分布式搜索引擎Elasticsearch学习笔记

分布式搜索引擎

1. Elasticsearch的分布式架构原理

Elasticsearch设计的理念就是分布式搜索引擎，底层基于lucene。

核心思想就是在多台机器上启动多个es进程实例，组成一个es集群。

• es简介
  • es中存储数据的基本单位是索引，要在es中存储一些订单数据，就应该在es中创建一个索引，order_idx，所有的订单数据就都写到这个索引里面去，一个索引差不多就是相当于是mysql里的一张表。index -> type -> mapping -> document -> field。
  • index：相当于mysql里的一张表
  • type：无法跟mysql对比，一个index里可以有多个type，每个type的字段都是差不多的，但是有一些略微的差别。例如，有一个index，是订单index，里面专门是放订单数据的。在mysql中建表，有些订单是实物商品的订单，比如一件衣服，一双鞋子；有些订单是虚拟商品的订单，比如游戏点卡，话费充值。两种订单大部分字段是一样的，但是少部分字段可能有略微的一些差别。所以就会在订单index里，建两个type，一个是实物商品订单type，一个是虚拟商品订单type，这两个type大部分字段是一样的，少部分字段是不一样的。很多情况下，一index里可能就一个type，但实如果一个index里有多个type，可以认为index是一个类别的表，具体的每个type代表了具体的一个mysql中的表。
  • mapping：每个type有一个mapping，如果认为一个type是一个具体的一个表，index代表了多个type的同属于的一个类型，mapping就是这个type的表结构定义，在mysql中创建一个表，是要定义表结构的，有哪些字段，每个字段是什么类型。mapping就代表了这个type的表结构的定义，定义了这个type中每个字段名称，字段是什么类型的，然后还有这个字段的各种配置。
  • document：实际上往index里的一个type里面写的一条数据，叫做一条document，一条document就代表了mysql中某个表里的一行数据。
  • field: 每个document有多个field，每个field就代表了这个document中的一个字段的值。
• es集群
  • 创建一个索引，这个索引可以拆分成多个shard，每个shard存储部分数据。
  • 这个shard的数据实际是有多个备份，就是说每个shard都有一个primary shard，负责写入数据，但是还有几个replica shard。primary shard写入数据之后，会将数据同步到其他几个replica shard上去。通过这个replica的方案，每个shard的数据都有多个备份，如果某个机器宕机了，还有别的数据副本在别的机器上。
  • es集群多个节点，会自动选举一个节点为master节点，这个master节点其实就是干一些管理的工作，比如维护索引元数据拉，负责切换primary shard和replica shard身份等。
  • 要是master节点宕机了，那么会重新选举一个节点为master节点。
  • 如果是非master节点宕机了，那么会由master节点，让那个宕机节点上的primary shard的身份转移到其他机器上的replica shard。如果修复了那个宕机机器，重启了之后，master节点会控制将缺失的replica shard分配过去，同步后续修改的数据等，让集群恢复正常。

2. Elasticsearch的工作原理

2.1 es写数据过程

1）客户端任意选择一个node发送请求过去，这个node就是coordinating node（协调节点）。

2）coordinating node，对document进行路由，将请求转发给对应的node（有primary shard）。

3）实际的node上的primary shard处理请求，然后将数据同步到replica node。

4）coordinating node，如果发现primary node和所有replica node都完成之后，就返回响应结果给客户端。

2.2 es读数据过程

查询，GET某一条数据，写入了某个document，这个document会自动给你分配一个全局唯一的id，doc id，同时也是根据doc id进行hash路由到对应的primary shard上面去。也可以手动指定doc id，比如用订单id，用户id。

