。

1. mutate 插件 用于字段文本内容处理，比如 字符替换
2. csv 插件 用于csv格式文件导入ES
3. convert 插件 用于字段类型转换
4. date 插件 用于日期类型的字段处理

使用logstash导入时，默认以 "message" 标识 每一行数据，并且会生成一些额外的字段，比如@version、host、@timestamp，如果用不着，这些字段可以去除掉 ，此外，要注意ES中的索引的格式(Mapping结构)，最好是指定自定义的索引模板，保证索引最"精简"。

另外这里记录一些常用的参数及其作用，更具体的解释可查看官方文档。

1. sincedb_path 告诉logstash记录文件已经处理到哪一行了，从而当logstash发生故障重启时，可从故障点处开始导入，避免从头重新导入。
2. remove_field 删除某些字段

配置文件完成后，执行以下命令./bin/logstash -f csvfile_logstash.conf 即可启动 logstash 执行导入操作。

以下是各种错误解决：
错误一：

ConfigurationError”, :message=>”Expected one of #, input, filter, output at line 1, column 1

如果 配置文件内容是正确的，用Notepad++检查一下文件的编码，确保是：UTF-8 无BOM格式编码

解决 SOH 分隔符问题

由于csv插件的separator选项不支持转义字符，因此无法用u0001来代表SOH。如果 csv 文件以 SOH 分隔符(u0001)分割，一种方案是使用mutate插件替换，将u0001替换成逗号。如下所示：

    mutate{
		# 每一行内容默认是message, 将分隔符 u0001 替换成 逗号
		gsub => [ "message","u0001","," ]
		# @timestamp 字段是默认生成的, 名称修改成 created
		rename => ["@timestamp", "created"]
    }

但是实际上logstash6.8.3是支持按 SOH 分割的。在Linux shell 下，先按 ctrl+v，再按ctrl+a，输入的就是SOH。那么在vim中打开配置文件，在 vim的 insert 模式下，先按 ctrl+v，再按ctrl+a，将SOH作为 csv 插件的separator分割符。

    csv {
			# 每行按逗号分割, 生成2个字段: topsid 和 title, (如果分割超过2列了,第三列则以 column3 命名)
            separator => "
"
            columns => ["topsid", "title"]
			# 删除一些不需要索引到ES中去的字段(logstash默认生成的一些字段)
			remove_field => ["host", "@timestamp", "@version", "message","path"]
        }	

一个将csv文件内容导入ES的示例配置模板如下：（csv文件中的每一行以SOH作为分割符）

• logstash input 插件支持多种数据来源，比如kafka、beats、http、file 等。在这里我们的数据来源是文件，因此采用了logstash input file 插件。
• 把数据从文件中读到logstash后，可能需要对文件内容/格式 进行处理，比如分割、类型转换、日期处理等，这由logstash filter插件实现。在这里我们进行了文件的切割和类型转换，因此使用的是logstash filter csv插件和mutate插件。
• 处理成我们想要的字段后，接下来就是导入到ES，那么就需要配置ES的地址、索引名称、Mapping结构信息(使用指定模板写入)，这由 logstash output插件实现，在这里我们把处理后的数据导入ES，因此使用的是 logstash output elasticsearch插件。

input {
  file {
      path => "/data/psj/test/*.csv"
      start_position => "beginning"
	  sincedb_path => "/dev/null"
    }
}

filter {
    csv {
			# 每行按逗号分割, 生成2个字段: topsid 和 title, (如果分割超过2列了,第三列则以 column3 命名)
            separator => "
"
            columns => ["topsid", "title"]
			# 删除一些不需要索引到ES中去的字段(logstash默认生成的一些字段)
			remove_field => ["host", "@timestamp", "@version", "message","path"]

        }			
	mutate {
    convert => {
		# 类型转换
		"topsid" => "integer"
		"title" => "string"
    }
  }
}

output {
   elasticsearch {
        hosts => "http://http://127.0.0.1:9200"
        index => "chantitletest"
    	# 指定 文档的 类型为 "_doc"
		document_type => "_doc"
		# 指定doc id 为topsid字段的值
		document_id => "%{topsid}"
		manage_template => true
		# 使用自定义的模板写入,否则将会以logstash默认模板写入
		template => "/data/services/logstash-6.8.3/config/chantitletpe.json"
		template_overwrite => true
		template_name => "chantitletpe"
       }
    stdout{
		codec => json_lines
	}
}

