目录
首先说一下自己对ES性能的认识
首先可以说明一下自己的使用经验：ES 性能并没有想象中那么好的。
下面是一个权威数据，腾讯云的ES集群性能数据：3个节点性能测试，吞吐量中位数 50qps。
ES集群吞吐量的测试数据
所以，很多时候ES数据量大了，特别是有几亿条数据的时候，实际上性能很差。
在2017、2018年左右，维护一个30个节点的集群架构，亿级文档。 数据规模大概1亿doc， 1TB的容量。
在那个集群上，有的慢搜索，最长rt在5-10s。
你可能会蒙？ 怎么那么久， 5~10s？
记得当时候，17年的时候，为30个节点的es集群做优化，吞吐量 从 5qps 优化到 100qps， 竟然，耗费了1个月
当然，最终，借用秒杀理论搞定 并发场景的 性能问题，实现了 在 瞬间高并发 流量（1W用户同时访问）的情况下，用户的rt在2秒以内
特别说明，秒杀不是一般的秒杀，至少抽取了3个大型项目的工业实操。
总之，ES 性能优化，是一个很大的难题。
在解决的时候，不要期待着随手调一个参数、两个参数，就可以万能的应对所有的性能慢的场景。
解决这个问题，要系统化、体系化、全面化思考。
那么：要做到数十亿数据查询，毫秒级响应，有哪些措施呢？
措施一：调大内存，缓存越大越好
调大内存，缓存越大越好，主要指的是Filesystem Cache越大越好。
为啥要调大Filesystem Cache呢？
ES查询的时候，会有大量的mmap操作，在mmap操作的时候，OS会将磁盘文件里的segment数据，加载到 Filesystem Cache 缓存里面去。
总之，ES严重依赖于底层的 filesystem cache，你如果给 filesystem cache 更多的内存，尽量让内存可以容纳所有的 idx segment file 索引数据文件，
那么在搜索的时候，就基本都是走内存的，性能会非常高。
具体来说：性能差距究竟可以有多大？
我们之前很多的测试和压测，如果通过磁盘IO完成搜索，一般秒级返回，可能是，1秒、5秒、10秒。
但如果是走 filesystem cache，那么一般来说性能比走磁盘IO要快一个数量级，基本上就是10ms、50ms、100ms、几百毫秒不等。
这里，还可以给面试官说点真实的数据。
假设一套 es 节点有 3 台机器，每台机器，64G内存，总内存就是 64 * 3 = 192G。
每台机器给 es jvm heap 是 32G，留给 filesystem cache 是 32G，
总共集群里给 filesystem cache 的就是 32 * 3 = 96G 内存。
而此时，整个磁盘上索引数据文件，假设在 3 台机器上一共占用了 1T 的磁盘容量，es 数据量是 1T，那么每台机器的数据量是 300G。
此时：
-
filesystem cache 的内存才 100G，
-
es 数据量是 1T
十分之一的数据可以放内存，十分之9的数据，在查询命中的时候，需要进行临时的磁盘加载。
结论是：十分之9的搜索操作，性能在 秒级。
提升性能的策略是，提升内存命中的比例，两个思路：
-
拼命调大内存。
-
减少索引index 索引大小。
所以：亿级索引、海量索引的调优措施之一，简单来讲，希望全部命中在内存，而不是在磁盘。
或者说：如果 缓存不了全部数据，那就至少可以容纳你的总数据量的一半。
比如：索引数据控制在 100G，如果内存留给 filesystem cache 的是 100G，这样的话，数据几乎全部走内存来搜索，性能非常之高，一般可以在 1 秒以内。
问题是，增大内存是高成本的措施，很多公司，不一定舍得这份投入。
怎么办？
措施二：缩容，缩小index 索引
如果第一点做不到，怎么办呢？
没有必要在一个点死耗，条条道路同罗马，东方不亮西方亮。
增大内存搞不定的话，可以逆向思考。就是：减少索引index 索引大小。
目标就一个：还是把索引加载到内存，或者至少能加载一半。
比如有一行数据，id,name,age .... 30 个字段。而搜索的时候，只需要根据 name,age 2个字段来搜索。
这样搜索的时候，其余的28个字段是和搜索无关的，占了90%以上。结果这部分搜索无关数据，硬是占据了 es 机器上的 filesystem cache 的空间，单条数据的数据量越大，就会导致 filesystem cahce 能缓存的数据就越少。
