##Routing a document to a shard shard = hash(routing) % number_of_primary_shards 通过散列函数,计算出document存储的主分片,所以主分片数不能被修改。 routing默认是_id,也可以自定义(传参routing)。
##creating,indexing,deleting a document 可选参数
- replication 默认是sync,即同步写入主分片后等待写入副本分片成功后才返回。可以设成async,异步写入副本分片,不知道是否成功。不推荐async,容易因异步操作过多而使es过载(overload)。
- consistency 默认主分片需要(主和副本分片中的)大多数分片正常运行(active),才能正常执行写操作,这个值称为quorum。 quorum=int((primary + number_of_replicas)/2) + 1 例如,设置副本数是1,那么至少需要2个节点,才能进行写操作。 这个参数可以设置 one(只要主分片),all(所有主副分片)或者默认的quorum。
- timeout 如果副本分片不足,那么es会等待更多的副本分片出现。默认等待1分钟,这个参数可以设置等待超时时间。
##retrieving a document
- 接收请求的节点会轮流地(round-robin)把请求指向其他拥有目标分片的节点,来达到负载均衡。
- 一个可能的情况是,当一个document正在索引(indexing),它会先写到主分片,但副本分片还没有同步过去,这时把读请求转发给一个副本分片节点会返回数据不存在。
##searching
-
GET /_search?timeout=10ms 这里的timeout不会停止查询的执行,而是告诉分片把到timeout为止的数据返回并断开连接,虽然分片已经返回结果但是在后台分片可能仍然在处理查询。
-
GET /index1,index2/type1,type2/_search
-
深分页问题(deep paging) """ GET /_search?size=10&from=10000 """ 也就是搜索10条一页,返回第10001到10010条数据,这时index的每个分片都需要搜索top 10010条数据,然后合并排序再返回第10001到10010条数据,实际上另外的(number_of_primary_shards * 10010) - 10条数据都只是中间数据,只有10条数据是有效结果,所以搜索成本(cost)很大,应该尽量避免这样的查询。
-
_all Field 当索引一个document时,es会把所有的field的值连接起来组成一个大的字符串(big string),然后作为_all的值,当查询不指定field时,es会使用_all来查询。
##分词analysis
- 对一个string类型的field,es自动分词
##mapping
-
field types
- string
- number:byte,short,integer,long
- float,double
- boolean
- date
-
string mapping
- index
- analyzed:分词、默认
- not_analyzed:不分词
- no:不索引
- analyzer 分词器,默认standard analyzer
- index
-
mapping在创建索引的时候指定 """ PUT /index { "mappings":{ "type_name":{ "properties":{ "field":{ "type":"string", "index":"not_analyzed" } } } } } """ mapping中已经存在的field不能被修改,但可以新增field """ PUT /index/_mapping/type_name { "properties":{ "field_new":{ "type":"string", "index":"not_analyzed" } } } """
-
array 数组的元素的类型必须一致,es会以数组的第一个元素的类型作为这个field的类型,数组是无序的。
-
Empty field
- null,[],[null]
- 空值的field不会被索引
##Query DSL
-
performance
- query 找到匹配的document,而且计算相关度_score,不能被cache;用于全文搜索或需要计算相关度的地方。
- filter 仅仅找到匹配的document,不计算相关度没有_score,花费内存1 bit/doc,可以被cache;用于任何不需要相关度的地方。
-
term filter 精确匹配field """ {"term":{"field":"value"}} """
-
terms filter 多值精确匹配field """ {"terms":{"field":["value1","value2","value3"]}} """
-
range,exists,missing,bool
-
match 可用于全文搜索,也可用于精确搜索。
-
检验query """ GET /index/type/_validate/query?explain {...} """ explain参数,可以返回错误原因。
##排序
-
默认按_score降序;其他field默认升序
-
{"sort":{"date":{"order":"desc"}}}
-
多值的field mode:min,max,avg,sum
-
分词与不分词并存 """ "field":{ "type":"string", "analyzer":"english", "fields":{ "raw":{ "type":"string", "index":"not_analyzed" } } } """ 使用 field.raw
-
对分词的field排序会非常耗内存
-
相关度计算 TF/IDF:在一个document的field中的词频/在index的文档中出现的频率
-
fielddata
- 排序时,es加载整个index的所有document的values到内存,而不仅仅是查询到的document。
- 主要用于
- 一个field的排序
- 对field的聚合
- 固定数据集的过滤,比如geolocation filters
- scripts that refer to fields
- 非常耗内存,尤其是具有很多不同值的field
##distributed search execution
-
结果跳跃(bouncing results problem) 因为主从分片同步延迟,使从主分片读和从副本分片读的结果不一样。 使用preference参数可以控制从哪个分片或者节点搜索。
-
timeout 指定等待分片返回结果的时间,如果超时,分片马上返回已经搜索到的结果。
-
routing 指定分片路由
-
search_type
- query_then_fetch 默认
- count 获取统计结果
- query_and_fetch 仅用于单分片,query和fetch作为一步操作
- dfs_query_then_fetch,dfs_query_and_fetch 用于计算相关度
- scan 与scroll API一起使用,用于获取大量数据,禁止排序
-
scan,scroll
- 分批(batch)获取数据,直到取完所有数据,不排序因此高效。
- scroll:类似mysql的浮标cursor
- 用法 """ GET /index/_search?search_type=scan&scroll=1m { "query":{"match_all":{}}, "size":1000 } """ 返回 _scroll_id:base-64 encoded string """ GET /_search/scroll?scroll=1m _scroll_id """
- scroll=1m 这个过期时间每次请求都会刷新,所以只要足够处理一批的数据就行。
- 每批数据条数是 size * number_of_primary_shards
- 每次请求scroll, 都会返回一个新的 _scroll_id, 下次请求需要带上。