概述
ElasticSearch是一款强大的搜索引擎，它能够帮助我们快速地搜索海量数据。然而，在处理大量数据时，ElasticSearch的性能可能会受到影响。其中一个常见的问题是深度分页，也就是当我们需要获取大量数据时，ElasticSearch需要处理的数据量太大，导致性能下降。
Elasticsearch 深度分页问题的本质是在进行分页查询时，由于每个分片都需要生成大量的数据，并将这些数据发送到协调节点进行汇总，因此随着查询深度的增加，每个分片需要生成的数据条数也越来越大，从而导致查询效率降低。
先说结论： 在 Elasticsearch 中，也应该尽量避免使用深度分页 。就如同在使用关系型数据库中，也是不能很好地解决深度分页的问题，因此要注意甚至明确禁止使用深度分页
今天闲聊一下 Elasticsearch 中分页的相关知识点
…
分页方案
https://www.elastic.co/guide/en/elasticsearch/reference/current/paginate-search-results.html
我们也看看BBOSS的深度分页解决方案
https://esdoc.bbossgroups.com/#/README
from-size
在ES中，分页查询默认返回最顶端的10条匹配hits。
如果需要分页，需要使用from和size参数。
- from参数定义了需要跳过的hits数，默认为0；
- size参数定义了需要返回的hits数目的最大值。
GET /_search { "from": 5, "size": 20, "query": { "match": { "user.id": "kimchy" } } }
上面的查询表示从搜索结果中取第5条开始的20条数据。
内部执行过程
在ES中，搜索是一个典型的两阶段过程，query 和 fetch 阶段。
简单来说
- query 阶段确定要取哪些doc
- fetch 阶段取出具体的 doc
【Query】阶段
如图所示，描述了一次搜索请求的 query 阶段：·
- Client 发送一次搜索请求，node1 接收到请求，然后，node1 创建一个大小为from + size的优先级队列用来存结果，我们称 node1 为coordinating node 协调节点。
- coordinating node将请求广播到涉及到的 shards，每个 shard 在内部执行搜索请求，然后，将结果存到内部的大小同样为from + size 的优先级队列里，可以把优先级队列理解为一个包含top N结果的列表。
- 每个 shard 把暂存在自身优先级队列里的数据返回给 coordinating node，coordinating node 拿到各个 shards 返回的结果后对结果进行一次合并，产生一个全局的优先级队列，存到自身的优先级队列里。
比如上面的例子， 6个shard , 那么 coordinating node 就会拿到(from + size) * 6条数据，然后合并并排序后选择前面的from + size条数据存到优先级队列，以便 fetch 阶段使用。
另外，各个分片返回给 coordinating node 的数据用于选出前from + size条数据，所以，只需要返回唯一标记 doc 的_id以及用于排序的_score即可，这样也可以保证返回的数据量足够小。
coordinating node 计算好自己的优先级队列后，query 阶段结束，进入 fetch 阶段。
【fetch】阶段
query 阶段知道了要取哪些数据，但是并没有取具体的数据， fetch 阶段要做的就是去根据返回的doc的_id取数据。
- coordinating node 发送 GET 请求到相关shards。
- shard 根据 doc 的_id取到数据详情，然后返回给 coordinating node。
- coordinating node 返回数据给 Client。
coordinating node 的优先级队列里有from + size 个_doc _id，但是，在 fetch 阶段，并不需要取回所有数据，在上面的例子中，前100条数据是不需要取的，只需要取优先级队列里的第101到110条数据即可。
需要取的数据可能在不同分片，也可能在同一分片，coordinating node 使用 multi-get 来避免多次去同一分片取数据，从而提高性能。
潜在问题
假设在一个有 5 个主分片的索引中搜索。当请求结果的第一页（结果从 1 到 10 ），每一个分片产生前 10 的结果，并且返回给 协调节点 ，协调节点对 50 个结果排序得到全部结果的前 10 个。
当我们请求第 1000 页—结果从 10001 到 10010 。所有都以相同的方式工作除了每个分片不得不产生前10010个结果以外。然后协调节点对全部 50050 个结果排序最后丢弃掉这些结果中的 50040 个结果。
注意事项
- size的大小不能超过
index.max_result_window这个参数的设置，默认为10000。
如果搜索size大于10000，需要设置index.max_result_window参数
PUT _settings { "index": { "max_result_window": "10000000" } }
- _doc将在未来的版本移除
https://www.elastic.co/cn/blog/moving-from-types-to-typeless-apis-in-elasticsearch-7-0
https://elasticsearch.cn/article/158
深度分页
深度分页问题大致可以分为两类：
- 随机跳转页面----> 随机深度分
- 只能一页一页往下查询 -----> 滚动深度分页
Scroll （Scroll遍历数据）
我们可以把scroll理解为数据库里的cursor， 所以 scroll并不适合用来做实时搜索，而更适合用于后台批处理任务 ，所以它的主要用途是 不是为了实时查询数据，而是为了一次性查询大量甚至是全部的数据。
scroll相当于维护了一份当前索引段的快照信息，这个快照信息是你执行这个scroll查询时的快照。在这个查询后的任何新索引进来的数据，都不会在这个快照中查询到。
但是它相对于from和size，不是查询所有数据然后剔除不要的部分，而是记录一个读取的位置，保证下一次快速继续读取。