你可以通过doc id来查询，会根据doc id进行hash，判断出来当时把doc id分配到了哪个shard上面去，从那个shard去查询。

**1）**客户端发送请求到任意一个node，成为coordinate node

**2）**coordinate node对document进行路由，将请求转发到对应的node，此时会使用round-robin随机轮询算法，在primary shard以及其所有replica中随机选择一个，让读请求负载均衡

**3）**接收请求的node返回document给coordinate node

**4）**coordinate node返回document给客户端

2.3 es搜索数据过程

es最强大的是做全文检索，就是比如有三条数据

java真好玩儿啊

java好难学啊

j2ee特别牛

你根据java关键词来搜索，将包含java的document给搜索出来

es就会给你返回：java真好玩儿啊，java好难学啊

1）客户端发送请求到一个coordinate node

2）协调节点将搜索请求转发到所有的shard对应的primary shard或replica shard也可以

3）query phase：每个shard将自己的搜索结果（其实就是一些doc id），返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果

4）fetch phase：接着由协调节点，根据doc id去各个节点上拉取实际的document数据，最终返回给客户端

2.4 写数据底层原理

**1）**先写入内存buffer，在buffer里的时候数据是搜索不到的；同时将数据写入translog日志文件。

**2）**如果buffer快满了，或者到一定时间，就会将buffer数据refresh到一个新的segment file中，但是此时数据不是直接进入segment file的磁盘文件的，而是先进入os cache的。这个过程就是refresh。

每隔1秒钟，es将buffer的数据写入一个新的segment file，每秒钟会产生一个新的磁盘文件，segment file，这个segment file中就存储最近1秒内buffer中写入的数据。

但是如果buffer里此时没有数据，不会执行refresh操作，每秒创建换一个空的segment file，如果buffer里面有数据，默认1秒钟执行一次refresh操作，刷入一个新的segment file中。

操作系统里面，磁盘文件其实都有一个东西，叫做os cache，操作系统缓存，就是说数据写入磁盘文件之前，会先进入os cache，先进入操作系统级别的一个内存缓存中去。

只要buffer中的数据被refresh操作，刷入os cache中，就代表这个数据就可以被搜索到了。

为什么叫es是准实时的？NRT，near real-time，准实时。默认是每隔1秒refresh一次的，所以es是准实时的，因为写入的数据1秒之后才能被看到。

可以通过es的restful api或者java api，手动执行一次refresh操作，就是手动将buffer中的数据刷入os cache中，让数据立马就可以被搜索到。

只要数据被输入os cache中，buffer就会被清空了，因为不需要保留buffer了，数据在translog里面已经持久化到磁盘去一份了。

**3）**只要数据进入os cache，此时就可以让这个segment file的数据对外提供搜索了。

**4）**重复1~3步骤，新的数据不断进入buffer和translog，不断将buffer数据写入一个又一个新的segment file中去，每次refresh完buffer清空，translog保留。随着这个过程推进，translog会变得越来越大。当translog达到一定长度的时候，就会触发commit操作。

buffer中的数据每隔1秒就被刷到os cache中去，然后这个buffer就被清空了。所以说这个buffer的数据始终是可以保持住不会填满es进程的内存的。

每次一条数据写入buffer，同时会写入一条日志到translog日志文件中去，所以这个translog日志文件是不断变大的，当translog日志文件大到一定程度的时候，就会执行commit操作。

**5）**commit操作发生第一步，就是将buffer中现有数据refresh到os cache中去，清空buffer。

**6）**将一个commit point写入磁盘文件，里面标识着这个commit point对应的所有segment file。

**7）**强行将os cache中目前所有的数据都fsync到磁盘文件中去。

translog日志文件的作用是什么？就是在你执行commit操作之前，数据要么是停留在buffer中，要么是停留在os cache中，无论是buffer还是os cache都是内存，一旦这台机器死了，内存中的数据就全丢了。

所以需要将数据对应的操作写入一个专门的日志文件，translog日志文件中，一旦此时机器宕机，再次重启的时候，es会自动读取translog日志文件中的数据，恢复到内存buffer和os cache中去。

commit操作：1、写commit point；2、将os cache数据fsync强刷到磁盘上去；3、清空translog日志文件

**8）**将现有的translog清空，然后再次重启启用一个translog，此时commit操作完成。默认每隔30分钟会自动执行一次commit，但是如果translog过大，也会触发commit。整个commit的过程，叫做flush操作。我们可以手动执行flush操作，就是将所有os cache数据刷到磁盘文件中去。

