Python Elasticsearch api

发布时间：2020-02-17 21:37:18编辑：admin阅读（2947）

一、介绍

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。下面介绍了利用Python API接口进行数据查询，方便其他系统的调用。

安装API

pip3 install elasticsearch

建立es连接

无用户名密码状态

from elasticsearch import Elasticsearch
es = Elasticsearch([{'host':'10.10.13.12','port':9200}])

默认的超时时间是10秒，如果数据量很大，时间设置更长一些。如果端口是9200，直接写IP即可。代码如下：

es = Elasticsearch(['10.10.13.12'], timeout=3600)

用户名密码状态

如果Elasticsearch开启了验证，需要用户名和密码

es = Elasticsearch(['10.10.13.12'], http_auth=('xiao', '123456'), timeout=3600)

数据检索功能

es.search(index='logstash-2015.08.20', q='http_status_code:5* AND server_name:"web1"', from_='124119')

常用参数

index - 索引名
q - 查询指定匹配使用Lucene查询语法
from_ - 查询起始点默认0
doc_type - 文档类型
size - 指定查询条数默认10
field - 指定字段逗号分隔
sort - 排序字段：asc/desc
body - 使用Query DSL
scroll - 滚动查询

统计查询功能

语法同search大致一样，但只输出统计值

es.count(index='logstash-2015.08.21', q='http_status_code:500')

输出：

{'_shards':{'failed':0, 'successful':5, 'total':5}, 'count':17042}

17042 就是统计值！

知识扩展

滚动demo

# Initialize the scroll
page = es.search(
    index ='yourIndex',
    doc_type ='yourType',
    scroll ='2m',
    search_type ='scan',
    size =1000,
    body ={
    # Your query's body
})
 
sid = page['_scroll_id']
scroll_size = page['hits']['total']
 
# Start scrolling
while(scroll_size >0):
    print "Scrolling..."
    page = es.scroll(scroll_id = sid, scroll ='2m')
    # Update the scroll ID
    sid = page['_scroll_id']
    # Get the number of results that we returned in the last scroll
    scroll_size = len(page['hits']['hits'])
    print "scroll size: "+ str(scroll_size)
    # Do something with the obtained page

以上demo实现了一次取若干数据，数据取完之后结束，不会获取到最新更新的数据。我们滚动完之后想获取最新数据怎么办？滚动的时候会有一个统计值，如total: 5。跳出循环之后，我们可以用_from参数定位到5开始滚动之后的数据。

但是我用的不是这个，用的是以下方法，链接如下：

https://www.cnblogs.com/blue163/p/8126156.html

在下面的内容中，我会详细介绍此代码如何使用！

二、Query DSL

range过滤器查询范围

gt: > 大于
lt: < 小于
gte: >= 大于或等于
lte: <= 小于或等于

示例代码1

"range":{
    "money":{
        "gt":20,
        "lt":40
    }
}

时间范围

指定时间段

那么问题来了，它是根据当前时间来计算最近的时间。但是有些情况下，我需要制定时间范围，精确到分钟

假设需要查询早上8点到9点的数据，可以这样

"range": {
    '@timestamp': {
        "gt" : "{}T{}:00:00".format("2018-12-17","08"),
        "lt": "{}T{}:59:59".format("2018-12-17","09"),
        "time_zone": "Asia/Shanghai"
    }
}

注意：日期和小时之间，有一个字母T来间隔。不能用空格！

time_zone 表示时区，如果默认的时区不会，可能会影响查询结果！

bool组合过滤器

must：所有分句都必须匹配，与 AND 相同。
must_not：所有分句都必须不匹配，与 NOT 相同。
should：至少有一个分句匹配，与 OR 相同。

示例代码

{
    "bool":{
    　　"must":[],
    　　"should":[],
    　　"must_not":[],
    }
}

term过滤器

term单过滤

{    "terms":{
    　　"money":20
    }
}

表示money包含20的记录

terms复数版本

允许多个匹配条件

{    "terms":{
    　　"money":20
    }
}

表示money包含20或者30的记录

结合bool+term来举一个实际的例子：

查询path字段中包含applogs最近1分钟的记录

"bool": {
    "must": [
        {
            "terms": {
                "path": [
                    "applogs",
                ]
            }
        },
        {
            "range": {
                '@timestamp': {'gt': 'now-1m'}
            }
        }
    ]
}