所以，优化的策略就是，减少索引index 数据量。
仅仅写入 es 中要用来检索的少数几个字段就可以了，比如说就写入id,name,age 三个字段。
那么问题来了：在哪里存放全量数据呢？
一般是建议用 es + hbase 架构。es中保存hbase的key， 根据key 去habse取全量数据。
hbase 的特点是适用于海量数据的在线存储，就是对 hbase 可以写入海量数据，但是不要做复杂的搜索。
当然，在hbase中做很简单的一些根据 rowkey或者范围进行查询的这么一个操作就可以了。
用 es + hbase 架构，从 es 中根据 name 和 age 去搜索，拿到的结果可能就 20 个 rowkey，然后根据rowkey（doc id）到 hbase 里去查询每个 doc id 对应的完整的数据，给查出来，再返回给前端。
关于完整 es + hbase 架构, 非常重要，也非常精彩，是一个大大的简历亮点， 关于这个实操，后面会进行详细介绍，具体请关注群消息。
优化的结果：
然后你从 es 检索可能就花费 100ms，然后再根据 es 返回的 id 去 hbase 里查询，查 20 条数据，可能也就耗费个 100ms，
-
架构整改之前，1T 数据都放 es，会每次查询都是 5~10s
-
架构整改之后，现在可能性能就会很高，每次查询就是 200ms。
结论：性能提升50倍多。
措施三：冷热分离
如果索引的数据量，还是减不下来，怎么办。
比如说，无论怎么进行索引的瘦身，无论怎么进行索引的缩容，索引还是远大于内存。
比如，索引瘦身之后，还是有300G，而 filesystem cache 只有100G，索引大小，远远大于内存大小，怎么办？
条条道路同罗马，东方不亮西方，办法总比问题多。
方法之一：冷热分离
方式之2：数据预热
方式之3：.....
怎么做冷热分离呢？
-
冷数据：将大量的访问很少、频率很低的数据，单独写一个索引，
-
热数据：将大量的访问很大、频率很高的数据，单独写一个索引，
目标还是一个：搜索的时候进行内存IO，而不是磁盘IO。
这样可以确保热数据在被加载到filesystem os cache 之后.
怎么能保证冷索引，不把热索引从内存寄出去呢？
这个主要是 Linux 内核的 LRU内存淘汰算法导致的，当系统内存不足时，Memcached 和 Redis 都是使用 LRU算法 来淘汰内存的。
提示，这里很容易出现连环炮面试题： 内存淘汰算法 相关的试题。
LRU（Least Recently Used） 中文翻译是 最近最少使用 的意思，其原理就是：当内存不足时，淘汰系统中最少使用的内存，这样对系统性能的损耗是最小的。用过 Memcached 或者 Redis 的同学应该都了解过 LRU算法。
一般来说，由于热数据频繁访问，一般就会比较高的概率留在 filesystem os cache 里，不会让冷数据给冲刷掉。
假设有 6 台机器，2 个索引，一个放冷数据，一个放热数据，每个索引 3 个 shard。
大量的时间是在访问热数据 index，热数据可能就占总数据量的 10%，此时数据量很少，几乎全都驻留 filesystem cache 里面了，就可以通过内存IO完成，而不是磁盘IO，从而实现性能优化。
少量的冷数据访问，可能大量数据是在磁盘上的，此时性能差点，也无所谓了。
冷热分离之后，保障了90%的请求在1s以内。
措施四：数据预热
冷热分离之后，如何确保热数据，一直处于 filesystem cache 里？
有效的措施是：数据预热
怎么预热呢？
简单的说，就是提前访问一下，让数据进入 filesystem cache 里面去。
复杂点的措施，就是做一个专门的缓存预热子系统，就是对热数据每隔一段时间，访问一下，让数据进入 filesystem cache 里面去。
那么，那些是热点数据呢？怎识别热点数据呢？
比如电商秒杀，你可以将平时查看最多的一些商品，比如说 iphone 8，可以提前访问一次，刷到 filesystem cache 里去。搜索的时候，直接从内存里搜索了，没有走磁盘IO，速度很快。
有些热点数据是可以提前预知的，但是更多的热点数据，不实时产生的的，老天爷都不知道什么时候到了，怎么办？
这里涉及到 热点探测系统。
有了，缓存预热子系统可以和热点探测子系统结合，进行 动态的缓存预热。