不叫做commit操作，flush操作。es中的flush操作，就对应着commit的全过程。我们也可以通过es api，手动执行flush操作，手动将os cache中的数据fsync强刷到磁盘上去，记录一个commit point，清空translog日志文件。

**9）**translog其实也是先写入os cache的，默认每隔5秒刷一次到磁盘中去，所以默认情况下，可能有5秒的数据会仅仅停留在buffer或者translog文件的os cache中，如果此时机器挂了，会丢失5秒钟的数据。但是这样性能比较好，最多丢5秒的数据。也可以将translog设置成每次写操作必须是直接fsync到磁盘，但是性能会差很多。

故es是准实时的，数据写入1秒后可以搜索到；可能会丢失数据的，你的数据有5秒的数据，停留在buffer、translog os cache、segment file os cache中，有5秒的数据不在磁盘上，此时如果宕机，会导致5秒的数据丢失。

如果希望一定不能丢失数据的话，可以设置个参数，每次写入一条数据，都是写入buffer，同时写入磁盘上的translog，但是这会导致写性能、写入吞吐量会下降一个数量级。本来一秒钟可以写2000条，现在一秒钟只能写200条。

**10）**如果是删除操作，commit的时候会生成一个.del文件，里面将某个doc标识为deleted状态，那么搜索的时候根据.del文件就知道这个doc被删除了

**11）**如果是更新操作，就是将原来的doc标识为deleted状态，然后新写入一条数据

**12）**buffer每次refresh一次，就会产生一个segment file，所以默认情况下是1秒钟一个segment file，segment file会越来越多，此时会定期执行merge

**13）**每次merge的时候，会将多个segment file合并成一个，同时这里会将标识为deleted的doc给物理删除掉，然后将新的segment file写入磁盘，这里会写一个commit point，标识所有新的segment file，然后打开segment file供搜索使用，同时删除旧的segment file。

es里的写流程，有4个底层的核心概念，refresh、flush、translog、merge

当segment file多到一定程度的时候，es就会自动触发merge操作，将多个segment file给merge成一个segment file。

3. Elasticsearch的性能优化

在海量数据的场景下，如何提升es搜索的性能？

3.1 性能优化的杀手锏——filesystem cache

往es里写的数据，实际上都写到磁盘文件里去了，操作系统会自动将磁盘文件里的数据缓存到os cache里面去。

es的搜索引擎严重依赖于底层的filesystem cache，如果给filesystem cache更多的内存，尽量让内存可以容纳所有的indx segment file索引数据文件，那么搜索的时候就基本都是走内存的，性能会非常高。归根结底，要让es性能要好，最佳的情况下，就是机器的内存至少可以容纳总数据量的一半。

es中建立索引只建立要用来检索的少数几个字段就可以了，然后把其他的字段数据存在mysql里面，建议用es + hbase的架构。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，hbase不做复杂的搜索。

最好写入es的数据小于等于，或者是略微大于es的filesystem cache的内存容量。

3.2 数据预热

假如说，es集群中每个机器写入的数据量还是超过了filesystem cache一倍，比如说你写入一台机器60g数据，结果filesystem cache就30 g，还是有30g数据留在了磁盘上。

比如，微博，可以把一些大v，平时看的人很多的数据给提前你自己后台搞个系统，每隔一会儿，你自己的后台系统去搜索一下热数据，刷到filesystem cache里去，后面用户实际上来看这个热数据的时候，他们就是直接从内存里搜索了。

电商，你可以将平时查看最多的一些商品，比如说iphone 8，热数据提前后台搞个程序，每隔1分钟自己主动访问一次，刷到filesystem cache里去。

对于那些你觉得比较热的，经常会有人访问的数据，最好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，你就提前访问一下，让数据进入filesystem cache里面去。这样期待下次别人访问的时候，一定性能会好一些。

