概述
继续跟中华石杉老师学习ES,第二篇
课程地址: https://www.roncoo.com/view/55
白话Elasticsearch01- 使用term filter来搜索数据中演示了 term filter的用法,这里我们来剖析下执行原理
步骤
在倒排索引中查找搜索串,获取document list
为每个在倒排索引中搜索到的结果,构建一个bitset .
遍历每个过滤条件对应的bitset,优先从最稀疏的开始搜索,查找满足所有条件的document
caching bitset,跟踪query,在最近256个query中超过一定次数的过滤条件,缓存其bitset。对于小segment(<1000,或<3%),不缓存bitset。
filter大部分情况下来说,在query之前执行,先尽量过滤掉尽可能多的数据
如果document有新增或修改,那么cached bitset会被自动更新
以后只要是有相同的filter条件的,会直接来使用这个过滤条件对应的cached bitset
接下来逐条来说一下过程
Step1 在倒排索引中查找搜索串,获取document list
举个例子 , 上节中用到的 postDate字段,假设有3条数据,在document1 、document2、document3中的分布情况
filter : 2017-02-02
比如:
GET /forum/article/_search { "query": { "constant_score": { "filter": { "term": { "postDate": "2017-02-02" } } } } }
发现2017-02-02 对应的 document list 为 doc2 和 doc3 ,这样就完成了第一步,取到了document list
Step2 为每个在倒排索引中搜索到的结果,构建一个bitset .
这个地方很关键,非常重要。
上一步中,获取到了 document list , ES 会 根据这些document list 构建一个 bitset .
啥是bitset ? bitset是一个二进制的数组, 数组的每个元素要么是0要么是1 , 0 表示不匹配,1 表示匹配。
刚才filter 2017-02-02 的 document list就可以表示为 [0,1,1]
表示
doc1 —>0 , 不匹配该filter
doc2—>1 ,匹配该filter
doc3----> ,匹配该filter
也就是说 这个filter,在整个document中(假设该document只有3条记录),对应的bitset就是 [0,1,1]
使用二进制数组来标识有什么好处呢? ES本着使用尽可能简单的su数据结构来实现复杂的功能,节省空间,提高性能。
Step3 遍历每个过滤条件对应的bitset,优先从最稀疏的开始搜索,查找满足所有条件的document
在一个search请求中,可以有多个filter条件,每个filter条件都会对应一个bitset。
再获取到每个filter对应的bitset后 ,遍历每个filter条件对应的bitset,先从最稀疏的开始遍历。
啥叫稀疏? 举个例子
[0, 0, 0, 1, 0, 0]
[0, 1, 0, 1, 0, 1]
上面两个filter对应的匹配结果状况,第一个比较稀疏(不匹配的较多,因为0表示不匹配,也就是0越多越稀疏)
先遍历比较稀疏的bitset,就可以先过滤掉尽可能多的数据
遍历所有的bitset,找到匹配所有filter条件的doc
举个例子请求:filter,postDate=2017-01-01,userID=1
postDate: [0, 0, 1, 1, 0, 0]
userID: [0, 1, 0, 1, 0, 1]
遍历完两个bitset之后,找到的匹配所有条件的doc,第4个doc均为1 ,均匹配这两个filter ,就是doc4
就可以将document作为结果返回给client了
Step4 caching bitset,跟踪query,在最近256个query中超过一定次数的过滤条件,缓存其bitset
比如postDate=2017-01-01这个条件的filter,对应的bitset[0, 0, 1, 1, 0, 0],可以缓存在内存中,这样下次如果再有这个条件过来的时候,就不用重新扫描倒排索引,反复生成bitset,直接在内存中获取该filter对应的bitset即可,这样做可以大幅度提升性能。
在最近的256个filter中,有某个filter超过了一定的次数,次数不固定,就会自动缓存这个filter对应的bitset
filter针对小segment获取到的结果,可以不缓存,多小的segment算小segment呢? segment记录数<1000,或者segment大小<index总大小的3%
不缓存小segment的理由:
1.segment数据量很小,此时哪怕是扫描也很快;
2.segment会在后台自动合并,小segment很快就会跟其他小segment合并成大segment,此时就缓存也没有什么意义,segment很快就消失了
filter比query的好处就在于会caching,但是之前不知道caching的是什么东西,实际上并不是一个filter返回的完整的doc list数据结果。而是filter bitset缓存起来。下次不用扫描倒排索引了。
Step5 filter大部分情况下来说,在query之前执行,先尽量过滤掉尽可能多的数据
query:是会计算doc对搜索条件的relevance score,还会根据这个score去排序
filter:只是简单过滤出想要的数据,不计算relevance score,也不排序
Step6 如果document有新增或修改,那么cached bitset会被自动更新
举个例子
我们的article document中有4条数据,postDate=2017-01-01这个filter对应的bitset为 [0, 0, 1, 0] , 第三条数据符合这个条件
我们又新增了一条数据,article document加上id=5 ,postDate=2017-01-01,会自动更新到postDate=2017-01-01这个filter的bitset中,全自动,缓存会自动更新。postDate=2017-01-01的bitset就自动变为了[0, 0, 1, 0, 1]
如果我们修改了数值呢? 假设修改document,id=1为postDate=2016-12-30,修改为postDate-2017-01-01,此时也会自动更新bitset,变为[1, 0, 1, 0, 1]
Step7 以后只要是有相同的filter条件的,会直接来使用这个过滤条件对应的cached bitset
以后只要是有相同的filter条件的,会直接来使用这个过滤条件对应的cached bitset