新博客地址
主要有两种方式
from/size
from
偏移,默认为0
size
返回的结果数,默认为10
在数据量不大的情况下我们一般会使用from/size
,而在深度分页的情况下效率极低,该命令会把from+size
条记录全部加在到内存中,对结果返回前进行全局排序,然后丢弃掉范围外的结果,并且每次执行都会重复这样的操作,运行速度极慢而且往往还会造成es内存不足而挂掉。
从index A
的type B
中搜索出从0开始的1w条数据:
curl -XGET "hostname:9200/A/B/_search?from=0&size=10000"
理解深度分页为什么慢
让我们假设在一个有5个主分片的索引中搜索。当我们请求结果的第一页(结果1到10)时,每个分片产生自己最顶端10个结果然后返回它们给请求节点(requesting node),它再排序这所有的50个结果以选出顶端的10个结果。
现在假设我们请求第1000页——结果10001到10010。工作方式都相同,不同的是每个分片都必须产生顶端的10010个结果。然后请求节点排序这50050个结果并丢弃50040个!
在分布式系统中,排序结果的花费随着分页的深入而成倍增长。
ps: 我曾经在一个14亿条记录的type中使用from/size进行分页,多么痛的领悟。。。
scan/scroll
scan(扫描)搜索类型是和scroll(滚屏)API一起使用来从es里高效地取回巨大数量的结果而不需要付出深分页的代价。
scroll
做一个初始阶段搜索并且持续批量从es里拉取结果直到没有结果剩下,类似传统数据库里的cursors。
scan
es查询将不再进行排序。
因为size作用在每个shard上,所以每次GET的数据量为shard_num*size
条:
curl -XGET "hostname:9200/A/B/_search?search_type=scan&scroll=5m&size=200000"
将会返回一个过期时间为5分钟scroll_id
"_scroll_id" :
"c2Nhbjs1OzkwODg5OmEta2lMZlJJUmFxMDVvdWNLWXR0dUE7NDI5NTA1OnF
jcVZSQUdnU3hpdy15XzRYT0lYWVE7OTA4OTA6YS1raUxmUklSYXEwNW91Y0tZ
dHR1QTs5MDg5MTphLWtpTGZSSVJhcTA1b3VjS1l0dHVBOzkwODkyOmEta2l
MZlJJUmFxMDVvdWNLWXR0dUE7MTt0b3RhbF9oaXRzOjE0NDk0MDM4NTI7"
根据该scroll_id从es中检索数据,每次调用都会检索下一批数据,并将scroll_id的过期时间重置为5m,直到所有数据检索完毕或者scroll_id过期:
curl -XGET "hostname:9200/_search/scroll?scroll=5m" -d
'c2Nhbjs1OzkwODg5OmEta2lMZlJJUmFxMDVvdWNLWXR0dUE7NDI5NTA1OnFjc
VZSQUdnU3hpdy15XzRYT0lYWVE7OTA4OTA6YS1raUxmUklSYXEwNW91Y0tZdHR1QTs5
MDg5MTphLWtpTGZSSVJhcTA1b3VjS1l0dHVBOzkwODkyOmEta2lMZlJJUmFxMDVvdWNLWXR
0dUE7MTt0b3RhbF9oaXRzOjE0NDk0MDM4NTI7'