Elasticsearch 学习,请先看这一篇!- 阿里云开发者社区Elasticsearch 研究有一段时间了,现特将 Elasticsearch 相关核心知识、原理从初学者认知、学习的角度,从以下 9 个方面进行详细梳理。欢迎讨论……
简介: Elasticsearch 研究有一段时间了,现特将 Elasticsearch 相关核心知识、原理从初学者认知、学习的角度,从以下 9 个方面进行详细梳理。欢迎讨论……
0. 带着问题上路——ES 是如何产生的?
(1)思考:大规模数据如何检索?
如:当系统数据量上了 10 亿、100 亿条的时候,我们在做系统架构的时候通常会从以下角度去考虑问题:
1)用什么数据库好?(mysql、sybase、oracle、达梦、神通、mongodb、hbase…)
2)如何解决单点故障;(lvs、F5、A10、Zookeep、MQ)
3)如何保证数据安全性;(热备、冷备、异地多活)
4)如何解决检索难题;(数据库代理中间件:mysql-proxy、Cobar、MaxScale 等;)
5)如何解决统计分析问题;(离线、近实时)
(2)传统数据库的应对解决方案
对于关系型数据,我们通常采用以下或类似架构去解决查询瓶颈和写入瓶颈:
解决要点:
1)通过主从备份解决数据安全性问题;
2)通过数据库代理中间件心跳监测,解决单点故障问题;
3)通过代理中间件将查询语句分发到各个 slave 节点进行查询,并汇总结果
(3)非关系型数据库的解决方案
对于 Nosql 数据库,以 mongodb 为例,其它原理类似:
解决要点:
1)通过副本备份保证数据安全性;
2)通过节点竞选机制解决单点问题;
3)先从配置库检索分片信息,然后将请求分发到各个节点,最后由路由节点合并汇总结果
另辟蹊径——完全把数据放入内存怎么样?
我们知道,完全把数据放在内存中是不可靠的,实际上也不太现实,当我们的数据达到 PB 级别时,按照每个节点 96G 内存计算,在内存完全装满的数据情况下,我们需要的机器是:1PB=1024T=1048576G
节点数 = 1048576/96=10922 个
实际上,考虑到数据备份,节点数往往在 2.5 万台左右。成本巨大决定了其不现实!
从前面讨论我们了解到,把数据放在内存也好,不放在内存也好,都不能完完全全解决问题。
全部放在内存速度问题是解决了,但成本问题上来了。
为解决以上问题,从源头着手分析,通常会从以下方式来寻找方法:
1、存储数据时按有序存储;
2、将数据和索引分离;
3、压缩数据;
这就引出了 Elasticsearch。
1. ES 基础一网打尽
1.1 ES 定义
ES=elaticsearch 简写, Elasticsearch 是一个开源的高扩展的分布式全文检索引擎,它可以近乎实时的存储、检索数据;本身扩展性很好,可以扩展到上百台服务器,处理 PB 级别的数据。
Elasticsearch 也使用 Java 开发并使用 Lucene 作为其核心来实现所有索引和搜索的功能,但是它的目的是通过简单的 RESTful API 来隐藏 Lucene 的复杂性,从而让全文搜索变得简单。
