【ElasticSearch】浅谈ElasticSearch常考特性

前言

随着大数据技术的发展，基于关系型数据库的查询无法满足庞大数据量下的秒级返回速度，es成为面试中的一项重要加分项。今天爆肝一波es相关八股文，供自己跳槽时复习参考，也跟大家分享一波。

基本概念

1. index索引

1. 索引类比称mysql中的database数据库，存储数据的地方

2. type类型

1. 类型用于定义数据结构，类似mysql的一张表，属于index中的逻辑分类
2. 但是在同索引中所有相同名字的字段的 mapping 定义必须是一致的，因为在底层 Lucene 只会存一份。后续es删除了type的概念

3. mapping

1. 定义存储字段类型

4. document

1. 类比mysql中一行数据，不同之处在于es中每个文档可以有不同的字段

5. field字段

1. 类比mysql中的字段，属于es的最小单位

6. shard分片

1. 一个分片是一个底层的工作单元，仅保存全部数据的一部分，文档被存储到分片内。
2. 分片是数据的容器，文档保存在分片内，分片又被分配到集群内的各个节点里。
3. 单台机器无法存储大量数据，es可以将一个索引中的数据切分称多个shard，分布在多台机器上存储。有了shard就可以横向扩展，存储更多数据。
4. 分散搜索、分析到多台机器上分散压力，提高吞吐量和性能
5. 主分片：在索引建立的时候就已经确定了主分片数，但是副本分片数可以随时修改，索引内任意一个文档都归属于一个主分片，所以主分片的数目决定着索引能够保存的最大数据量。
6. 副分片：一个副本分片只是一个主分片的拷贝。副本分片作为硬件故障时保护数据不丢失的冗余备份，并为搜索和返回文档等读操作提供服务。

7. replica副本

1. 任何一个服务器随时可能发生故障，丢失shard，因此每个shard都有多个副本，replica可以在shard发发生故障时提供备用服务，保证数据不丢失
2. 多个replica还可以提升搜索操作的吞吐量和性能

什么是倒排索引

1. 每个文档都对应一个文档id，文档的内容被表示为一系列关键词集合

1. 比如，某个文档经过分词提取了20个关键字，每个关键字都会记录它在文档中出现的次数和位置

2. 倒排索引就是关键字到文档id的映射关系，每个关键字对应一系列的文档id，这样用户搜索关键字可以根据倒排索引快速定位到文档
3. 倒排索引中词汇根据字典序升序排列，一个词对应多个文档id
   

ElasticSearch为什么快

1. 相比与传统mysql数据库，会根据主键id字段建立b+树聚簇索引，非主键字段建立b+树非聚簇索引查找到对应主键回表查询数据，而对于全文检索like%张三则走不到索引。

name：

age：

2. elasticsearch借助倒排索引加速查询

1. posting list

1. Elasticsearch会为每个field都建立了一个倒排索引，张三、李四为term（分词），而[1,4]就是posting List。Posting list就是一个int的数组，存储了所有包含某个term的文档id。
2. 通过posting list这种索引方式似乎可以很快进行查找，比如要找age=24的同学，很快就会找到，id是1，4的同学。但是，如果有上千万的记录呢？如果是想通过name来查找呢？所以需要将Term进行排序

2. term dict

1. 为了快速找到某个特定的term，将所有的term进行排序。再采用二分查找法查找term。时间复杂度logN，类似B-Tree的方式

3. term index

1. 包含term的一些前缀。所以term index 占用的空间只有term的的几十分之一。在内存里可以放更多的term index。缓存所有的term index到内存里是可以的。
2. Term Index，就像字典里的索引页一样，A开头的有哪些term，分别在哪页，可以理解term index是一颗树存储在内存中

3. 

ElasticSerach基本语法

1. query：代表查询，搜索 类似于SQL的select关键字
2. aggs：代表聚合，类似于SQL的group by 关键字，对查询出来的数据进行聚合 求平均值最大值等
3. highlight：对搜索出来的结果中的指定字段进行高亮显示，搜索“中华人民共和国万岁”，结果里面符合搜索关键字 全部是红色的高亮显示。
4. sort： 指定字段对查询结果进行排序显示，类比SQL的order by关键字
5. from和*size： 对查询结果分页，类似于SQL的limit关键字
6. post_filter：后置过滤器，在聚合查询结果之后，再对查询结果进行过滤。

ElastcSearch的字段类型

1. string类型
2. text类型
3. keyword类型
4. 数值类型
5. 日期类型
6. 布尔类型
7. 二进制

ElasticSerach的_source字段

• es在创建索引文档时，会将所有的字段json序列化，保存为_source字段
• 功能

• 重做索引
• 修改mapping和分析器
• 高亮提醒
• 便于调试

• 是否保存

• 取决于什么类型的数据，日志类型的索引基本不用保存
• 为了避免过多占用磁盘空间，可以开启文件压缩

ElasticSerach的调度处理

• 写数据

1. 
2. 在文档写入时，会根据_routing来计算（OperationRouting类）得出文档要写入哪个分片
3. 写入请求只会写主分片，当主分片写入成功后，会同时把写入请求发送给所有的副本分片，当副本分片写入成功后，会传回返回信息给主分片，主分片得到所有副本分片的返回信息后，再返回给客户端。（类似kafka副本机制）

