参考:http://blog.csdn.net/wzhg0508/article/details/52063676
Elasticsearch 5.0 简介(medcl微信直播实录)
大家好,非常高兴能在这里给大家分享,感谢InfoQ提供的这个微信的平台,首先简单自我介绍一下,我叫曾勇,是Elastic的工程师。
Elastic将在今年秋季的时候发布一个Elasticsearch V5.0的大版本,这次的微信分享将给大家介绍一下5.0版里面的一些新的特性和改进。
5.0? 天啦噜,你是不是觉得版本跳的太快了。
好吧,先来说说背后的原因吧。
相信大家都听说ELK吧,是Elasticsearch、Logstash、Kibana三个产品的首字母缩写,现在Elastic又新增了一个新的开源项目成员:Beats,
有人建议以后这么叫:ELKB?为了未来更好的扩展性:) ELKBS?ELKBSU?…..所以我们打算将产品线命名为ElasticStack,同时由于现在的版本比较混乱,每个产品的版本号都不一样,Elasticsearch和Logstash目前是2.3.4;Kibana是4.5.3;Beats是1.2.3;
版本号太乱了有没有,什么版本的ES用什么版本的Kibana?有没有兼容性问题?
所以我们打算将这些的产品版本号也统一一下,即v5.0,为什么是5.0,因为Kibana都4.x了,下个版本就只能是5.0了,其他产品就跟着跳跃一把,第一个5.0正式版将在今年的秋季发布,目前最新的测试版本是:5.0 Alpha 4
上面就是整个ElasticStack了,其实还是之前的那些啦
目前各团队正在紧张的开发测试中,每天都有新的功能和改进,本次分享主要介绍一下Elasticsearch的主要变化。
首先来看看5.0里面都引入了哪些新的功能吧。
首先看看跟性能有关的,第一个就是Lucene 6.x 的支持,
Elasticsearch5.0率先集成了Lucene6版本,其中最重要的特性就是 Dimensional Point Fields,多维浮点字段,ES里面相关的字段如date, numeric,ip 和 Geospatial 都将大大提升性能,这么说吧,磁盘空间少一半;索引时间少一半;查询性能提升25%
;IPV6也支持了。
为什么快,底层使用的是Block k-d trees,核心思想是将数字类型编码成定长的字节数组,对定长的字节数组内容进行编码排序,然后来构建二叉树,然后依次递归构建,目前底层支持8个维度和最多每个维度16个字节,基本满足大部分场景
。
说了这么多,看图比较直接
图中从2015/10/32 total bytes飙升是因为es启用了docvalues,我们关注红线,最近的引入新的数据结构之后,红色的索引大小只有原来的一半大小。索引小了之后,merge的时间也响应的减少了,看下图
相应的Java堆内存占用只原来的一半:
再看看索引的性能,也是飙升
当然Lucene6里面还有很多优化和改进,这里没有一一列举。我们再看看索引性能方面的其他优化
ES5.0在Internal engine级别移除了用于避免同一文档并发更新的竞争锁,带来15%-20%的性能提升 #18060
以上截图来自ES的每日持续性能监控:https://benchmarks.elastic.co/index.html
另一个和aggregation的改进也是非常大,Instant Aggregations
Elasticsearch已经在Shard层面提供了Aggregation缓存
,如果你的数据没有变化,ES能够直接返回上次的缓存结果,但是有一个场景比较特殊,就是 date histogram,大家kibana上面的条件是不是经常设置的相对时间,如:from:now-30d to:now,好吧,now是一个变量,每时每刻都在变,所以query条件一直在变,缓存也就是没有利用起来,经过一年时间大量的重构,现在可以做到对查询做到灵活的重写,首先now
关键字最终会被重写成具体的值,其次,每个shard会根据自己的数据的范围来重写查询为 match_all
或者是match_none
查询,所以现在的查询能够被有效的缓存,并且只有个别数据有变化的Shard才需要重新计算,大大提升查询速度。
另外再看看和Scroll相关的吧,现在新增了一个:Sliced Scroll
用过Scroll接口吧,很慢?如果你数据量很大,用Scroll遍历数据那确实是接受不了,现在Scroll接口可以并发来进行数据遍历了,
每个Scroll请求,可以分成多个Slice请求,可以理解为切片,各Slice独立并行,利用Scroll重建或者遍历要快很多倍。
看看这个demo
可以看到两个scroll请求,id分别是0和1,max是最大可支持的并行任务,可以各自独立进行数据的遍历获取。
我们再看看es在查询优化这块做的工作,
新增了一个Profile API
都说要致富先修路,要调优当然需要先监控啦,elasticsearch在很多层面都提供了stats方便你来监控调优,但是还不够,其实很多情况下查询速度慢很大一部分原因是糟糕的查询引起的,玩过SQL的人都知道,数据库服务的执行计划(execution plan)非常有用,可以看到那些查询走没走索引和执行时间,用来调优,elasticsearch现在提供了Profile API来进行查询的优化,只需要在查询的时候开启profile:true就可以了,一个查询执行过程中的每个组件的性能消耗都能收集到。