这里使用了terms复数版本，可以随时添加多个条件！

正则查询

{
    "regexp": {
        "http_status_code": "5.*"
    }
}

match查询

match 精确匹配

{
    "match":{
    　　"email":"123456@qq.com"
    }
}

multi_match 多字段搜索

{
    "multi_match":{
    　　"query":"11",
    　　"fields":["Tr","Tq"]
    }
}

demo

获取最近一小时的数据

{'query':
    {'filtered':
        {'filter':
            {'range':
                {'@timestamp':{'gt':'now-1h'}}
            }
        }
    }
}

条件过滤查询

{
    "query":{
        "filtered":{
            "query":{"match":{"http_status_code":500}},
            "filter":{"term":{"server_name":"vip03"}}
        }
    }
}

Terms Facet 单字段统计

{'facets':
    {'stat':
        {'terms':
            {'field':'http_status_code',
              'order':'count',
        'size':50}
        }
    },
    'size':0
}

一次统计多个字段

{'facets':
    {'cip':
        {'terms':
            {'fields':['client_ip']}},
              'status_facets':{'terms':{'fields':['http_status_code'],
              'order':'term',
              'size':50}}},
        'query':{'query_string':{'query':'*'}},
    'size':0
}

多个字段一起统计

{'facets':
    {'tag':
        {'terms':
            {'fields':['http_status_code','client_ip'],
              'size':10
           }
        }
    },
    'query':
        {'match_all':{}},
    'size':0
}

数据组装

以下是kibana首页的demo，用来统计一段时间内的日志数量

{
  "facets": {
    "0": {
      "date_histogram": {
        "field": "@timestamp",
        "interval": "5m"
      },
      "facet_filter": {
        "fquery": {
          "query": {
            "filtered": {
              "query": {
                "query_string": {
                  "query": "*"
                }
              },
              "filter": {
                "bool": {
                  "must": [
                    {
                      "range": {
                        "@timestamp": {
                          'gt': 'now-1h'
                        }
                      }
                    },
                    {
                      "exists": {
                        "field": "http_status_code.raw"
                      }
                    },
                    # --------------- -------
                    # 此处加匹配条件
                  ]
                }
              }
            }
          }
        }
      }
    }
  },
  "size": 0
}

如果想添加匹配条件，在以上代码标识部分加上过滤条件，按照以下代码格式即可

{
"query": {
    "query_string": {"query": "backend_name:baidu.com"}
    }
},

先介绍到这里，后续会有Query DSL API介绍。

三、需求分析

需求

下面是kibana展示的日志

需要统计某一天的日志，统计每一个小时用户数，要求用户id不能重复。一个用户id就是一个用户，也称之为一个PV。

看一段message字段信息

2018-12-17 12:00:00,533 l=INFO [r=9538381535][s=2] [t=http-xxx-543] [APP=user] [Class=o.s.u.c.AccountController:1189] [Method=findCustomerByLoid]- Operation=find customer by loid,Params=loid:001,Content=start

其中有一个[r=9538381535]，这个9538381535就是用户id。那么用户登录手机APP操作，都会带着这个id，产生一条日志。

比如user项目，那么最终要的数据格式如下：

"user":{
    "00":1,
    "01":0,
    ...
    "22":3245,
    "23":765
}

这里使用24小时制来表示每一个时间段，有多个个用户访问了。注意：已经去重了用户id，统计用户数！

四、相关技术点

在放出最终代码之前，先来介绍相关技术点，便于理解代码。按照代码从上到下原则，分别来介绍！

项目列表

project_list = ['user',...]

