注:由于公众号文章推送规则的改变,所以为了大家能够准时收到我们的文章推送,请记得将公众号: 程序IT圈 设为星标~这样就不会错过每一篇精彩的推送啦~
Elasticsearch 是一款功能强大的开源分布式搜索与数据分析引擎,目前国内诸多互联网大厂都在使用,包括携程、滴滴、今日头条、饿了么、360 安全、小米、vivo 等。
除了搜索之外,结合 Kibana、Logstash、Beats,Elastic Stack 还被广泛运用在大数据近实时分析领域,包括日志分析、指标监控、信息安全等多个领域。
它可以帮助你探索海量结构化、非结构化数据,按需创建可视化报表,对监控数据设置报警阈值,甚至通过使用机器学习技术,自动识别异常状况。
今天,我们先自上而下,后自底向上的介绍ElasticSearch的底层工作原理,并试图回答以下问题:
为什么我的搜索 *foo-bar* 无法匹配 foo-bar ?
为什么增加更多的文件会压缩索引(Index)?
为什么 ElasticSearch 占用很多内存?
图解 ElasticSearch
elasticsearch 版本: elasticsearch-2.2.0。
①云上的集群
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/191323e7d06c50e1d0c7b6ab9901ed85.png)
②集群里的盒子
云里面的每个白色正方形的盒子代表一个节点——Node。
![](https://i-blog.csdnimg.cn/blog_migrate/9223382703ccf677d14e0e807302f666.png)
③节点之间
在一个或者多个节点直接,多个绿色小方块组合在一起形成一个 ElasticSearch 的索引。
![](https://i-blog.csdnimg.cn/blog_migrate/0a2dc63b05043177e42954b30bb787de.png)
④索引里的小方块
在一个索引下,分布在多个节点里的绿色小方块称为分片——Shard。
![](https://i-blog.csdnimg.cn/blog_migrate/ec65e4817bdb5369ec64a0e6fd014379.png)
⑤Shard=Lucene Index
一个 ElasticSearch 的 Shard 本质上是一个 Lucene Index。
![](https://i-blog.csdnimg.cn/blog_migrate/536280c1124a32d91bd443c58f8b71d8.png)
Lucene 是一个 Full Text 搜索库(也有很多其他形式的搜索库),ElasticSearch 是建立在 Lucene 之上的。
接下来的故事要说的大部分内容实际上是 ElasticSearch 如何基于 Lucene 工作的。
图解 Lucene
Mini 索引:Segment
在 Lucene 里面有很多小的 Segment,我们可以把它们看成 Lucene 内部的 mini-index。
![](https://i-blog.csdnimg.cn/blog_migrate/0b83b9948f08379a0b548e4d7df64f65.png)
Segment 内部
![](https://i-blog.csdnimg.cn/blog_migrate/cac4a67ca0ec4b7a6e1bc2eeb9475521.png)
Segment 内部有着许多数据结构,如上图:
Inverted Index
Stored Fields
Document Values
Cache
最最重要的 Inverted Index
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/fbb697d3715a4f1a406619e629da3236.png)
Inverted Index 主要包括两部分:
一个有序的数据字典 Dictionary(包括单词 Term 和它出现的频率)。
与单词 Term 对应的 Postings(即存在这个单词的文件)。
当我们搜索的时候,首先将搜索的内容分解,然后在字典里找到对应 Term,从而查找到与搜索相关的文件内容。
![](https://i-blog.csdnimg.cn/blog_migrate/8e2f6be73b6d65f5bd1956357c7f3180.png)
①查询“the fury”
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/3d078d6c7830d186fe9a0fe77be0dea3.png)
②自动补全(AutoCompletion-Prefix)
如果想要查找以字母“c”开头的字母,可以简单的通过二分查找(Binary Search)在 Inverted Index 表中找到例如“choice”、“coming”这样的词(Term)。
![](https://i-blog.csdnimg.cn/blog_migrate/19a2c57ce8d5b184b2cd7a75c3619095.png)
③昂贵的查找
如果想要查找所有包含“our”字母的单词,那么系统会扫描整个 Inverted Index,这是非常昂贵的。
![](https://i-blog.csdnimg.cn/blog_migrate/5c37ed0e27d575271d9c0349146d4120.png)
在此种情况下,如果想要做优化,那么我们面对的问题是如何生成合适的 Term。
④问题的转化
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/36e91352b5e313ba4942ef00d73d29ac.png)
对于以上诸如此类的问题,我们可能会有几种可行的解决方案:
* suffix→xiffus *,如果我们想以后缀作为搜索条件,可以为 Term 做反向处理。
