ElasticSearch原理

分片和副本

1. shard代表索引分片，es可以把一个完整的索引分成多个分片，这样的好处是可以把一个大的索引拆分成多个，分布到不同的节点上。构成分布式搜索。
2. index包含多个shard，将数据拆成多台节点进行存放，解决单机容量问题，在ES分片技术中分为主分片（primary shard）和副分片（replica shard）
3. 每个shard都是一个最小的工作单元，承载部分数据，每个shard都是一个Lucene实例，有完整的建立索引和处理请求的能力
4. 增加或减少节点时，shard会自动在nodes中负载均衡
5. primary shard和replica shard，每个document肯定只存在于某一个primary shard及其对应的replica shard中，不可能存在多个primary shard
6. replica shard是primary shard的副本，负责容错，以承担读请求负载
7. primary shard的数据量在创键索引的时候就固定了，replica shard的数量可以随时修改
8. primary shard的默认数量是5，replica shard默认数量是1，表示5个主分片，每个主分片对应一个副本
9. primary shard不能和自己的replica shard 放在同一个节点上（否在节点宕机，primary shard和副本都丢失，起不到容错作用），但是可以和其他的primary shard的replica shard放在同一个节点上
10. ES容错机制,3台ES服务
11. 如图：假如索引的primary shard为2，replica shard为2
12. 
13. 该模式只允许一个节点宕机，才能保证数据的完整性
14. 
15. 如果宕掉两台就会丢失数据，健康值就red了
16. 索引的primary shard为3，replica shard为2：如图，这样的才能提高容错机制，该模式最高允许两台机器宕机而保证数据的完整性，同一主分片的副本不能在同一台节点上
17. 
18. 当mastar和其中的一个slave宕机了，另一个slave还保证着一个完整索引的数据，这个slave会将R2-3，R1-2提升为主分片负责处理请求
19. 
20. 结论：容错性最高的分片数量为节点的平方

主分片数量不能修改

1. 如果主分片数量一旦确定就不能修改，副分片可以修改
2. 
3. 原因：
4. 文档路由的分片上，一个索引由多个分片构成，当添加（删除，修改）一个文档是，es就需要决定这个文档存储在哪个分片上，这个过程就称为数据路由（routing）
5. 路由算法shard=hash(routing)%number_of_primary_shards
6. 示例:一个索引，3个主分片
7. (1)每次增删改查时，都有一个routing值，默认是文档的_id的值
8. (2)对这个routing值使用哈希函数进行计算
9. (3)计算出的这个值在和主分片求余
10. 余数肯定在[0,number_of_primary_shards)之间文档就在对应的shard上，routing值默认是文档的_id的值，也可以手动指定一个值，手动指定对于负载均衡以提高批量的性能都有帮助
11. primary shard一旦确定就不能修改了，假如主分片数量一改他就傻了，不知道数据在哪了。。。。。。，这里没有用到副分片数量，所以副分片的数量可以修改

文档查询原理

1. 第一步：查询请求发给任意一个节点，该节点就成了coordinating node，该节点使用路由算法算出文档所在的primary shard
2. 第二步：协调节点把请求转发给primary shard 也可以转发给replica shard（是用轮询调度算法（Round-Robin Scheduling，把请求平均分配至primary shard 和replica shard））
3. 第三步：处理请求的节点把结果返回给协调节点，协调节点在返回给应用程序
4. 特殊情况：请求的文档还在建立索引的过程中，primary shard上存在，但replica shard不存在，但是请求转发到了replica shard上，这是就会提示找不到文档
5. 如图：
6. 

文档增删改原理

1. 增删改原理同样也是发送给集群中个任意一个节点，通过数据路由算法，该文档应该存放在那个primary shard，和查询类似但是副本节点不接收增删改请求，所有请求都发往主分片，之后再把数据同步到主分片所对应的副本分片上。集群中的master节点负责管理集群范畴的变更，例如创建或删除索引，添加节点到集群或从集群删除节点。master节点无需参与文档层面的变更和搜索，这意味着仅有一个master节点并不会因流量增长而成为瓶颈。任意一个节点都可以成为 master 节点。

分页查询中deep paging问题

1. GET /index/type/_search{"from":0,"size":2,"query":{"terms":{"terms":{"xingqu":"喝酒"}}}}
2. GET /_search?from=0&size=3
3. deep paging 查询的很深，比如一个索引有是哪个primary shard ，分别存储了6000条数据，我们要得到第100页的数据（每页10条），类似这种情况就叫deep paging
4. 如何得到第100页的10条数据

5. 在每个sharding 中所有990到999 这10 条数据然后用这30条数据进行排序，排序之后取10条数据就是要搜索的数，这种做法是错误的，因为3个shard中的数据的相关度分数(_score)不一样，可能这某一个shard中第一条数据的相关度分数比另一个shard中第1000条都要高，所以在每个shard中搜索990到999这条10条数据然后排序的做法是不对的

6. 正确的做法是每个shard把0到999条数据全部搜索出来（按排序顺序），然后全部返回给协调节点，由协调节点按相关度分数排序后，取出第100页的10条数据，然后返回给客户端。

7. deep paging性能问题

8. (1)耗费网络带宽，因为搜索过深的话，各分片要把数据传递给协调节点，这个过程是有大量的数据传递的，消耗网络

9. (2)消耗内存，各shard要把数据传递给协调节点，这个传递回来的数据，是被协调节点报保存在内存中的，这样会消耗大量的内存

10. (3)消耗cpu 协调节点要把传回来的数据进行排序，这个排序过程很消耗cpu

11. 鉴于deep paging的性能问题，所以应尽量减少使用。