那个子查询耗时多少,占比多少,一目了然,同时支持search和aggregation的profile
还有一个和翻页相关的问题,就是深度分页,是个老大难的问题,因为需要全局排序(number_of_shards * (from + size)),所以需要消耗大量内存,以前的es没有限制,有些同学翻到几千页发现es直接内存溢出挂了,后面elasticsearch加上了限制,from+size不能超过1w条,并且如果需要深度翻页,建议使用scroll来做,但是scroll有几个问题,第一个是没有顺序,直接从底层segment进行遍历读取,第二个实时性没法保证,scroll操作有状态,es会维持scroll请求的上下文一段时间,超时后才释放,另外你在scroll过程中对索引数据进行了修改了,这个时候scroll接口是拿不到的,灵活性较差,现在有一个新的 Search After 机制
,其实和scroll类似,也是游标的机制,它的原理是对文档按照多个字段进行排序,然后利用上一个结果的最后一个文档作为起始值,拿size个文档,一般我们建议使用_uid这个字段,它的值是唯一的id。来看一个Search After 的demo 吧,比较直观的理解一下
上面的demo,search_after后面带的两个参数,就是sort的两个结果,根据你的排序条件来的,三个排序条件,就传三个参数
再看看跟索引与分片管理相关的新功能吧,新增了一个Shrink API
相信大家都知道elasticsearch索引的shard数是固定的,设置好了之后不能修改,如果发现shard太多或者太少的问题,之前如果要设置Elasticsearch的分片数,只能在创建索引的时候设置好,并且数据进来了之后就不能进行修改,如果要修改,只能重建索引,现在有了Shrink接口,它可将分片数进行收缩成它的因数,如之前你是15个分片,你可以收缩成5个或者3个又或者1个,那么我们就可以想象成这样一种场景,在写入压力非常大的收集阶段,设置足够多的索引,充分利用shard的并行写能力,索引写完之后收缩成更少的shard,提高查询性能。
这里是一个API调用的例子
上面的例子对my_source_index伸缩成一个分片的my_targe_index,使用了最佳压缩. 有人肯定会问慢不慢?非常快! Shrink的过程会借助操作系统的Hardlink进行索引文件的链接,这个操作是非常快的,毫秒级Shrink就可收缩完成,当然windows不支持hard link,需要拷贝文件,可能就会很慢了。
再来看另外一个比较有意思的新特性,除了有意思,当然还很强大,新增了一个Rollover API
前面说的这种场景对于日志类的数据非常有用,一般我们按天来对索引进行分割(数据量更大还能进一步拆分),我们以前是在程序里设置一个自动生成索引的模板,大家用过logstash应该就记得有这么一个模板logstash-[YYYY-MM-DD]这样的模板,现在es5.0里面提供了一个更加简单的方式:Rollover API, API调用方式如下:
从上面可以看到,首先创建一个logs-0001的索引,它有一个别名是logs_write,然后我们给这个logs_write创建了一个rollover规则, 即这个索引文档不超过1000个或者最多保存7天的数据,超过会自动切换别名到logs-0002,你也可以设置索引的setting、mapping等参数,剩下的es会自动帮你处理。这个特性对于存放日志数据的场景是极为友好的。
另外关于索引数据,大家之前经常重建,数据源在各种场景,重建起来很是头痛,那就不得不说说现在新加的Reindex接口了,Reindex可以直接在Elasticsearch集群里面对数据进行重建,如果你的mapping因为修改而需要重建,又或者索引设置修改需要重建的时候,借助Reindex可以很方便的异步进行重建,并且支持跨集群间的数据迁移。
比如按天创建的索引可以定期重建合并到以月为单位的索引里面去。
当然索引里面要启用_source。
来看看这个demo吧,重建过程中,还能对数据就行加工。
再看看跟Java开发者最相关的吧,就是 RestClient
了
5.0里面提供了第一个Java原生的REST客户端SDK,相比之前的TransportClient,版本依赖绑定,集群升级麻烦,不支持跨Java版本的调用等问题,新的基于HTTP协议的客户端对Elasticsearch的依赖解耦,没有jar包冲突,提供了集群节点自动发现、日志处理、节点请求失败自动进行请求轮询,充分发挥Elasticsearch的高可用能力,并且性能不相上下。 #19055
然后我们再看看其他的特性吧:
新增了一个Wait for refresh
功能,简单来说相当于是提供了文档级别的Refresh, 索引操作新增refresh参数,大家知道elasticsearch可以设置refresh时间来保证数据的实时性,refresh时间过于频繁会造成很大的开销,太小会造成数据的延时,之前提供了索引层面的_refresh接口,但是这个接口工作在索引层面,我们不建议频繁去调用,如果你有需要修改了某个文档,需要客户端实时可见怎么办?