(60.6384, 6.5017)→ u4u8gyykk,对于 GEO 位置信息,可以将它转换为 GEO Hash。
123→{1-hundreds, 12-tens, 123},对于简单的数字,可以为它生成多重形式的 Term。
⑤解决拼写错误
一个 Python 库为单词生成了一个包含错误拼写信息的树形状态机,解决拼写错误的问题。
![](https://i-blog.csdnimg.cn/blog_migrate/0e48d6cdcfa19b6d204bc4d8fd6359c9.png)
⑥Stored Field 字段查找
当我们想要查找包含某个特定标题内容的文件时,Inverted Index 就不能很好的解决这个问题,所以 Lucene 提供了另外一种数据结构 Stored Fields 来解决这个问题。
本质上,Stored Fields 是一个简单的键值对 key-value。默认情况下,ElasticSearch 会存储整个文件的 JSON source。
![](https://i-blog.csdnimg.cn/blog_migrate/d1bb98e60d7e3cc948dd9b8730dd0c1a.png)
⑦Document Values 为了排序,聚合
即使这样,我们发现以上结构仍然无法解决诸如:排序、聚合、facet,因为我们可能会要读取大量不需要的信息。
所以,另一种数据结构解决了此种问题:Document Values。这种结构本质上就是一个列式的存储,它高度优化了具有相同类型的数据的存储结构。
![](https://i-blog.csdnimg.cn/blog_migrate/2a41f21191f31537199a2d267b2e1b63.png)
为了提高效率,ElasticSearch 可以将索引下某一个 Document Value 全部读取到内存中进行操作,这大大提升访问速度,但是也同时会消耗掉大量的内存空间。
总之,这些数据结构 Inverted Index、Stored Fields、Document Values 及其缓存,都在 segment 内部。
搜索发生时
搜索时,Lucene 会搜索所有的 Segment 然后将每个 Segment 的搜索结果返回,最后合并呈现给客户。
Lucene 的一些特性使得这个过程非常重要:
Segments 是不可变的(immutable):Delete?当删除发生时,Lucene 做的只是将其标志位置为删除,但是文件还是会在它原来的地方,不会发生改变。
Update?所以对于更新来说,本质上它做的工作是:先删除,然后重新索引(Re-index)。
随处可见的压缩:Lucene 非常擅长压缩数据,基本上所有教科书上的压缩方式,都能在 Lucene 中找到。
缓存所有的所有:Lucene 也会将所有的信息做缓存,这大大提高了它的查询效率。
缓存的故事
当 ElasticSearch 索引一个文件的时候,会为文件建立相应的缓存,并且会定期(每秒)刷新这些数据,然后这些文件就可以被搜索到。
![](https://i-blog.csdnimg.cn/blog_migrate/5d7df93b880834258f70064c56051a5d.png)
随着时间的增加,我们会有很多 Segments,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/b478a998016286c76f959b7114ba8d8b.png)
所以 ElasticSearch 会将这些 Segment 合并,在这个过程中,Segment 会最终被删除掉。
![](https://i-blog.csdnimg.cn/blog_migrate/7c212d7fd23dab486a27d740398d34ad.png)
这就是为什么增加文件可能会使索引所占空间变小,它会引起 Merge,从而可能会有更多的压缩。
举个栗子
有两个 Segment 将会 Merge:
![](https://i-blog.csdnimg.cn/blog_migrate/cd267193c71e66a6a2bb66b8958394c6.png)
这两个 Segment 最终会被删除,然后合并成一个新的 Segment,如下图:
这时这个新的 Segment 在缓存中处于 Cold 状态,但是大多数 Segment 仍然保持不变,处于 Warm 状态。
以上场景经常在 Lucene Index 内部发生的,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/5003c2fbffebec8fc7b512d276651470.jpeg)
在 Shard 中搜索
ElasticSearch 从 Shard 中搜索的过程与 Lucene Segment 中搜索的过程类似。
![](https://i-blog.csdnimg.cn/blog_migrate/a9004ee3c427eaae4a1cb39fd375414a.jpeg)
与在 Lucene Segment 中搜索不同的是,Shard 可能是分布在不同 Node 上的,所以在搜索与返回结果时,所有的信息都会通过网络传输。
需要注意的是:1 次搜索查找 2 个 Shard=2 次分别搜索 Shard。
![](https://i-blog.csdnimg.cn/blog_migrate/f5a5e7085cc7d1cd5f21e2e637200ed2.jpeg)
对于日志文件的处理:当我们想搜索特定日期产生的日志时,通过根据时间戳对日志文件进行分块与索引,会极大提高搜索效率。
当我们想要删除旧的数据时也非常方便,只需删除老的索引即可。
![](https://i-blog.csdnimg.cn/blog_migrate/1436f39692a906580585720d5e7a8402.jpeg)
在上种情况下,每个 Index 有两个 Shards。
如何 Scale
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/26e9d27c8f6773e46eecc598c29d4a3b.png)
