0. 前言
本文我们将会先自上而下,后自底向上地介绍ElasticSearch的底层工作原理,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?
ElasticSearch版本:ElasticSearch-2.2.0
1. 图解ElasticSearch
1.1 云上的集群
1.2 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。
1.3 节点之间
在一个或者多个节点之间,多个绿色小方块组合在一起形成一个ElasticSearch的索引。
1.4 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。
Shard=Lucene Index
一个ElasticSearch的Shard本质上是一个Lucene Index。
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。
2. 图解Lucene
2.1 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。
2.2 Segment内部
有着许多数据结构
-
Inverted Index
-
Stored Fields
-
Document Values
-
Cache
2.3 最最重要的Inverted Index![在这里插入图片描述](http://zhuanzhiimg.b0.upaiyun.com/images/wx/3d80151ffb868b633d8d96eaf9335b59)
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。
查询“the fury”:
2.5 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)。
2.5 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。
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。
2.6 问题的转化
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。
2.7 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。
2.8 Stored 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。
2.9 Document 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。
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。
3. 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。
4. 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。
随着时间的增加,我们会有很多segments:
所以ElasticSearch会将这些segment合并,在这个过程中,segment会最终被删除掉:
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。
例如:
有两个segment将会merge:
这两个segment最终会被删除,然后合并成一个新的segment:
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。
5. 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。
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。
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。
在上种情况下,每个Index有两个shards。
6. 如何Scale
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。
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。
在真实搜索之前
ElasticSearch会将Query转换成Lucene Query:
然后在所有的segment中执行计算:
对于Filter条件本身也会有缓存:
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:
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。
返回
搜索结束之后,结果会沿着下行的路径向上逐层返回。