数据路由
存储文档时应该存储到哪个分片上,ES通过数据路由来进行确定。
数据路由分为自动的路由算法或者手动指定。
- 路由算法
shard = hash(routing) % number_of_primary_shards
哈希值对主分片数取模
例如有三个主分片,当存储hash(id)=5
的文档时,5%3=2
,此时ES会将文档存储在shard2上,这就是路由算法。
- 手动指定
语法:PUT /index/type/id?routing=key
例如进行以下插入
PUT /stu/class1/1?routing=jerry
{
"name":"jack",
"age": 18
}
此时ES会将其分配到一个主分片中,当再次插入到其它文档的routing
的值为jerry
,会将其存入同一个主分片中。
但是缺点是当设计的不合理的时候,会造成数据倾斜,大量数据堆积在同一个主分片。
因此不同文档尽量放到不同的索引中,剩下的事情交给ES集群自己处理。
增删改内部机制
对于增删改,统一可以看成是UPDATE
,都是对数据的改动。
一个改动请求发送到ES集群,经历以下步骤:
- 客户端选择一个node发送请求过去,此节点作为coordinating node(协调节点)。
- 协调节点对document(文档)进行路由,将请求转发给对应的node。
- 实际的node上的主分片处理请求,然后将数据同步到副本分片上。
- 协调节点如果发现主分片和所有副本分片都完成后,就返回响应结果给客户端。
查询内部机制
一个查询请求发送到ES集群,经历以下步骤:
- 客户端发送请求到任意一个node,成为协调节点。
- 协调节点对文档进行路由,将请求转发到对应的node, 此时会使用round-robin随机轮询算法,在主分片以及其所有副本分片中随机选择一个,保证读请求的负载均衡。
- 收请求的node返回文档给协调节点。
- 协调节点返回文档给客户端。
特殊情况:文档如果还在建立索引过程中,可能只存在主分片有数据,任何一个副本分片都没有,此时可能会导致无法读取到文档,但是当文档完成索引建立之后,此时主分片和副本分片就都有了。
Bulk 存储的JSON格式
传统的JSON数组:
[
{
"action":{
"method":"create"
},
"data":{
"id":1,
"name":"java"
}
},
{
"action":{
"method":"create"
},
"data":{
"id":2,
"name":"cpp"
}
}
]
这种JSON的表示形式是我们平常所用的形式,看起来比较直观,可读性较好。
但是对于ES来说,未必友好。
ES对于标准格式的JSON,需要按照下述流程去进行处理:
- 将JSON数组解析为JSONArray对象,此时整个数据会在内存中出现一份一模一样的拷贝,一份数据是JSON文本,一份数据是 JSONArray对象。
- 解析JSON数组里的每个JSON,对每个请求中的文档进行路由。
- 为路由到同一个分片上的多个请求,创建一个请求数组。
- 将这个请求数组序列化 。
- 将序列化后的请求数组发送到对应的节点上去。
这些会加大内存和资源的消耗,同时增加JVM的GC开销。JVM的垃圾回收次数频繁,导致ES的JVM停止工作线程的时间更多,从而大大降低效率和性能。
现有的特殊形式
POST /_bulk
{ "create": { "_index": "stu", "_id": "1" }}\n
{ "test_field": "bulk yyds" }\n
{ "delete": { "_index": "stu", "_id": "2" }}
- 不用将其转换为JSON对象,直接按照换行符切割JSON字符串。
- 对每两个一组的JSON,读取meta,进行文档路由。
- 直接将对应的JSON发送到node上去。
和传统的格式相比,最最最大的优势在于,不需要将JSON数组解析为一个JSONArray对象,形成一份大数据的拷贝,浪费内存空间,尽可能地保证性能。