1.2 Lucene 与 ES 关系?
1)Lucene 只是一个库。想要使用它,你必须使用 Java 来作为开发语言并将其直接集成到你的应用中,更糟糕的是,Lucene 非常复杂,你需要深入了解检索的相关知识来理解它是如何工作的。
2)Elasticsearch 也使用 Java 开发并使用 Lucene 作为其核心来实现所有索引和搜索的功能,但是它的目的是通过简单的 RESTful API 来隐藏 Lucene 的复杂性,从而让全文搜索变得简单。
1.3 ES 主要解决问题:
1)检索相关数据;
2)返回统计结果;
3)速度要快。
1.4 ES 工作原理
当 ElasticSearch 的节点启动后,它会利用多播 (multicast)(或者单播,如果用户更改了配置) 寻找集群中的其它节点,并与之建立连接。这个过程如下图所示:
1.5 ES 核心概念
1)Cluster:集群。
ES 可以作为一个独立的单个搜索服务器。不过,为了处理大型数据集,实现容错和高可用性,ES 可以运行在许多互相合作的服务器上。这些服务器的集合称为集群。
2)Node:节点。
形成集群的每个服务器称为节点。
3)Shard:分片。
当有大量的文档时,由于内存的限制、磁盘处理能力不足、无法足够快的响应客户端的请求等,一个节点可能不够。这种情况下,数据可以分为较小的分片。每个分片放到不同的服务器上。
当你查询的索引分布在多个分片上时,ES 会把查询发送给每个相关的分片,并将结果组合在一起,而应用程序并不知道分片的存在。即:这个过程对用户来说是透明的。
4)Replia:副本。
为提高查询吞吐量或实现高可用性,可以使用分片副本。
副本是一个分片的精确复制,每个分片可以有零个或多个副本。ES 中可以有许多相同的分片,其中之一被选择更改索引操作,这种特殊的分片称为主分片。
当主分片丢失时,如:该分片所在的数据不可用时,集群将副本提升为新的主分片。
5)全文检索。
全文检索就是对一篇文章进行索引,可以根据关键字搜索,类似于 mysql 里的 like 语句。
全文索引就是把内容根据词的意义进行分词,然后分别创建索引,例如”你们的激情是因为什么事情来的” 可能会被分词成:“你们 “,” 激情 “,“什么事情“,” 来“ 等 token,这样当你搜索“你们” 或者 “激情” 都会把这句搜出来。
1.6 ES 数据架构的主要概念(与关系数据库 Mysql 对比)
(1)关系型数据库中的数据库(DataBase),等价于 ES 中的索引(Index)
(2)一个数据库下面有 N 张表(Table),等价于 1 个索引 Index 下面有 N 多类型(Type),
(3)一个数据库表(Table)下的数据由多行(ROW)多列(column,属性)组成,等价于 1 个 Type 由多个文档(Document)和多 Field 组成。
(4)在一个关系型数据库里面,schema 定义了表、每个表的字段,还有表和字段之间的关系。 与之对应的,在 ES 中:Mapping 定义索引下的 Type 的字段处理规则,即索引如何建立、索引类型、是否保存原始索引 JSON 文档、是否压缩原始 JSON 文档、是否需要分词处理、如何进行分词处理等。
(5)在数据库中的增 insert、删 delete、改 update、查 search 操作等价于 ES 中的增 PUT/POST、删 Delete、改_update、查 GET.
1.7 ELK 是什么?
ELK=elasticsearch+Logstash+kibana
elasticsearch:后台分布式存储以及全文检索
logstash: 日志加工、“搬运工”
kibana:数据可视化展示。
ELK 架构为数据分布式存储、可视化查询和日志解析创建了一个功能强大的管理链。 三者相互配合,取长补短,共同完成分布式大数据处理工作。
2. ES 特点和优势
1)分布式实时文件存储,可将每一个字段存入索引,使其可以被检索到。
2)实时分析的分布式搜索引擎。
分布式:索引分拆成多个分片,每个分片可有零个或多个副本。集群中的每个数据节点都可承载一个或多个分片,并且协调和处理各种操作;
负载再平衡和路由在大多数情况下自动完成。
3)可以扩展到上百台服务器,处理 PB 级别的结构化或非结构化数据。也可以运行在单台 PC 上(已测试)
4)支持插件机制,分词插件、同步插件、Hadoop 插件、可视化插件等。
3.ES 性能
3.1 性能结果展示
(1)硬件配置:
CPU 16 核 AuthenticAMD
内存 总量:32GB
硬盘 总量:500GB 非 SSD
(2)在上述硬件指标的基础上测试性能如下:
1)平均索引吞吐量: 12307docs/s(每个文档大小:40B/docs)
2)平均 CPU 使用率: 887.7%(16 核,平均每核:55.48%)
3)构建索引大小: 3.30111 GB
4)总写入量: 20.2123 GB
5)测试总耗时: 28m 54s.
3.2 性能 esrally 工具(推荐)
使用参考:
elasticsearch性能测试工具rally深入详解-阿里云开发者社区
4. 为什么要用 ES?