在 5.0中,Index、Bulk、Delete、Update这些数据新增和修改的接口能够在单个文档层面进行refresh控制了,有两种方案可选,一种是创建一个很小的段,然后进行刷新保证可见和消耗一定的开销,另外一种是请求等待es的定期refresh之后再返回。
调用例子:
再一个比较重要的特性就是IngestNode
了,
大家之前如果需要对数据进行加工,都是在索引之前进行处理,比如logstash可以对日志进行结构化和转换,现在直接在es就可以处理了,
目前es提供了一些常用的诸如convert、grok之类的处理器,在使用的时候,先定义一个pipeline管道,里面设置文档的加工逻辑,在建索引的时候指定pipeline名称,那么这个索引就会按照预先定义好的pipeline来处理了;
Demo again.
上图首先创建了一个名为my-pipeline-id的处理管道,然后接下来的索引操作就可以直接使用这个管道来对foo字段进行操作了,上面的例子是设置foo字段为bar值。
上面的还不太酷,我们再来看另外一个例子,现在有这么一条原始的日志,内容如下:
{
“message”: “55.3.244.1 GET /index.html 15824 0.043”
}
google之后得知其Grok的pattern如下:)
%{IP:client} %{WORD:method} %{URIPATHPARAM:request} %{NUMBER:bytes} %{NUMBER:duration}
那么我们使用Ingest就可以这么定义一个pipeline:
那么通过我们的pipeline处理之后的文档长什么样呢,我们获取这个文档的内容看看:
很明显,原始字段message被拆分成了更加结构化的对象了。
再看看脚本方面的改变
还记得Groove脚本的漏洞吧,Groove脚本开启之后,如果被人误用可能带来的漏洞,为什么呢,主要是这些外部的脚本引擎太过于强大,什么都能做,用不好或者设置不当就会引起安全风险,基于安全和性能方面,我们自己开发了一个新的脚本引擎,名字就叫Painless,顾名思义,简单安全,无痛使用,和Groove的沙盒机制不一样,Painless使用白名单来限制函数与字段的访问,针对es的场景来进行优化,只做es数据的操作,更加轻量级,速度要快好几倍,并且支持Java静态类型,语法保持Groove类似,还支持Java的lambda表达式。
我们对比一下性能,看下图
Groovy是弱弱的绿色的那根。
再看看如何使用:
def first = input.doc.first_name.0;
def last = input.doc.last_name.0;
return first + " " + last;
- 1
- 2
- 3
是不是和之前的写法差不多, 或者还可以是强类型(10倍速度于上面的动态类型)
String first = (String)((List)((Map)input.get("doc")).get("first_name")).get(0); String last = (String)((List)((Map)input.get("doc")).get("last_name")).get(0); return first + " " + last;
- 1
- 2
- 3
脚本可以在很多地方使用,比如搜索自定义评分;更新时对字段进行加工等, 如:
再来看看基础架构方面的变化
新增:Task Manager
这个是5.0 引入任务调度管理机制,用来做
离线任务的管理,比如长时间运行的reindex和update_by_query等都是运行在TaskManager机制之上的,并且任务是可管理的,你可以随时cancel掉,并且任务状态持久化,支持故障恢复;
还新增一个:Depreated logging
大家在用ES的时候,其实有些接口可能以及打上了Depreated标签,即废弃了,在将来的某个版本中就会移除,你当前能用是因为一般废弃的接口都不会立即移除,给足够的时间迁移,但是也是需要知道哪些不能用了,要改应用代码了,所以现在有了Depreated日志,当打开这个日志之后,你调用的接口如果已经是废弃的接口,就会记录下日志,那么接下来的事情你就知道你应该怎么做了。
新增一个: Cluster allocation explain API
『谁能给我一个shard不能分配的理由』,现在有了,大家如果之前遇到过分片不能正常分配的问题,但是不知道是什么原因,只能尝试手动路由或者重启节点,但是不一定能解决,其实里面有很多原因,现在提供的这个explain接口就是告诉你目前为什么不能正常分配的原因,方便你去解决。
另外在数据结构这块,新增: half_float 类型