Shard 不会进行更进一步的拆分,但是 Shard 可能会被转移到不同节点上。
所以,如果当集群节点压力增长到一定的程度,我们可能会考虑增加新的节点,这就会要求我们对所有数据进行重新索引,这是我们不太希望看到的。
所以我们需要在规划的时候就考虑清楚,如何去平衡足够多的节点与不足节点之间的关系。
节点分配与 Shard 优化:
为更重要的数据索引节点,分配性能更好的机器。
确保每个 Shard 都有副本信息 Replica。
![](https://i-blog.csdnimg.cn/blog_migrate/df3ffedb982a54b2fd3d844c8dfa1237.png)
路由 Routing:每个节点,每个都存留一份路由表,所以当请求到任何一个节点时,ElasticSearch 都有能力将请求转发到期望节点的 Shard 进一步处理。
![](https://i-blog.csdnimg.cn/blog_migrate/14ba26d3f08809b1653d568900d4bf47.jpeg)
一个真实的请求
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/573bd7726b5b9aa9ca053f02c1661cad.png)
①Query
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/0cf0904ea34705cef3a76a75d7f55871.png)
Query 有一个类型 filtered,以及一个 multi_match 的查询。
②Aggregation
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/99be9e4974fcdc4a8c66c7f06edd07f2.png)
根据作者进行聚合,得到 top10 的 hits 的 top10 作者的信息。
③请求分发
这个请求可能被分发到集群里的任意一个节点,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/1fea0d70b4a750984e0a02216d82d5aa.jpeg)
④上帝节点
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/2c938c3800c8869703c625465651563c.png)
这时这个节点就成为当前请求的协调者(Coordinator),它决定:
根据索引信息,判断请求会被路由到哪个核心节点。
以及哪个副本是可用的。
等等。
⑤路由
如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/213c6cbad21cdb8de22a580003f7a38f.png)
⑥在真实搜索之前
ElasticSearch 会将 Query 转换成 Lucene Query,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/f7bf134ebb80c1e25263f9d807750c88.jpeg)
然后在所有的 Segment 中执行计算,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/d05705f30324caefc635d50de7cfc23b.jpeg)
对于 Filter 条件本身也会有缓存,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/bcf537758309ac5988ca8ca60886db28.png)
但 Queries 不会被缓存,所以如果相同的 Query 重复执行,应用程序自己需要做缓存。
![](https://i-blog.csdnimg.cn/blog_migrate/d97699121b07ae67e339249e7dc5fa37.jpeg)
所以:
Filters 可以在任何时候使用。
Query 只有在需要 Score 的时候才使用。
⑦返回
搜索结束之后,结果会沿着下行的路径向上逐层返回,如下图:
![](https://i-blog.csdnimg.cn/blog_migrate/bff5399747ac72939edd242fd9df25e6.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/706c43d0723ff99578d3e17f00761ebb.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/39f554846c99227d2873bf8a05843748.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/1514108ea441a9319bd3959314f76bda.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/f6933566c00f39114108a702a587f764.jpeg)
作者:Richaaaard
来源:https://www.cnblogs.com/richaaaard/
PS:欢迎在留言区留下你的观点,一起讨论提高。如果今天的文章让你有新的启发,欢迎转发分享给更多人。
Java后端编程交流群已成立
公众号运营至今,离不开小伙伴们的支持。为了给小伙伴们提供一个互相交流的平台,特地开通了官方交流群。扫描下方二维码备注 进群 或者关注公众号 Java后端编程 后获取进群通道。
—————END—————
推荐阅读:
最近面试BAT,整理一份面试资料《Java面试BAT通关手册》,覆盖了Java核心技术、JVM、Java并发、SSM、微服务、数据库、数据结构等等。获取方式:关注公众号并回复 java 领取,更多内容陆续奉上。
明天见(。・ω・。)ノ♡