DomainWatchのシステムをリニューアルしました

ドメインのWHOISやサイトの情報を調べることのできるサービスDomainWatchですが、7月半ばからシステムに問題が発生し、新規にドメインのWHOISを照会する機能を停止していました。

—

具体的に言うと、DomainWatchのデータベースはMySQL(MariaDB)を、全文検索にはMySQL用のストレージエンジンMroongaを採用していたのですが、件数が多すぎたせいでMroongaはキーのサイズが4GBまでという制限に引っかかってしまいました。

MySQLの上限に達してしまった
もう再構築するしかない pic.twitter.com/ZufuMpMo1v

— Cheena (ちーな) (@cheenanet) 2019年7月17日

（MySQLの上限と書いていますが、Mroongaの制限が正しいですね）

そこでMroongaではもうあかんということになり、長らく検討していたElasticsearchへの移行を決めました。Elasticsearch自体は別のプロジェクト（非公開）で使用しており、ある程度ノウハウはありました。

Elasticsearchのアナライザー（データ格納時に指定した処理をなんかかんやしてくれるやつ）はこんな感じにしています。

{
  "analysis": {
    "analyzer": {
      "whois_analyzer": {
        "type": "custom",
        "tokenizer": "icu_tokenizer",
        "filter": "ngram"
      }
    }
  }
}

ICU TokenizerとN-gramを合わせるとハイブリッドでいいらしいです。
（8/20）：検索精度が悪いため、結局N-gramはやめました

KuromojiなどではなくICUを選んだ理由としては、WHOIS情報は日本語だけでなく全言語の文字をサポートする必要があるためです。

MySQLのデータをElasticsearchに移行するにあたっては、Logstashを利用しました。

sudo yum install logstash

（Elasticsearchのリポジトリを追加する必要あり）

適当な .conf を作ります。

input {
  jdbc {
    jdbc_driver_library => "/usr/share/java/mysql-connector-java.jar"
    jdbc_driver_class => "com.mysql.jdbc.Driver"
    jdbc_connection_string => "jdbc:mysql://localhost:3306/{database}"
    jdbc_user => "{username}"
    jdbc_password => "{password}"
    jdbc_paging_enabled => true
    jdbc_page_size => 100000
    statement => "SELECT * FROM whois"
  }
}
output {
  elasticsearch {
    hosts => ["localhost:9200"]
    index => "whois"
    pipeline => "date_pipeline"
  }
}

こんな感じで実行

/usr/share/logstash/bin/logstash -f mysql2elasticsearch.conf

データが400万件以上あるため、 jdbc_page_size を指定して10万行ごとに処理するようにしたところ、うまくいきました。 statement ではインポートするレコードを指定しています（テーブル whois の全レコード）。

また、MySQLでは日付文字列をDATETIMEの Y-m-d H:i:s 形式で格納していたため、これをElasticsearchの型 date_time_no_millis の yyyy-MM-dd’T’HH:mm:ssZZ 形式に直す必要がありました。これにはIngest機能を使い、Pipelineを作成しました。

{
  "description" : "date pipeline",
  "processors" : [
    {
      "gsub" : {
        "field": "created_at",
        "pattern": " ",
        "replacement": "T",
        "ignore_missing": true
      }
    },
    {
      "gsub" : {
        "field": "updated_at",
        "pattern": " ",
        "replacement": "T",
        "ignore_missing": true
      }
    },
    {
      "gsub" : {
        "field": "expires_at",
        "pattern": " ",
        "replacement": "T",
        "ignore_missing": true
      }
    },
    {
      "gsub" : {
        "field": "added_at",
        "pattern": " ",
        "replacement": "T",
        "ignore_missing": true
      }
    }
  ]
}

Elasticsearchへの格納時に日付フィールドの文字列に含まれる半角スペースをTに変換しているだけですね。

—

Elasticsearchに移行したことで、複雑なクエリも検索できるようになりました。

例: domain:*tokyo* AND domain:*2020*

新しくなったDomainWatchを今後もご活用ください。