4.1 ES 国内外使用优秀案例
1) 2013 年初,GitHub 抛弃了 Solr,采取 ElasticSearch 来做 PB 级的搜索。 “GitHub 使用 ElasticSearch 搜索 20TB 的数据,包括 13 亿文件和 1300 亿行代码”。
2)维基百科:启动以 elasticsearch 为基础的核心搜索架构。
3)SoundCloud:“SoundCloud 使用 ElasticSearch 为 1.8 亿用户提供即时而精准的音乐搜索服务”。
4)百度:百度目前广泛使用 ElasticSearch 作为文本数据分析,采集百度所有服务器上的各类指标数据及用户自定义数据,通过对各种数据进行多维分析展示,辅助定位分析实例异常或业务层面异常。目前覆盖百度内部 20 多个业务线(包括 casio、云分析、网盟、预测、文库、直达号、钱包、风控等),单集群最大 100 台机器,200 个 ES 节点,每天导入 30TB + 数据。
4.2 我们也需要
实际项目开发实战中,几乎每个系统都会有一个搜索的功能,当搜索做到一定程度时,维护和扩展起来难度就会慢慢变大,所以很多公司都会把搜索单独独立出一个模块,用 ElasticSearch 等来实现。
近年 ElasticSearch 发展迅猛,已经超越了其最初的纯搜索引擎的角色,现在已经增加了数据聚合分析(aggregation)和可视化的特性,如果你有数百万的文档需要通过关键词进行定位时,ElasticSearch 肯定是最佳选择。当然,如果你的文档是 JSON 的,你也可以把 ElasticSearch 当作一种 “NoSQL 数据库”, 应用 ElasticSearch 数据聚合分析(aggregation)的特性,针对数据进行多维度的分析。
【知乎:热酷架构师潘飞】ES 在某些场景下替代传统 DB
个人以为 Elasticsearch 作为内部存储来说还是不错的,效率也基本能够满足,在某些方面替代传统 DB 也是可以的,前提是你的业务不对操作的事性务有特殊要求;而权限管理也不用那么细,因为 ES 的权限这块还不完善。
由于我们对 ES 的应用场景仅仅是在于对某段时间内的数据聚合操作,没有大量的单文档请求(比如通过 userid 来找到一个用户的文档,类似于 NoSQL 的应用场景),所以能否替代 NoSQL 还需要各位自己的测试。
如果让我选择的话,我会尝试使用 ES 来替代传统的 NoSQL,因为它的横向扩展机制太方便了。
5. ES 的应用场景是怎样的?
通常我们面临问题有两个:
1)新系统开发尝试使用 ES 作为存储和检索服务器;
2)现有系统升级需要支持全文检索服务,需要使用 ES。
以上两种架构的使用,以下链接进行详细阐述。
Elasticsearch的使用场景深入详解_铭毅天下(公众号同名)-CSDN博客_elasticsearch使用场景
一线公司 ES 使用场景:
1)新浪 ES 如何分析处理 32 亿条实时日志 DockOne技术分享(十二):新浪是如何分析处理32亿条实时日志的? - DockOne.io
2)阿里 ES 构建挖财自己的日志采集和分析体系 构建挖财自己的日志采集和分析体系 - 扶墙老师说:一个架构士的思考与沉淀
3)有赞 ES 业务日志处理 有赞统一日志平台初探
4)ES 实现站内搜索 http://www.wtoutiao.com/p/13bkqiZ.html
6. 如何部署 ES?
6.1 ES 部署(无需安装)
1)零配置,开箱即用
2)没有繁琐的安装配置
3)java 版本要求:最低 1.7
我使用的 1.8
[root@laoyang config_lhy]# echo $JAVA_HOME
/opt/jdk1.8.0_91
4)下载地址:
5)启动
cd /usr/local/elasticsearch-2.3.5
./bin/elasticsearch
bin/elasticsearch -d(后台运行)
6.2 ES 必要的插件
必要的 Head、kibana、IK(中文分词)、graph 等插件的详细安装和使用。
http://blog.csdn.net/column/details/deep-elasticsearch.html
6.3 ES windows 下一键安装
自写 bat 脚本实现 windows 下一键安装。
1)一键安装 ES 及必要插件(head、kibana、IK、logstash 等)
2)安装后以服务形式运行 ES。
3)比自己摸索安装节省至少 2 小时时间,效率非常高。
脚本说明:
http://blog.csdn.net/laoyang360/article/details/51900235
7. ES 对外接口(开发人员关注)
1)JAVA API 接口
2)RESTful API 接口
常见的增、删、改、查操作实现:
Elasticsearch增、删、改、查操作深入详解_铭毅天下(公众号同名)-CSDN博客_es put
8.ES 遇到问题怎么办?
2)国内:Elastic 中文社区
参考:
[1] 登录 - 推酷
[2] elasticsearch的实现全文检索 | 赵岩的博客
[3]《Elasticsearch 服务器开发》
[4]《实战 Elasticsearch、Logstash、Kibana》
[5]《Elasticsearch In Action》
[6]《某 ES 大牛 PPT》
9. 还有吗?
《死磕 Elasticsearch 方法论》:普通程序员高效精进的 10 大狠招!(免费完整版)
《死磕 Elasticsearch 方法论》:普通程序员高效精进的 10 大狠招!(完整版)_铭毅天下(公众号同名)-CSDN博客_死磕elasticsearch
——————————————————————————————————
和你一起,死磕 Elasticsearch!
——————————————————————————————————