Elasticsearch 是一个实时的分布式搜索与分析引擎,在使用过程中,有一些典型的使用场景,比如分页、遍历等。
在使用关系型数据库中,我们被告知要注意甚至被明确禁止使用深度分页,同理,在 Elasticsearch 中,也应该尽量避免使用深度分页。
From/Size参数
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。
一个基本的ES查询语句是这样的:
POST /my_index/my_type/_search
{
"query": { "match_all": {}},
"from": 100,
"size": 10
}
上面的查询表示从搜索结果中取第100条开始的10条数据。
那么,这个查询语句在ES集群内部是怎么执行的呢?
在ES中,搜索一般包括两个阶段,query 和 fetch 阶段,可以简单的理解,query 阶段确定要取哪些doc,fetch 阶段取出具体的 doc。
Query阶段
如上图所示,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,我们管 node1 叫 coordinating node。 -
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。
在上面的例子中,coordinating node 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,这就是 fetch 阶段要做的。
上图展示了 fetch 过程:
-
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。
这种方式请求深度分页是有问题的:
我们可以假设在一个有 5 个主分片的索引中搜索。当我们请求结果的第一页(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。
现在假设我们请求第 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。
对结果排序的成本随分页的深度成指数上升。
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"
}
}
深度分页解决方案
滚动查询:Scroll Search
Scroll Search是一种用于处理大量数据的分批次查询机制。通过使用滚动搜索,可以在不影响性能的情况下逐批次地获取结果集。
假设我们有一个名为"exam_info"的索引,其中存放着10万名考生的考试信息。我们希望按照成绩进行倒序排序,并获取前100名考生的信息。
示例输入:
GET /exam_info/_search?scroll=5m
{
"size": 100,
"sort": [
{ "score": "desc" }
]
}
参数解释:
-
scroll
:定义滚动搜索的时间间隔。这里设置为5分钟,在5分钟内完成整个滚动搜索操作。 -
size
:每个滚动搜索批次返回的文档数量。这里设置为100,表示每次获取100个考生的信息。 -
sort
:指定按照成绩字段("score")进行倒序排序。
示例输出:
{
"_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAACsFlRlQjNqSVh0VzIwdXk4UnhOTmdSc2cAAAAAADFLW0xjb3VkT1dHcG9uejZtZURxS3oxMw==",
"hits": {
"total": 100000,
"max_score": null,
"hits": [
{ "name": "John", "score": 98 },
{ "name": "Alice", "score": 97 },
{ "name": "Bob", "score": 95 },
...
]
}
}
输出解释:
-
_scroll_id
:滚动搜索的标识符,用于后续获取下一批次结果。 -
hits.total
:符合查询条件的总文档数。这里为10万。 -
hits.hits
:当前批次返回的文档列表,每个文档包含考生的姓名("name")和成绩("score")。
在获得第一批结果后,可以使用滚动搜索的Scroll API来获取下一批结果,直到获取完整的结果集。
示例输入:
GET /_search/scroll
{
"scroll": "5m",
"scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAACsFlRlQjNqSVh0VzIwdXk4UnhOTmdSc2cAAAAAADFLW0xjb3VkT1dHcG9uejZtZURxS3oxMw=="
}
示例输出:
{
"_scroll_id": "DXF1ZXJ5VGhlbkZldGNoBQAAAAAAAACsFlRlQjNqSVh0VzIwdXk4UnhOTmdSc2cAAAAAADFLW0xjb3VkT1dHcG9uejZtZURxS3oxMw==",
"hits": {
"total": 100000,
"max_score": null,
"hits": [
{ "name": "Eric", "score": 94 },
{ "name": "Catherine", "score": 93 },
{ "name": "David", "score": 92 },
...
]
}
}
Search After
Search After 是一种基于游标的分页查询机制,用于获取大量数据的连续结果。与滚动搜索不同,Search After适用于持久化保存查询状态,并支持随时获取下一页结果。
假设我们有一个名为"exam_info"的索引,其中存放着10万名考生的考试信息。我们希望按照成绩进行倒序排序,并获取前100名考生的信息。
示例输入:
GET /exam_info/_search
{
"size": 100,
"sort": [
{ "score": "desc" }
]
}
参数解释:
-
size
:每页返回的文档数量。这里设置为100,表示每次获取100个考生的信息。 -
sort
:指定按照成绩字段("score")进行倒序排序。
示例输出:
{
"took": 5,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 100000,
"max_score": null,
"hits": [
{ "name": "John", "score": 98 },
{ "name": "Alice", "score": 97 },
{ "name": "Bob", "score": 95 },
...
]
}
}
输出解释:
-
took
:查询所花费的时间,单位为毫秒。 -
hits.total
:符合查询条件的总文档数。这里为10万。 -
hits.hits
:当前页返回的文档列表,每个文档包含考生的姓名("name")和成绩("score")。
在获得第一页结果后,可以使用Search After来获取下一页的结果
示例输入:
GET /exam_info/_search
{
"size": 100,
"sort": [
{ "score": "desc" }
],
"search_after": [97]
}
参数解释:
-
size
:每页返回的文档数量。与初始请求保持一致。 -
sort
:指定按照成绩字段进行倒序排序。与初始请求保持一致。 -
search_after
:指定上一页最后一条数据的排序值,以此作为游标进行下一页查询。
示例输出:
{
"took": 2,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 100000,
"max_score": null,
"hits": [
{ "name": "Eva", "score": 94 },
{ "name": "Daniel", "score": 93 },
{ "name": "Catherine", "score": 92 },
...
]
}
}
Search After 和 Scroll Search 的主要区别如下:
-
结果排序:Search After依赖排序字段进行分页,需要指定相应的排序方式。而Scroll Search可以根据查询条件对结果进行排序。
-
时间限制:Search After没有时间限制,可按需获取结果。而Scroll Search需要设置滚动时间间隔,超过该时间将失去滚动上下文。
总结起来,ES的深度分页在处理大规模数据集时是一项非常有用的功能,深度分页查询可能会面临一些性能和可靠性方面的挑战,需要根据具体情况进行权衡和优化。