(也可以采用logstash filter插件的 mutate选项 将SOH转换成逗号)：

filter {
    mutate{
		# 每一行内容默认是message, 将分隔符 u0001 替换成 逗号
		gsub => [ "message","u0001","," ]
		# @timestamp 字段是默认生成的, 名称修改成 created
		rename => ["@timestamp", "created"]
    }
    csv {
	    # 每行按逗号分割, 生成2个字段: topsid 和 title, (如果分割超过2列了,第三列则以 column3 命名)
            separator => ","
            columns => ["topsid", "title"]
			# 删除一些不需要索引到ES中去的字段(logstash默认生成的一些字段)
			remove_field => ["host", "@timestamp", "@version", "message","path"]
        }			
	mutate {
    convert => {
		# 类型转换
		"topsid" => "integer"
		"title" => "string"
    }
  }
}

使用的自定义模板如下：

{
  "index_patterns": [
    "chantitle_v1",
    "chantitletest"
  ],
  "settings": {
    "number_of_shards": 3,
    "analysis": {
      "analyzer": {
        "my_hanlp_analyzer": {
          "tokenizer": "my_hanlp"
        },
        "pinyin_analyzer": {
          "tokenizer": "my_pinyin"
        }
      },
      "tokenizer": {
        "my_hanlp": {
          "enable_normalization": "true",
          "type": "hanlp_standard"
        },
        "my_pinyin": {
          "keep_joined_full_pinyin": "true",
          "lowercase": "true",
          "keep_original": "true",
          "remove_duplicated_term": "true",
          "keep_first_letter": "false",
          "keep_separate_first_letter": "false",
          "type": "pinyin",
          "limit_first_letter_length": "16",
          "keep_full_pinyin": "true"
        }
      }
    }
  },
  "mappings": {
    "_doc": {
      "properties": {
        "created": {
          "type": "date",
          "doc_values": false,
          "format": "yyyy-MM-dd HH:mm:ss"
        },
        "title": {
          "type": "text",
          "fields": {
            "pinyin": {
              "type": "text",
              "boost": 10,
              "analyzer": "pinyin_analyzer"
            },
            "raw": {
              "type": "keyword",
              "doc_values": false
            }
          },
          "analyzer": "my_hanlp_analyzer"
        },
        "topsid": {
          "type": "long",
          "doc_values": false
        }
      }
    }
  }
}

上面给了一个csv文件导入ES，这里再给个txt文件导入ES吧。txt 以逗号分割，每列的内容都在冒号里面，只需要前4列内容，一行示例数据如下：

"12345","12345","研讨区","12345","500","xxxx","2008-08-04 22:20:24","0","300","0","5","0","","0","0","","","0","0"

这里采用的是 logstash filter 的 dissect 插件。相比于grok插件，它的优点不是采用正规匹配的方式解析数据，速度较快，但不能解析复杂数据。只能够对较为规律的数据进行导入。logstash 配置文件如下：

input {
  file {
      path => "/data/psj/test/*.txt"
      start_position => "beginning"
      # sincedb_path => "/dev/null"
    }
}

filter {
  dissect {
      mapping => {
		# 插件输入的每一行数据默认名称是message，由于每列数据在双引号里面，因此解析前4列数据的写法如下：
        "message" => '"%{topsid}","%{subsid}","%{subtitle}","%{pid}"'
      }
	  # 删除自动生成的、用不着的一些字段
	  remove_field => ["host", "@timestamp", "@version", "message","path"]
	  convert_datatype => {
		# 类型转换
		"topsid" => "int"
		"subsid" => "int"
		"pid" => "int"
    }
    }
}

output {
   elasticsearch {
        hosts => "http://127.0.0.1:9200"
        index => "chansubtitletest"
		document_type => "_doc"
		# 指定doc id 为topsid字段的值
		document_id => "%{subsid}"
		manage_template => true
		# 使用自定义的模板写入,否则将会以logstash默认模板写入
		template => "/data/services/logstash-6.8.3/config/chansubtitle.json"
		template_overwrite => true
		template_name => "chansubtitle"
       }
    stdout{
		codec => json_lines
	}
}

原文：https://www.cnblogs.com/hapjin/p/12410408.html