Elasticsearch大文件检索性能提升20倍实践（干货）_elasticsearch 查询优化

2401_84247505

已于 2024-04-12 04:37:14 修改

阅读量1.9k

点赞数 22

分类专栏： 2024年程序员学习文章标签： elasticsearch jenkins 大数据

于 2024-04-12 04:37:12 首次发布

本文链接：https://blog.csdn.net/2401_84247505/article/details/137661787

版权

2024年程序员学习专栏收录该内容

96 篇文章 0 订阅

订阅专栏

3、问题排查与定位

步骤1：限定返回记录条数。不提供直接访问末页的入口。

baidu，360，搜狗等搜索引擎都不提供访问末页的请求方式。都是基于如下的请求方式：
通过点击上一下、下一页逐页访问。
这里写图片描述
这个从用户的角度也很好理解，搜索引擎返回的前面都是相关度最高的，也是用户最关心的信息。

Elasticsearch的默认支持的数据条数是10000条，可以通过post请求修改。

最终，本步骤将支持ES最大返回值10000条数据，每页10条，也就是共显示1000页数据。

步骤2,from size机制问题，大于设定页就会慢

【from + size机制】：当Elasticsearch响应请求时，它必须确定docs的顺序，排列响应结果。如果请求的页数较少（假设每页10个docs）, Elasticsearch不会有什么问题，但是如果页数较大时，比如请求第100页，Elasticsearch不得不取出第1页到第100页的所有docs，再去除第1页到第99页的docs，得到第100页的docs。

【scroll机制】：相对于from和size的分页来说，使用scroll可以模拟一个传统数据的游标，记录当前读取的文档信息位置。这个分页的用法，不是为了实时查询数据，而是为了一次性查询大量的数据（甚至是全部的数据）。

因为这个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。

from+size方式以及scroll方式优缺点对比：

1）对于from+size方式：当结果足够大的时候，会大大加大内存和CPU的消耗。但，该方式使用非常方便。

2）对于scroll方式：当结果足够大的时候， scroll 性能更佳。但是不灵活和 scroll_id 难管理问题存在。

【from网络】个人测试：当结果足够大的时候产生 scroll_id 性能也不低。如果只是一页页按照顺序，scroll是极好的，但是如果是无规则的翻页，那也是性能消耗极大的。

经过两种机制对比，加之步骤1，限定了分页数，最大1000页。并且用户支持主页翻页的方式，暂定还是采用from+size方式。

如果后面步骤有问题，再考虑换成scorll机制。

步骤3, 查看ES打印日志。

当出现卡顿、卡死等性能低、用户体验差问题时，查看ES的日志。
分析日志如下：
这里写图片描述
原因分析：卡顿、卡死都是堆内存设置不足导致。
根据之间总结的高性能配置建议，果断加堆内存，由16GB增加到最大值31GB。
堆内存使用比率可以通过：cerebro 工具检测性能。

步骤4：类似逆向解析dsl，排查查询慢在哪？

1）打印出DSL，可以通过接口： searchSourceBuilder.toString()。

新增profile参数，查看到底哪里慢了。
profile API的目的是：将ES高层的ES请求拉平展开，直观的让你看到请求做了什么，每个细分点花了多少时间。
给你改善性能提供相关支撑工作。
使用举例如下：

GET /_search
{
“profile”: true,
“query” : {
“match” : { “message” : “message number” }
}
}

3）换了全文接口api ，query_string改成match query满足要求且速度有提升。

4）删除某些查询条件，在基础数据不变的条件下，查看查询速度是否快了（返回时间短了）。

验证发现，当不返回content字段（_source控制）时，速度会变快。
当取消高亮字段处理，速度会更快。0.5秒之内返回结果。

至此，初步断定和高亮处理有关系。

步骤5：高亮问题排查及优化

通过论坛中网友的建议来看，都推荐对于大文件高亮使用： fast-vector-highlighter。

查询官网文档得知：
Elasticsearch高亮分为三种方式：

方式1：传统plain高亮方式。

官网明确支持，该方式匹配慢，如果出现性能问题，请考虑其他高亮方式。

方式2： postings 高亮方式。

支持postings高亮方式，需要在mapping下添加如下信息：

“type”: “text”,
“index_options” : “offsets”

添加完毕后，posting高亮方式将取代传统的高亮方式。

posting高亮方式的特点：
1）速度快，不需要对高亮的文档再分析。文档越大，获得越高性能。
2）比fvh高亮方式需要的磁盘空间少。
3）将text文件分割成语句并对其高亮处理。对于自然语言发挥作用明显，但对于html则不然。
4）将文档视为整个语料库，并使用BM25算法为该语料库中的文档打分。
使用举例：

PUT /example
{
“mappings”: {
“doc” : {
“properties”: {
“comment” : {
“type”: “text”,
“index_options” : “offsets”
}
}
}
}
}

方式3： fast-vector-highlighter 简称fvh高亮方式。

如果在mapping中的text类型字段下添加了如下信息：

“type”: “text”,
“term_vector” : “with_positions_offsets”

fvh高亮方式将取代传统的plain高亮方式。

fvh高亮方式的特点如下：
1）当文件>1MB(大文件）时候，尤其适合fvh高亮方式。
2）自定义为 boundary_scanner的扫描方式。
3) 设定了 term_vector to with_positions_offsets会增加索引的大小。
4）能联合多字段匹配返回一个结果，详见matched_fields。
5）对于不同的匹配类型分配不同的权重，如：pharse匹配比term匹配高。
举例：

PUT /example
{
“mappings”: {
“doc” : {
“properties”: {
“comment” : {
“type”: “text”,
“term_vector” : “with_positions_offsets”
}
}
}
}
}

最终选型：fvh高亮方式。首先：新建了索引，按照fvh的方式对content字段新设置了mapping；其次通过如下方式进行索引数据同步：

POST /_reindex
{
“source”: {
“index”: “test_index”
},
“dest”: {
“index”: “test_index_new”
}
}

实践结果表明，同样的大文件，原本检索>40S，现在2S之内返回结果。
没有改一行代码，只修改了mapping，效率提升了近20倍。