实际的项目是user，但是存储到elasticsearch中，是userlogs，加了一个logs后缀。这个是java后端代码定义的，便于识别！

判断日期是否合法

def isVaildDate(self, date):
    try:
        if ":" in date:
            time.strptime(date, "%Y-%m-%d %H:%M:%S")
        else:
            time.strptime(date, "%Y-%m-%d")
        return True
    except:
        return False

因为需要统计一周的数据，所以脚本执行时，需要传一个日期参数。那么日期参数，传给程序是否合法呢？需要有一个函数来判断！

记录日志

def write_log(self, content):
        """
        写入日志文件
        :param path:
        :param content:
        :return:
        """
        path = "print.log"
        with open(path, mode='a+', encoding='utf-8') as f:
            content = time.strftime('%Y-%m-%d %H:%M:%S') + ' ' + content + "\n"
            print(content)
            f.write(content)

为啥不用Python的日志模块呢？因为测试发现，它写入一些，我不想要的信息，太占用磁盘空间了。所以，我单独写了一个记录日志方法。

获取elasticsearch数据

def Get_Data_By_Body(self, project, fixed_date, hour):
    """
    获取数据
    :param project: 项目名
    :param fixed_date: 指定日期
    :param hour: 24小时制中的某一个小时
    :return: object
    """
    # 查询条件，查询项目最近1小时的数据。
    doc = {
        "query": {
            "bool": {
                "must": [
                    {
                        "terms": {
                            "path": [
                                project + "logs",
                            ]
                        }
                    },
                    {
                        "range": {
                            '@timestamp': {
                                "gt": "{}T{}:00:00".format(fixed_date, hour),
                                "lt": "{}T{}:59:59".format(fixed_date, hour),
                                "time_zone": "Asia/Shanghai"
                            }
                        }
                    }
                ]
            }
        }
    }

由于线上数据量过大，因此直接查询一天的数据，会卡死。所以是切分为每一个小时查询！

上面的query表示查询语句，大概就是查询指定项目(项目名+logs)，1小时范围内的数据

scroll获取数据

由于1小时内的数据量，也很大。不能直接返回！默认不指定size，是返回10条数据！

size = 1000  # 指定返回1000条
queryData = self.es.search(index=self.index_name, body=doc, size=size, scroll='1m', )

参数解释：

size 指定返回的条数，默认返回10条

index 指定索引名

body 查询语句

scroll 告诉 Elasticsearch 把搜索上下文再保持一分钟。1m表示1分钟

返回结果

mdata = queryData.get("hits").get("hits")  # 返回数据，它是一个列表类型
if not mdata:
    self.write_log('%s mdata is empty!' % project)

queryData 返回一个字典，那么真正的查询结果在queryData['hits']['hits']中，如果这个值没有，表示没有查询到数据！

注意：它并不是返回所有的结果，而是一页的数据，是一个列表类型。因为我们使用了scroll获取数据，只返回一页！

分页数据

上面只是返回了1页，我要所有数据，怎么办？需要使用分页，先来看一下分页公式

divmod(总条数, 每页大小)

注意：divmod返回一个元祖，第一个元素，就是要分页数

总条数，使用

total = queryData['hits']['total']  # 返回数据的总条数

每页大小，就是上面指定的size

size = 1000  # 指定返回1000条

那么遍历每一页数据，需要这样

scroll_id = queryData['_scroll_id']  # 获取scrollID
total = queryData['hits']['total']  # 返回数据的总条数

# 使用divmod设置分页查询
# divmod(total,1000)[0]+1 表示总条数除以1000，结果取整数加1
for i in range(divmod(total, size)[0] + 1):
    res = self.es.scroll(scroll_id=scroll_id, scroll='1m')  # scroll参数必须指定否则会报错
    mdata += res["hits"]["hits"]  # 扩展列表

scroll_id给es.scroll获取数据使用，这个参数必须要有。

由于Python中的range是顾头不顾尾，所以需要加1。使用for循环，就可以遍历每一个分页数

es.scroll(scroll_id=scroll_id, scroll='1m') 才是真正查询每一页的数据，必须要指定这2个参数。它的返回结果，就是查询结果！返回一个列表

上面的mdata是一个列表，res也是列表。因此使用+=就可以扩展列表，得到所有数据！

创建年月日目录

def create_folder(self, fixed_date):
    """
    创建年/月/日 文件夹
    :return: path
    """

    # 系统当前时间年份
    # year = time.strftime('%Y', time.localtime(time.time()))
    # # 月份
    # month = time.strftime('%m', time.localtime(time.time()))
    # # 日期
    # day = time.strftime('%d', time.localtime(time.time()))