提前预热之后，数据已经到了缓存，这样下次别人访问的时候，性能一定会好很多。
举个例子，拿微博来说，一些大V数据，或者一下其他的平时看的人很多的数据，就是使用 热点探测子系统和缓存预热子系统结合的路子，每隔一会儿， 探测到热点数据之后，预热子系统就去搜索一下热数据，刷到 filesystem cache 里去。
后面用户去搜索大V，实际他们就是直接从内存里搜索了，没有走磁盘IO，速度很快。
比如电商秒杀，对于一下未知的热点商品，通过热点探测之后，存预热子系统可以主动访问一次，刷到 filesystem cache 里去。
措施五：索引模型优化
在ES的优化中，索引模型优化、或者说索引结构优化，也很重要。
es 能支持的操作就那么多，很多操作性能低，不要在搜索的时候，执行各种复杂的乱七八糟的操作。
换句话说，对索引进行优化的时候，直接索引最终的结果数据，而不是过程数据、中间数据。
最好是先在 Java 系统里就完成数据的处理，比如说数据的关联，将关联好的数据直接写入 es 中。
搜索的时候，就不需要利用 es 的搜索语法来完成 join 之类的关联搜索了。
对于一些太复杂的操作，比如 join/nested/parent-child 搜索都要尽量避免，性能都很差的。
如果真的有那种操作，尽量在 document 模型设计的时候，写入的时候就完成。
另外对于一些太复杂的操作，比如 join/nested/parent-child 搜索都要尽量避免，性能都很差的。
关于索引结构的优化，有非常多的优化手段，根据自己的场景去定制化使用：
-
字段拉平：将复合字段拆分为多个不同字段，查询时减少查询的字段个数。
-
提前建立 mapping：预先建立 mapping，而不是让 ES 自动生成数据类型，加速检索。
-
使用 keyword 代替 int/long/numeric,
为啥使用 keyword 代替 int/long/numeric？
对于keyword类型的term query，ES使用的是倒排索引。但是numeric类型为了能有效的支持范围查询，它的存储结构并不是倒排索引。
倒排索引在内存里维护了词典 (Term Dictionary)和文档列表(Postings List)的映射关系，倒排索引本身对于精确匹配查询是非常快的，直接从字典表找到term，然后就直接找到了posting list。
措施六：查询优化
查询优化的措施太多，随便说几点，面试官基本就满意了：
-
分页性能优化
-
能用term就不用match_phrase
-
使用过滤器优化查询
然后告诉面试官，这些都要根据业务场景，具体分析。
查询优化1：分页性能优化
es 的分页是较坑的，为啥呢？
举个例子吧，假如每页是 100 条数据，现在要查询第 10页, 分页的时候，总共需要查到 1000条，再截取一个page
如果有个 3 个 shard，实际上是会把每个 shard 上存储的前 1000 条数据，都查到一个协调节点上，
那么协调节点就有3000 条数据，接着协调节点对这 3000 条数据进行一些合并、处理，再获取到最终第 10 页的 10 条数据。
ES必须得从每个 shard 都查 1000 条数据过来，然后根据你的需求进行排序、筛选等等操作，最后再次分页，拿到里面第 10 页的数据。
翻页的时候，翻的越深,比如 1000，每个 shard 返回的数据就越多，而且协调节点处理的时间越长。
用 es 作分页，前几页就几十毫秒，翻到 10 页或者几十页的时候，基本上就要 5~10 秒才能查出来一页数据了。
那么怎么做分页性能优化？
简单的措施：就是限制翻页的数量，不让翻到很大的page。
为啥可以这么处理呢？实际上，搜索引擎返回的结果，都是模糊匹配的，越到后面，结果越模糊， 对用户的价值不大。
一般情况下，追求前几页，提供给用户价值大的结果。
很多搜索系统，不提供大页码的翻页。
查询优化2：能用term就不用match_phrase
The Lucene nightly benchmarks show that a simple term query is about 10 times as fast as a phrase query, and about 20 times as fast as a proximity query (a phrase query with slop).
