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

最新推荐文章于 2024-07-30 14:40:57 发布

2401_84267735

最新推荐文章于 2024-07-30 14:40:57 发布

阅读量939

点赞数 23

分类专栏： 2024年程序员学习文章标签： elasticsearch 大数据搜索引擎

本文链接：https://blog.csdn.net/2401_84267735/article/details/138049386

版权

2024年程序员学习专栏收录该内容

52 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新软件测试全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注软件测试）

正文

1）翻页到1000+页（每页10条数据）以上，响应时间会比较长。

2）当遇到某些文件的时候（事后分析得知是大文件），响应时间尤其长，超过30S以上返回高亮结果。

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"
        }
      }
    }


**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注软件测试）**
![img](https://img-blog.csdnimg.cn/img_convert/0179be368533b2d6ad3cfaf4439bf074.jpeg)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注软件测试）**
[外链图片转存中...(img-NABV551X-1713712511096)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**