    # 年月日
    year, month, day = fixed_date.split("-")

    # 具体时间 小时分钟毫秒
    # mdhms = time.strftime('%m%d%H%M%S', time.localtime(time.time()))

    # 判断基础目录是否存在
    if not os.path.exists(os.path.join(self.BASE_DIR, 'data_files')):
        os.mkdir(os.path.join(self.BASE_DIR, 'data_files'))

    # 年月日
    fileYear = os.path.join(self.BASE_DIR, 'data_files', year)
    fileMonth = os.path.join(fileYear, month)
    fileDay = os.path.join(fileMonth, day)

    # 判断目录是否存在，否则创建
    try:
        if not os.path.exists(fileYear):
            os.mkdir(fileYear)
            os.mkdir(fileMonth)
            os.mkdir(fileDay)
        else:
            if not os.path.exists(fileMonth):
                os.mkdir(fileMonth)
                os.mkdir(fileDay)
            else:
                if not os.path.exists(fileDay):
                    os.mkdir(fileDay)

        return fileDay
    except Exception as e:
        print(e)
        return False

统计结果是最终写入到一个txt里面，那么如何存储呢？使用年月日目录在区分，可以知道这个txt文件，是属于哪一天的。到了一定时间后，可以定期清理，非常方便！

这里使用的传参方式，传入一个日期。所以使用"-"就可以切割出年月日

# 年月日year, month, day = fixed_date.split("-")

输出24小时

使用以下代码就可以实现

hour_list = ['{num:02d}'.format(num=i) for i in range(24)]

输出：

['00', '01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20', '21', '22', '23']

项目统计字典

需要统计每一个项目的每一个小时的用户id，用户id必须去重。既然要去重，我们首先会想到用集合。

但是还有一个办法，使用字典，也可以去重。因为字典的key是唯一的。

构造24小时字典

先来构造项目user的数据，格式如下：

"basebusiness": {
    "00": {},
    "01": {},
    "02": {},
    "03": {},
    "04": {},
    "05": {},
    "06": {},
    "07": {},
    "08": {},
    "09": {},
    "10": {},
    "11": {},
    "12": {},
    "13": {},
    "14": {},
    "15": {},
    "16": {},
    "17": {},
    "18": {},
    "19": {},
    "20": {},
    "21": {},
    "22": {},
    "23": {},
}

这只是一个项目，实际有很多项目。所以每一个字典，都有这样的24小时数据。相关代码如下：

project_dic = {}  # 项目统计字典
# 24小时
hour_list = ['{num:02d}'.format(num=i) for i in range(24)]

for hour in hour_list:  # 遍历24小时
    # print("查询{}点的数据###############".format(hour))
    self.write_log("查询{}点的数据###############".format(hour))
    for project in project_list:  # 遍历项目列表
        if not project_dic.get(project):
            project_dic[project] = {}  # 初始化项目字典

        if not project_dic[project].get(hour):
            project_dic[project][hour] = {}  # 初始化项目小时字典

这里的每一个小时，都是空字典。还没有添加数据，需要添加用户id，下面会讲到！

正则匹配用户id

看这一点字符串

2018-12-17 12:00:00,533 l=INFO [r=9538381535][s=2] [t=http-xxx-543] [APP=user]