3.3 冷热分离

关于es性能优化，数据拆分，将大量不搜索的字段，拆分到别的存储中去，这个类似于mysql分库分表的垂直拆分。

es可以做类似于mysql的水平拆分，即将大量的访问很少，频率很低的数据，单独写一个索引，然后将访问很频繁的热数据单独写一个索引。最好是将冷数据写入一个索引中，然后热数据写入另外一个索引中，这样可以确保热数据在被预热之后，尽量都让他们留在filesystem os cache里，别让冷数据给冲刷掉。

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。3台机器放热数据index；另外3台机器放冷数据index。

这样的话，大量的时候是在访问热数据index，热数据可能就占总数据量的10%，此时数据量很少，几乎全都保留在filesystem cache里面了，就可以确保热数据的访问性能。

但是对于冷数据而言，是在别的index里的，跟热数据index都不再相同的机器上，大家互相之间都没什么联系了。如果有人访问冷数据，大量数据是在磁盘上的，此时性能差点，就10%的人去访问冷数据；90%的人在访问热数据。

3.4 document模型设计

document模型设计是非常重要的，很多操作，不要在搜索的时候才想去执行各种复杂的操作。es能支持的操作就是那么多，不要考虑用es做一些它不好操作的事情。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。

两个思路，在搜索/查询的时候，要执行一些业务强相关的特别复杂的操作：

1）在写入数据的时候，就设计好模型，加几个字段，把处理好的数据写入加的字段里面

2）自己用java程序封装，es能做的，用es来做，搜索出来的数据，在java程序里面去做，比如说我们，基于es，用java封装一些特别复杂的操作。

3.5 分页性能优化

分布式的系统，要查第100页的10条数据，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100页的数据。

翻页的时候，翻的越深，每个shard返回的数据就越多，而且协调节点处理的时间越长。所以用es做分页的时候，你越翻到后面，就越慢。

解决方法：

1）不允许深度分页/默认深度分页

系统不允许翻那么深的页，默认翻的越深，性能就越差。

2）scroll api

类似于微博中，下拉刷微博，刷出来一页一页的，可以用scroll api。

scroll会一次性给你生成所有数据的一个快照，然后每次翻页就是通过游标移动，获取下一页下一页这样子，性能会比上面说的那种分页性能也高很多。

针对这个问题，可以考虑用scroll来进行处理，scroll的原理实际上是保留一个数据快照，然后在一定时间内，如果不断的滑动往后翻页的时候，类似于浏览微博不断往下刷新翻页。那么就用scroll不断通过游标获取下一页数据，这个性能是很高的，比es实际翻页要好的多的多。

但是，瀑布流翻页不能随意跳到任何一页的。同时这个scroll是要保留一段时间内的数据快照的，需要确保用户不会持续不断翻页翻几个小时。

无论翻多少页，性能基本上都是毫秒级的。因为scroll api是只能一页一页往后翻的，不能先进入第10页，然后去120页，回到58页，不能随意乱跳页。所以现在很多产品，都是不允许你随意翻页的，app，也有一些网站，做的就是你只能往下拉。

4. Elasticsearch生产集群的部署架构是什么？每个索引的数据量大概有多少？每个索引大概有多少个分片？

例如：

（1）es生产集群我们部署了5台机器，每台机器是6核64G的，集群总内存是320G

（2）我们es集群的日增量数据大概是2000万条，每天日增量数据大概是500MB，每月增量数据大概是6亿，15G。目前系统已经运行了几个月，现在es集群里数据总量大概是100G左右。

（3）目前线上有5个索引（这个结合你们自己业务来，看看自己有哪些数据可以放es的），每个索引的数据量大概是20G，所以这个数据量之内，我们每个索引分配的是8个shard，比默认的5个shard多了3个shard。