只使用 16 位 足够满足大部分存储监控数值类型的场景,支持范围:2负24次方 到 65504,但是只占用float一半的存储空间。
Aggregation新增: Matrix Stats Aggregation
#18300
金融领域非常有用的,可计算多个向量元素协方差矩阵、相关系数矩阵等等
另外一个重要的特性:为索引写操作添加顺序号 #10708
大家知道es是在primary上写完然后同步写副本,这些请求都是并发的,虽然可以通过version来控制冲突,
但是没法保证其他副本的操作顺序,通过写的时候产生顺序号,并且在本地也写入checkpoint来记录操作点, 这样在副本恢复的时候也可以知道当前副本的数据位置,而只需要从指定的数据开始恢复就行了,而不是像以前的粗暴的做完整的文件同步,另外这些顺序号也是持久化的,重启后也可以快速恢复副本信息,想想以前的大量无用拷贝吧和来回倒腾数据吧。
我们再看看mapping这块的改进吧
引入新的字段类型Text/Keyword 来替换 String
以前的string类型被分成Text和Keyword两种类型,keyword类型的数据只能完全匹配,适合那些不需要分词的数据,
对过滤、聚合非常友好,text当然就是全文检索需要分词的字段类型了。将类型分开的好处就是使用起来更加简单清晰,以前需要设置analyzer和index,并且有很多都是自定义的分词器,从名称根本看不出来到底分词没有,用起来很麻烦。另外string类型暂时还在的,6.0会移除
还有关于Index Settings 的改进
Elasticsearch的配置实在太多,在以前的版本间,还移除过很多无用的配置,经常弄错有没有?现在,配置验证更加严格和保证原子性,如果其中一项失败,那个整个都会更新请求都会失败,不会一半成功一半失败。下面主要说两点:
- 设置可以重设会默认值,只需要设置为
null
即可 - 获取设置接口新增参数
?include_defaults
,可以直接返回所有设置和默认值
集群处理的改进: Deleted Index Tombstones
在以前的es版本中,如果你的旧节点包含了部分索引数据,但是这个索引可能后面都已经删掉了,你启动这个节点之后,会把索引重新加到集群中,是不是觉得有点阴魂不散,现在es5.0会在集群状态信息里面保留500个删除的索引信息,所以如果发现这个索引是已经删除过的就会自动清理,不会再重复加进来了。
文档对象的改进: 字段名重新支持英文句号,再2.0的时候移除过dot在字段名中的支持,现在问题解决了,又重新支持了。
es会认为下面两个文档的内容一样:
还有其他的一些改进,快速过一下吧,时间有限
- Cluster state的修改现在会和所有节点进行ack确认
- Shard的一个副本如果失败了,Primary标记失败的时候会和Master节点确认完毕再返回。
- 使用UUID来作为索引的物理的路径名,有很多好处,避免命名的冲突
- _timestamp 和 _ttl已经移除,需要在Ingest或者程序端处理。
- ES可直接用HDFS来进行备份还原(Snapshot/Restore )了 #15191
- Delete-by-query和Update-by-query重新回到core,以前是插件,现在可以直接使用了,也是构建在Reindex机制之上
- HTTP请求默认支持压缩,当然http调用端需要在header信息里面传对应的支持信息。
- 创建索引不会再让集群变红了,不会因为这个卡死集群了
- 默认使用BM25评分算法,效果更佳,之前是TF/IDF
- 快照Snapshots添加UUID解决冲突 #18156
- 限制索引请求大小,避免大量并发请求压垮ES #16011
- 限制单个请求的shards数量,默认1000个,避免误用 #17396
- 移除 site plugins,就是说head、bigdesk都不能直接装es里面了,不过可以部署独立站点(反正都是静态文件)或开发kibana插件 #16038
- 允许现有parent类型新增child类型 #17956
这个功能对于使用parent-child特性的人应该非常有用
支持分号(;)来分割url参数,与符号(&)一样 #18175
比如下面这个例子
curl http://localhost:9200/_cluster/health?level=indices;pretty=true
好吧,貌似很多,其实上面说的还只是众多特性和改进的一部分,es5.0做了非常非常多工作,本来还打算讲讲bug修复的,但是太多了,时间有限,一些重要的bug在2.x都已经第一时间解决了,
大家可以查看下面的链接了解更多更详细的更新日志:
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha1-2x.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha1.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha2.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha3.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha4.html
下载体验最新的版本:https://www.elastic.co/v5
升级向导:https://github.com/elastic/elasticsearch-migration/blob/2.x/README.asciidoc
如果有es相关的问题也欢迎前往 Elastic中文社区:http://elasticsearch.cn
进行交流和讨论
谢谢大家,今天的分享内容就是上面这些,再次感谢大家参与这次分享活动,感谢聊聊架构社群提供的免费交流机会。
有问到是否有用es做hbase的二级索引的,这种案例说实话比较少,因为成本比较高,在两套分布式系统里面做结合,并且要满足足够的性能,有点难度,不建议这样去做。
批量更新数据 会出现少量数据更新不成功
这个首先要看少量失败的原因是什么,es的返回信息里面会包含具体的信息,如果json格式不合法也是会失败的
问:ik插件有没有计划支持同义词,专有名词热更新?对于词库更新比较频繁的应用场景,只能采取全部重新建立索引的方式吗?
同义词有单独的filter,可以和ik结合一起使用的,关于热更新这个确实是需要重建,词库变化之后,分词产生的term不一样了,不重建的话,倒排很可能匹配不上,查询会失败。
问:老师,你好,我有个问题想咨询一下,我们原来的商品基本数据,商品评价数据,收藏量这些都在mysql里,但我们现在想上es,我们想把商品的基本数据放es,收藏、评价这些实时数据,还是放mysql,但做排序功能的时候,会参考一个商品的收藏量,评价量,这时候在还涉及数据分页的情况下,怎么结合es和mysql的数据进行排序呢?
这个问题得具体看业务场景,如果更新频繁,但是还在es承受能力范围和业务响应指标内,可以直接放es里面,在es里面做排序,如果太大,建议放外部存储,外部存储和es的结合方式又有很多种,收藏评价是否真的需要那么实时?另外es的评分机制是可以扩展的,在评分阶段使用自定义插件读取外部数据源,进行混合打分也是可行的。
问:现在大agg查询可以cancel吗
现在还不能,目前暂时还没计划
问:128g内存的机器,官方建议机器上放两个es实例,目前也是推荐这样做吗
这个其实看场景的,单台机器上面的索引比较大的话,建议多留一点给操作系统来做缓存,多个实例可以提供足够吞吐。
问:请问用于计算unique count的算法有变化吗?
有的,elasticsearch里面叫cardinality
这里有篇文章:https://www.elastic.co/blog/count-elasticsearch
问:请问在es5中,每个服务器有256G内存,那每个服务器带的存储多少比较合适?是24T,48T还是可以更多?
这个看场景啦,有超过48T的
问:请问下Elastic Stack是只要安装一次这个就行,还是要像原来elk一样,分别安装不同的组件?
安装方式和之前一样的
问:请问es中的如何做到按某个字段去重?具体问题是这样的,我们有一个文章索引,其中有2亿数据量,每次搜索的结果总是存在大量重复的title,我们希望在查询时能根据title进行去重。也就是Field Collapsing特性,官方有一个通过terms aggregation进行去重的方案,但效果不是很理想,仍然会有很多重复,我们希望哪怕是按title严格相等来去重也可以接受。 另外我们有一个通过simhash来去重的思路,就是计算title的simhash,一并存入索引,在搜索阶段通过simhash计算相似性,但这需要全量重新计算,数据量太大。所以还是希望能在不动现有索引的情况下,通过某种技巧,实现这个功能。
直接去重,这个目前没有比较好的方案,不过很多变通的做法,首先你的场景需要确认,title重复是不是不允许的,如果是,那么建索引的时候就可以hash掉作为主键,这样就不会有重复的了,如果你觉得原始数据也要,那么索引阶段产生一个独立的去除title的索引,来做join,当然还是要看你业务的场景具体研究。
问:硬件受限的情况下,清理过期数据的策略
如果你的数据结构固定,结合5.0的Rollover接口,估计能够承载的最大索引,定期检测删索引就行了。