需要提取出9538381535，思路就是：匹配中括号内容-->提取以r=开头的内容-->使用等号切割，获取用户id

匹配中括号内容

p1 = re.compile(r'[[](.*?)[]]', re.S)  # 最小匹配，匹配中括号的内容

注意：这里要使用最小匹配，不能使用贪婪匹配。这一段正则，我是用网上找的，测试ok

提取和切割，就比较简单了。使用startswith和split方法，就可以了！

使用字典去重

接下来，需要将用户id写入到字典中，需要去重，否则字典添加时，会报错！

那么如何使用字典去重呢？只需要遵循一个原则即可！ 有则忽略，无则添加

# 判断字典中rid不存在时，避免字典键值重复
if not project_dic[project][hour].get(rid):
    project_dic[project][hour][rid] = True  # 添加值

生成器

这里主要在2个方法中，使用了生成器。生成器的优点，就是节省内容。

一处在是Get_Data_By_Body方法中，它需要返回所有查询的数据。数据量非常大，因此必须要生成器，否则服务器内容就溢出！

还有一处，就main方法。它是返回项目的统计结果。注意，它不是最终结果。它里面保存了每一个项目，每一个小时中的用户id，是已经去重的用户id。

数据量也是比较大，当然，没有Get_Data_By_Body方法返回的结果大。

统计每一个小时用户数

main方法，返回的字典格式如下：

"user":{
    "00":{
        "242412":True,
    }
    "01":{
        "":True,
    },
    ...
    "22":{
        "457577":True,
        "546583":True,
    },
    "23":{
        "457577":True,
        "546583":True,
        "765743":True,
    }
}

我需要知道，每一个小时的用户数。怎么统计呢？用2个方法

1. 遍历字典的每一个小时，使用计数器

2. 使用len方法(推荐)

最简单的方法，就是使用len方法，就可以知道每一个小时有多少个key

for i in dic:  # 遍历数据
    if not final_dic.get(i):
        final_dic[i] = {}  # 初始化字典

    for h in sorted(dic[i]):  # 遍历项目的每一个小时
        # 统计字典的长度
        final_dic[i][h] = len(dic[i][h])

有序字典

看下面的数据

可以发现，24小时，排序是乱的。这样给领导看时，不太美观。所以需要对24小时进行排序！

在Python 3.6之前，字典的key是无序的。因此，需要定义一个有序字典，在写入之前，要对字典的key做一次排序。

这样顺序写入到有序字典之后，之后再次调用，依然是有序的！

order_dic = OrderedDict()  # 实例化一个有序字典
    final_dic = {}  # 最终统计结果
    for dic in data:  # 遍历生成器
        for i in dic:  # 遍历数据
            if not final_dic.get(i):
                final_dic[i] = order_dic  # 初始化字典

            # 有序字典必须先对普通字典key做排序
            for h in sorted(dic[i]):  # 遍历项目的每一个小时
                # 统计字典的长度
                final_dic[i][h] = len(dic[i][h])

完整代码

#!/usr/bin/env python3
# coding: utf-8


import re
import os
import sys
import json
import time
from collections import OrderedDict
from elasticsearch import Elasticsearch

# 项目列表
project_list = ['usercenter', ['login']]


# yesterday = (datetime.datetime.now() + datetime.timedelta(days=-1)).strftime("%Y-%m-%d")
# today = datetime.datetime.now().strftime("%Y-%m-%d")


class ElasticObj:
    def __init__(self, index_name, ip, fixed_date, timeout=3600):
        '''
        :param index_name: 索引名称
        :param ip: elasticsearch地址
        :param timeout: 设置超时间,默认是10秒的，如果数据量很大，时间要设置更长一些
        '''
        self.index_name = index_name
        self.ip = ip
        self.timeout = timeout
        # 无用户名密码状态
        # self.es = Elasticsearch([self.ip], timeout=self.timeout)
        # 用户名密码状态
        # self.es = Elasticsearch([ip],http_auth=('elastic', 'password'),port=9200)
        self.es = Elasticsearch([self.ip], http_auth=('elastic', '123456'), timeout=self.timeout)

        self.fixed_date = fixed_date  # 指定日期

        # 当前py文件所在的文件夹
        self.BASE_DIR = os.path.dirname(os.path.abspath(__file__))
        self.fileDay = self.create_folder()  # 创建日志和数据目录

    @staticmethod
    def isVaildDate(date):
        """
        判断日期是否合法
        :param date: 日期,比如: 2018-03-30
        :return: bool
        """
        try:
            if ":" in date:
                time.strptime(date, "%Y-%m-%d %H:%M:%S")
            else:
                time.strptime(date, "%Y-%m-%d")
            return True
        except:
            return False

    def write_log(self, content):
        """
        写入日志文件
        :param content: 写入内容
        :return:
        """
        path = os.path.join(self.fileDay,"output_%s.log" %self.fixed_date)
        # path = "output_{}.log".format(self.fixed_date)
        with open(path, mode='a+', encoding='utf-8') as f:
            content = time.strftime('%Y-%m-%d %H:%M:%S') + ' ' + content + "\n"
            print(content)
            f.write(content)