• 搜索数据

4. 客户端发送请求到一个 coordinate node（调度节点）
5. 协调节点将搜索请求转发到该索引所有的 shard 对应的 primary shard或 replica shard 上
6. query phase：

1. 每个 shard 将自己的搜索结果（一些 doc id ）返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果

7. fetch phase（读数据过程）：

1. 接着由协调节点根据 doc id 去各个节点上拉取实际的 doc 数据，最终返回给客户端
2. 写请求是写入 primary shard，然后同步给所有的 replica shard；
3. 读请求可以从 primary shard 或 replica shard 读取，采用的是随机轮询算法

ElasticSearch深度分页

• scroll分页

• 使用scroll分页可以模拟一个游标.记录当前读取的文档位置.
• 这个分页用法会在 es服务端维护一个当前索引的快照信息,在此快照创建以后任何新增的数据,都无法在这个快照中查询到,所以这种分页用法不能用于实时查询数据,而是用于一次查询大量的数据.

• search_after分页

• 是一种假分页方式，根据上一页的最后一条数据来确定下一页的位置
• 同时在分页请求的过程中，如果有索引数据的增删改查，这些变更也会实时的反映到游标上。为了找到每一页最后一条数据，每个文档必须有一个全局唯一值
• 官方推荐使用 _uid 作为全局唯一值，但是只要能表示其唯一性就可以。

ElasticSearch的写入过程

1. 数据先写入内存buffer(lucene内存)，在buffer里的数据搜索不到；同时写入translog文件
2. buffer在一定的时间或者容量满了，会将内存buffer数据刷新到操作系统内存(es内存)中的segment文件，此时数据可见。此动作1s执行1次
3. translog文件默认每5秒刷新到磁盘中
4. 异步从缓存中将segment刷新到磁盘，记录commit ponit，segment会定时merge

1. 将多个segment合并成一个，将新的segement写入磁盘
2. 新增一个 commit point，标识所有新的 segment
3. 新的 segment 被打开供搜索使用
4. 删除旧的 segment

ElasticSearch的删除和更新过程

1. 删除和更新都是写操作，但是由于 Elasticsearch 中的文档是不可变的，因此不能被删除或者改动以展示其变更；所以 ES 利用 .del 文件 标记文档是否被删除，磁盘上的每个段都有一个相应的.del 文件

1. 如果是删除操作，文档其实并没有真的被删除，而是在 .del 文件中被标记为 deleted 状态。该文档依然能匹配查询，但是会在结果中被过滤掉。
2. 如果是更新操作，就是将旧的 doc 标识为 deleted 状态，然后创建一个新的 doc。

2. 每次segment merge 的时候，会将多个 segment 文件合并成一个，同时这里会将标识为 deleted 的 doc 给物理删除掉，不写入到新的 segment 中，然后将新的 segment 文件写入磁盘，这里会写一个 commit point ，标识所有新的 segment 文件，然后打开 segment 文件供搜索使用，同时删除旧的 segment 文件

ElasticSearch的搜索过程

1. 搜素分为两个阶段执行，Query、Fetch
2. Query：

1. 客户端发送请求到 coordinate node，协调节点将搜索请求广播到所有的 primary shard 或 replica shard。每个分片在本地执行搜索并构建一个匹配文档的大小为 from + size 的优先队列。每个分片返回各自优先队列中 所有文档的 ID 和排序值 给协调节点，由协调节点及逆行数据的合并、排序、分页等操作，产出最终结果。

3. Fetch：

1. 协调节点根据 doc id 去各个节点上查询实际的 document 数据，由协调节点返回结果给客户端。

1. coordinate node 对 doc id 进行哈希路由，将请求转发到对应的 node，此时会使用 round-robin 随机轮询算法，在 primary shard 以及其所有 replica 中随机选择一个，让读请求负载均衡。
2. 接收请求的 node 返回 document 给 coordinate node 。
3. coordinate node 返回 document 给客户端。

ES优化索引性能

es官网就有一些性能优化建议，这里只是简单提一些，因为写多了也记不住。。。。

1. 批量写入
2. 多线程写入，写入线程数一般和机器数相当，可以配多种情况，在测试环境通过Kibana观察性能曲线。
3. 增加segment刷新时间，查找完手动调用API刷新。

ES优化检索性能

1. 关闭不需要字段的doc value(正排索引)
2. 尽量使用keyword替代一些long或者int之类，term查询总比range查询好 (参考lucene说明
3. 分页使用search_after
4. 关闭不需要查询字段的_source功能，不将此存储仅ES中，以节省磁盘空间