scroll可以分为初始化和遍历两部，初始化时将所有符合搜索条件的搜索结果缓存起来（ 这里只是缓存的doc_id，而并不是真的缓存了所有的文档数据，取数据是在fetch阶段完成的），可以理解成快照。
在遍历时，从这个快照里取数据，也就是说，在初始化后，对索引插入、删除、更新数据都不会影响遍历结果。
用法如下：
初始化指明 index 和 type，然后，加上参数 scroll，表示暂存搜索结果的时间，其它就像一个普通的search请求一样。
结果中会返回一个_scroll_id，_scroll_id用来下次取数据用。
这里的scroll_id即 上一次遍历取回的_scroll_id或者是初始化返回的_scroll_id，同样的，需要带 scroll 参数。
重复这一步骤，直到返回的数据为空，即遍历完成。
注意，每次都要传参数 scroll，刷新搜索结果的缓存时间。另外，不需要指定 index 和 type。
设置scroll的时候，需要使搜索结果缓存到下一次遍历完成，同时，也不能太长，毕竟空间有限。
缺点：
- scroll_id会占用大量的资源（特别是排序的请求）
- 同样的，scroll后接超时时间，频繁的发起scroll请求，会出现一些列问题。
- 是生成的历史快照，对于数据的变更不会反映到快照上。
优点：
- 适用于非实时处理大量数据的情况，比如要进行数据迁移或者索引变更之类的。
Scroll Scan
ES提供了scroll scan方式进一步提高遍历性能，但是scroll scan不支持排序，因此scroll scan适合不需要排序的场景
不考虑排序的时候，可以结合SearchType.SCAN使用。
POST /my_index/my_type/_search?search_type=scan&scroll=1m&size=50 { "query": { "match_all": {}} }
需要指明参数：
search_type：赋值为scan，表示采用 Scroll Scan 的方式遍历，同时告诉 Elasticsearch 搜索结果不需要排序。
scroll：同上，传时间。
size：与普通的 size 不同，这个 size 表示的是每个 shard 返回的 size 数，最终结果最大为 number_of_shards * size。
Scroll Scan与Scroll的区别
- Scroll-Scan结果没有排序，按index顺序返回，没有排序，可以提高取数据性能。
- 初始化时只返回 _scroll_id，没有具体的hits结果
- size控制的是每个分片的返回的数据量，而不是整个请求返回的数据量。
Sliced Scroll
如果数据量很大，用Scroll遍历数据那确实是接受不了，现在Scroll接口可以并发来进行数据遍历了。
每个Scroll请求，可以分成多个Slice请求，可以理解为切片，各Slice独立并行，比用Scroll遍历要快很多倍。
上边的示例可以单独请求两块数据，最终五块数据合并的结果与直接scroll scan相同。
其中max是分块数，id是第几块。
官方文档中建议max的值不要超过shard的数量，否则可能会导致内存爆炸。
Search After
Search_after是 ES 5 新引入的一种分页查询机制，其原理几乎就是和scroll一样，因此代码也几乎是一样的。
基于pit机制的search after
Elasticsearch官方search after dsl案例：
{ "size": 10000, "query": { "match" : { "user.id" : "elkbee" } }, "pit": { "id": "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA==", "keep_alive": "1m" }, "sort": [ {"@timestamp": {"order": "asc", "format": "strict_date_optional_time_nanos"}} {"_shard_doc": "desc"} ], "search_after": [ "2021-05-20T05:30:04.832Z", 4294967298 ], "track_total_hits": false }
在搜索请求中指定PIT：
es维护一个实时游标，它以上一次查询的最后一条记录为游标，方便对下一页的查询，它是一个无状态的查询，因此每次查询的都是最新的数据。
由于它采用记录作为游标，因此SearchAfter要求doc中至少有一条全局唯一变量（每个文档具有一个唯一值的字段应该用作排序规范）
优缺点
- 无状态查询，可以防止在查询过程中，数据的变更无法及时反映到查询中。
- 不需要维护scroll_id，不需要维护快照，因此可以避免消耗大量的资源。
缺点：
由于无状态查询，因此在查询期间的变更可能会导致跨页面的不一值。
排序顺序可能会在执行期间发生变化，具体取决于索引的更新和删除。
至少需要制定一个唯一的不重复字段来排序。
它不适用于大幅度跳页查询，或者全量导出，对第N页的跳转查询相当于对es不断重复的执行N次search after，而全量导出则是在短时间内执行大量的重复查询。
SEARCH_AFTER不是自由跳转到任意页面的解决方案，而是并行滚动多个查询的解决方案。
小结
Scroll 和 Search_After 都是用于解决深分页问题的游标方式，但它们并不是深分页问题的终极解决方案，因为深分页问题必须避免。
Scroll 需要维护 scroll_id 和历史快照，并且必须保证 scroll_id 的存活时间，这对服务器是一个巨大的负荷。此外，Scroll 默认会拉取所有符合条件的数据，并保存在协调节点，每次 scroll 只返回 size 个文档和一个上下文状态，用于告知下一次读取的起点。因此，官方不推荐使用 Scroll 来进行实时的分页查询，而是适合于大批量的拉取数据。
Search_After 是一种业务折中方案，不允许指定跳转到页面，而只提供下一页的功能。如果允许用户大幅度跳转页面，会导致短时间内频繁的搜索动作，效率低下，增加服务器负荷。此外，在查询过程中，索引的增删改会导致查询数据不一致或者排序变化，造成结果不准确。
因此，深分页问题必须避免，如果需要进行分页查询，可以使用其他更为适合的查询方式，比如限制条件和排序等。