    def Get_Data_By_Body(self, project, hour):
        """
        获取数据
        :param project: 项目名
        :param hour: 24小时制中的某一个小时
        :return: 生成器
        """
        # doc = {'query': {'match_all': {}}}
        # 查询条件，查询项目最近1小时的数据。now-1h表示最近1小时
        # print(type(fixed_date))
        # print("{date}T00:00:00".format(date=fixed_date))
        # 24小时

        doc = {
            "query": {
                "bool": {
                    "must": [
                        {
                            "terms": {
                                "path": [
                                    project + "logs",
                                ]
                            }
                        },
                        {
                            # "range": {
                            #     '@timestamp': {'gt': 'now-1m'}
                            # }
                            "range": {
                                '@timestamp': {
                                    "gt": "{}T{}:00:00".format(self.fixed_date, hour),
                                    "lt": "{}T{}:59:59".format(self.fixed_date, hour),
                                    "time_zone": "Asia/Shanghai"
                                }
                            }
                        }
                    ]
                }
            }
        }
        # queryData = self.es.search(index=self.index_name, body=doc)
        # scroll 参数告诉 Elasticsearch 把搜索上下文再保持一分钟,1m表示1分钟
        # size 参数允许我们配置没匹配结果返回的最大命中数。每次调用 scroll API 都会返回下一批结果，直到不再有可以返回的结果，即命中数组为空。
        size = 1000  # 指定返回1000条
        queryData = self.es.search(index=self.index_name, body=doc, size=size, scroll='1m', )
        # print(queryData['hits']['total'])

        mdata = queryData.get("hits").get("hits")  # 返回查询的数据，不是所有数据，而是一页的数据，它是一个列表类型
        if not mdata:
            self.write_log('%s mdata is empty!' % project)

        # scroll_id 的值就是上一个请求中返回的 _scroll_id 的值
        scroll_id = queryData['_scroll_id']  # 获取scrollID
        total = queryData['hits']['total']  # 返回数据的总条数
        # print("查询项目{} {}点的数据,总共有{}条".format(project,hour,total))
        self.write_log("查询项目{} {}点的数据,总共有{}条".format(project, hour, total))

        # 使用divmod设置分页查询
        # divmod(total,1000)[0]+1 表示总条数除以1000，结果取整数加1
        for i in range(divmod(total, size)[0] + 1):
            res = self.es.scroll(scroll_id=scroll_id, scroll='1m')  # scroll参数必须指定否则会报错
            mdata += res["hits"]["hits"]  # 扩展列表
            # yield mdata

        # print(mdata)
        # return mdata
        yield mdata

    def create_folder(self):
        """
        创建年/月/日 文件夹
        :return: path
        """

        # 系统当前时间年份
        # year = time.strftime('%Y', time.localtime(time.time()))
        # # 月份
        # month = time.strftime('%m', time.localtime(time.time()))
        # # 日期
        # day = time.strftime('%d', time.localtime(time.time()))

        # 年月日
        year, month, day = self.fixed_date.split("-")

        # 具体时间 小时分钟毫秒
        # mdhms = time.strftime('%m%d%H%M%S', time.localtime(time.time()))

        # 判断基础目录是否存在
        if not os.path.exists(os.path.join(self.BASE_DIR, 'data_files')):
            os.mkdir(os.path.join(self.BASE_DIR, 'data_files'))

        # 年月日
        fileYear = os.path.join(self.BASE_DIR, 'data_files', year)
        fileMonth = os.path.join(fileYear, month)
        fileDay = os.path.join(fileMonth, day)

        # 判断目录是否存在，否则创建
        try:
            if not os.path.exists(fileYear):
                os.mkdir(fileYear)
                os.mkdir(fileMonth)
                os.mkdir(fileDay)
            else:
                if not os.path.exists(fileMonth):
                    os.mkdir(fileMonth)
                    os.mkdir(fileDay)
                else:
                    if not os.path.exists(fileDay):
                        os.mkdir(fileDay)

            return fileDay
        except Exception as e:
            print(e)
            return False

    def main(self):
        """
        主要处理逻辑
        :return: 生成器
        """
        project_dic = {}  # 项目统计字典
        # fixed_date = datetime.datetime.strptime(fixed_date, "%Y-%m-%d")
        # strftime("%Y-%m-%d")
        # conv_date = fixed_date.strftime("%Y-%m-%d")
        # print(conv_date, type(conv_date))
        # exit()
        # now_hour = fixed_date.strftime('%H')  # 当前时间的小时
        # print(now_hour)
        # 24小时
        hour_list = ['{num:02d}'.format(num=i) for i in range(24)]
        # hour_list = ['{num:02d}'.format(num=i) for i in range(2)]

