大数据之ElasticSearch

写在前面

1. 着力于本质，才能通万物——重点在于分析其内在原理，对于普通的操作不做太详细的学习。

目录

写在前面

一、定义

二、 基本概念

三、技术架构

四、数据结构

---

• 一、定义

1. 基于Apache Lucene的分布式多用户能力的全文搜索引擎

2. 采用RESTful风格来命名自己的API

3. 基本格式：http://<ip>:<port>/<索引>/<类型>/<文档id>

4. 常用动词：GET/PUT/POST/DELETE

5. 分而治之，一切为了更高的查询性能

• 二、 基本概念

1. 索引（Index）：Elastic 数据管理的顶层单位即 Index（索引），是单个数据库的同义词。每个 Index （即数据库）的名字必须是小写。

2. 文档（Document）：Index 里面单条的记录称为 Document（文档），ES中的文档(Document)是没有固定的模式和统一的结构。

        字段（Field）：文档的一个Key/Value对；

        词（Term）：表示文本中的一个单词；

        标记（Token）：表示在字段中出现的词，由该词的文本、偏移量（开始和结束）以及类型组成；   

3. 文档类型（Type）：Document 的分组即Type，不同的Type应该有相似的结构（schema）。

4. 节点（Node）：单独一个ElasticSearch服务器实例称为一个节点。

5. 集群（Cluster）：集群是多个ElasticSearch节点的集合。是提供高可用与高性能的重要手段。

6. 分片索引（Shard）：集群能够存储超出单机容量的信息。为了实现这种需求，ElasticSearch把数据分发到多个存储Lucene索引的物理机上。这些Lucene索引称为分片索引，这个分发的过程称为索引分片(Sharding)。

7. 索引副本（Replica）：当集群负载增长，用户搜索请求可能会阻塞在单个节点上时，通过索引副本(Replica)机制就可以解决这个问题。在提供基础查询性能的同时，也保证了数据的安全性。即如果主分片数据丢失，ElasticSearch通过索引副本使得数据不丢失。索引副本可以随时添加或者删除，所以用户可以在需要的时候动态调整其数量。

8. 网管（Gateway）：ES运行过程中需要的所有数据(文档，状态、索引参数等）都被存储在Gateway中。

• 三、技术架构

查询分为两个阶段：分散阶段（scatter phase）和合并阶段（gather phase）。在分散阶段将查询分发到包含相关文档的多个分片中去执行查询，而在合并阶段则从众多分片中收集返回结果，然后对它们进行合并、排序，进行后续处理，然后返回给客户端。

（一） 分片/副本策略

1. 为支持大量数据，索引会按某个维度分成多个部分，每个部分就是一个分片（Shard）。一个节点（Node）一般会管理多个分片。

2. 同一个索引分片通常会分布到不同节点（Node）上。分片有两种，分别是主分片（Primary）和副本分片（Replica）。注意，建索引操作只会发生在主分片上，而不是副本上。

（二）MasterNode、DataNode、TransportNode

混合部署

1. DataNode 和 TransportNode 混合，每一个节点既存分片又存全局路由表。

2. 优势： 简单、易上手；

3. 缺点：多种请求会相互影响，大集群中如果某一个节点出现问题，就会影响途径这个DataNode的所有其他跨Node请求；没办法热更新。

分层部署

1. 部分节点专门做请求转发和结果合并（TransportNode）；部分节点专门做数据处理（DataNode）；

2. 好处就是角色相互独立，不会相互影响，一般Transport Node的流量是平均分配的，很少出现单台机器的CPU或流量被打满的情况，而DataNode由于处理数据，很容易出现单机资源被占满，比如CPU，网络，磁盘等。独立开后，DataNode如果出了故障只是影响单节点的数据处理，不会影响其他节点的请求，影响限制在最小的范围内。

（三）路由策略

路由分层，共四层：RountingTable、IndexRoutingTable、IndexShardRountingTable、ShardRountingTable。

• 四、数据存储结构

（一） ElasticSearch可以存储结构和非结构的数据。

（二） 倒排索引（敲黑板，划重点）

          1. 普通关系型数据库通常采用BTree索引，而ES采用的是倒排索引。思路：

将磁盘里的东西尽量搬进内存，减少磁盘随机读取次数(同时也利用磁盘顺序读特性)，结合各种奇技淫巧的压缩算法，用及其苛刻的态度使用内存。

          2. ES将Document直接进行存储？

                  No~首先将Doc进行分词，然后存储词条以及词条和文档之间的映射关系(Postings List)。

          3. 这么简单的词条（Term）存储可以造就ES检索的高效率吗？

                  No~把内存用到极致才是优秀的检索。 

                  ES建立了Term Index-->Term Dictionary-->Term Position的存储/检索方式。

                  

             Term Index：采用FST (Finite State Transducer)结构，像一棵树，这棵树不会包含所有的term，它包含的是term的一些前缀。通过term index可以快速地定位到term dictionary的某个offset，然后从这个位置再往后顺序查找。同时，可以使term index缓存到内存中。

  Term Dictionary：Term词典，用于定位到Postinglist。

  Posting List：会其进行压缩——顺序存储，增量编码压缩，将大数变小数，按字节存储。（1）那如果ID是顺序的，或者是有公共前缀等具有一定规律性的ID，压缩比会比较高；（2）通过Posting list里的ID到磁盘中查找Document，因为Elasticsearch是分Segment存储的，根据ID这个大范围的Term定位到Segment的效率直接影响了最后查询的性能，如果ID是有规律的，可以快速跳过不包含该ID的Segment，从而减少不必要的磁盘读次数。

（三）那么是不是所有的字段需要被分词然后索引的呢？——显然不是。

1. 当index为analyzed时，该字段是分析字段，ElasticSearch引擎对该字段执行分析操作，把文本分割成分词流，存储在倒排索引中，使其支持全文搜索；
2. 当index为not_analyzed时，该字段不会被分析，ElasticSearch引擎把原始文本作为单个分词存储在倒排索引中，不支持全文搜索，但是支持词条级别的搜索；也就是说，字段的原始文本不经过分析而存储在倒排索引中，把原始文本编入索引，在搜索的过程中，查询条件必须全部匹配整个原始文本；
3. 当index为no时，该字段不会被存储到倒排索引中，不会被搜索到；

• 五、搜索

（一）查询相关性、评分公式 

 

（二）

• 未完待续
•