官方说：
-
term查询比match_phrase性能要快10倍，
-
term查比带slop的match_phrase(proximity——match)快20倍。
能用term就不用match_phrase，举个简单例子
GET /my_index/my_type/_search
{
"query": {
"match_phrase": {
"title": "quick fox"
}
}
}
变为
GET /my_index/my_type/_search
{
"query": {
"term": {
"title": "quick fox"
}
}
match_phrase的执行流程如下？
match_phrase查询首先解析查询字符串，产生一个词条列表。
然后会搜索所有的词条，但只保留包含了所有搜索词条的文档，并且词条的位置要邻接。
比如，搜索 quick fox时，如果没有文档含有邻接在一起的quick和fox词条, 一个针对短语quick fox的查询不会匹配我们的任何文档。
proximity match: slop参数告诉match_phrase查询词条能够相隔多远时仍然将文档视为匹配。
我们以一个简单的例子来阐述这个概念。
为了让查询quick fox能够匹配含有quick brown fox的文档，我们需要slop的值为1.
match和match_phrase的区别
match:
只要简单的匹配到了一个term，就会将term对应的文档作为结果返回，扫描倒排索引，扫描到了就完事
match_phrase:
首先要扫描到所有term的文档列表，找到包含所有term的文档列表，然后对每个文档都计算每个term的position，是否符合指定的范围，需要进行复杂的运算，才能判断能否通过slop移动，匹配到这个文档。
match和match_phrase的性能比较
match 的性能比match_phrase和proximity match（有slop的match_phrase）要高得多。
因为后两者都需要计算position的距离
match query比natch_phrase的性能要高10倍，比proximity match（有slop的match phrase）要高20倍。
但是Elasticsearch性能是很强大的，基本都在毫秒级。
match可能是几毫秒，match phrase和proximity match也基本在几十毫秒和几百毫秒之前。
那么，如何对match和match_phrase的性能优化？
具体的措施是：先缩小范围，再打分。
具体来说，优化match_phrase和proximity match的性能，一般就是减少要进行proximity match搜索的文档的数量。
主要的思路就是用match query先过滤出需要的数据，然后在用proximity match来根据term距离提高文档的分数，同时proximity match只针对每个shard的分数排名前n个文档起作用，来重新调整它们的分数，这个过程称之为重打分rescoring。
主要是因为一般用户只会分页查询，只会看前几页的数据，所以不需要对所有的结果进行proximity match操作。也就是使用match + proximity match同时实现召回率和精准度。
默认情况下，match也许匹配了1000个文档，proximity match需要对每个doc进行一遍运算，判断能否slop移动匹配上，然后去贡献自己的分数。
但是很多情况下，match出来也许是1000个文档，其实用户大部分情况下都是分页查询的，可以就看前5页，每页就10条数据，也就50个文档。
所以，proximity match只要对前50个doc进行slop移动去匹配，去贡献自己的分数即可，不需要对全部1000个doc都去进行计算和贡献分数。
这个时候通过window_size这个参数即可实现限制重打分rescoring的文档数量。示例：
GET /test_index/_search
{
"query": {
"match": {
"test_field": "java spark"
}
},
"rescore": {
"query": {
"rescore_query": {
"match_phrase": {
"test_field": {
"query": "java spark",
"slop": 10
}
}
}
},
"window_size": 50
}
}
查询优化3：使用过滤器优化查询
elasticsearch提供了一种特殊的缓存，即过滤器缓存（filter cache），用来储存过滤器的结果.
被缓存的过滤器不需要消耗过多的内存，因为他们只储存了哪些文档能与过滤器相匹配的相关信息，而且可供后续所有与之相关的查询重复使用，从而极大的提高了查询性能
执行下面这个查询：
{
"query":{
"bool":{
"must":[
{
"term":{"name":"joe"}
},
{
"term":{"year":1981}
}
]
}
}
}
该查询能查询出满足指定姓名和出生年代条件的足球运动员，只有同时满足两个条件的查询才可以被缓存起来。
优化这个查询：
人名有太多可能性，它不是完美的缓存候选对象，而年代是，我们使用另一种查询方法，该查询组合了查询类型与过滤器：
{
"query":{
"filtered":{
"query":{
"term"：{"name":"joe"}
},
"filter":{
"term":{"year":1981}
}
}
}
}
第一次执行该查询以后，过滤器会被es缓存起来，如果后续的其他查询也要使用该过滤器，则她会被重复使用，避免es重复加载相关数据
8522
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