        # project="usercenter"
        # project_dic[project] = {now_hour: {}}  # 初始化字典
        for hour in hour_list:  # 遍历24小时
            # print("查询{}点的数据###############".format(hour))
            self.write_log("查询{}点的数据###############".format(hour))
            for project in project_list:  # 遍历项目列表
                if not project_dic.get(project):
                    project_dic[project] = {}  # 初始化项目字典

                if not project_dic[project].get(hour):
                    project_dic[project][hour] = {}  # 初始化项目小时字典

                mdata = self.Get_Data_By_Body(project, hour)  # 获取数据
                for item in mdata:  # 遍历生成器
                    for hit in item:  # 遍历返回数据
                        # hit是一个字典
                        str1 = hit['_source']['message']  # 查询指定字典
                        p1 = re.compile(r'[[](.*?)[]]', re.S)  # 最小匹配，匹配中括号的内容
                        for i in re.findall(p1, str1):  # 遍历结果
                            if i.startswith('r='):  # 判断以r=开头的
                                rid = i.split("=")[1]  # 获取rid
                                # print("rid",rid)
                                # 判断字典中rid不存在时，避免字典键值重复
                                if not project_dic[project][hour].get(rid):
                                    project_dic[project][hour][rid] = True  # 添加值

            time.sleep(1)  # 休眠1秒钟

        # return project_dic
        yield project_dic


if __name__ == '__main__':
    # fixed_date = "2018-12-16"
    fixed_date = sys.argv[1]  # 日期参数
    if not ElasticObj.isVaildDate(fixed_date):
        print("日期不合法!")
        exit()

    startime = time.time()  # 开始时间

    index_name = "common-*"
    es_server = "192.168.92.131"

    obj = ElasticObj(index_name, es_server, fixed_date)  # 连接elasticsearch
    print("正在查询日期%s这一天的数据" % fixed_date)
    obj.write_log("###########################################")
    obj.write_log("正在查询日期%s这一天的数据" % fixed_date)

    data = obj.main()
    # print("初步结果",data)

    # fileDay = obj.create_folder()  # 创建目录
    # if not fileDay:
    #     # print("创建目录失败!")
    #     obj.write_log("创建目录失败!")
    #     exit()

    order_dic = OrderedDict()  # 实例化一个有序字典
    final_dic = {}  # 最终统计结果
    for dic in data:  # 遍历生成器
        for i in dic:  # 遍历数据
            if not final_dic.get(i):
                final_dic[i] = order_dic  # 初始化字典

            # 有序字典必须先对普通字典key做排序
            for h in sorted(dic[i]):  # 遍历项目的每一个小时
                # 统计字典的长度
                final_dic[i][h] = len(dic[i][h])

    # print("最终结果",final_dic)  # 统计结果
    obj.write_log("最终结果执行完毕!")

    # 写入文件
    with open(os.path.join(obj.fileDay, 'access_data.txt'), encoding='utf-8', mode='a') as f:
        f.write(json.dumps(final_dic) + "\n")

    endtime = time.time()
    take_time = endtime - startime

    if take_time < 1:  # 判断不足1秒时
        take_time = 1  # 设置为1秒
    # 计算花费时间
    m, s = divmod(take_time, 60)
    h, m = divmod(m, 60)

    # print("本次花费时间 %02d:%02d:%02d" % (h, m, s))
    obj.write_log("统计日期%s这一天的数据完成!请查阅data_files目录的日志和数据文件" % fixed_date)
    obj.write_log("本次花费时间 %02d:%02d:%02d" % (h, m, s))

日志文件和数据文件，都在年月日目录里面！

本文参考链接：

http://www.cnblogs.com/letong/p/4749234.html

http://www.linuxyw.com/790.html