ElasticSearch面试相关知识点总结

针对于elasticsearch，你会怎么去描述呢？

以下从四点来总结，轻喷！

1、elasticsearch是什么？

2、elasticsearch能做什么，业务场景？

3、elasticsearch架构设计？

4、elasticsearch具体的使用其原理是什么？

开始咋们的概述

一、elasticsearch是什么？

官方给出：

Elasticsearch是一个高度可扩展的开源全文本搜索和分析引擎。它使您可以快速，近乎实时地存储，搜索和分析大量数据。它通常用作支持具有复杂搜索功能和要求的应用程序的基础引擎/技术。

二、elasticsearch能做什么，业务场景？

1）分布式的搜索引擎和数据分析引擎

搜索：

    百度、京东等网点搜索功能

分析：

    商品销量排行、访问量排行等、ELK日志收集分析

 2）海量数据近实时处理

分布式应用，采用多节点多服务器去存储和检索数据能达到秒级

三、elasticsearch架构设计？

 

针对es分布式应用：

集群cluster

节点node：

       master节点：指责主要包括集群、节点、索引的管理

                         当客户端调用请求接到的主节点，此时叫做coordinating协调节点：协调节点处理请求 对document路由转发（操作                     document  选择分片 round-robin随机轮询算法 

                   shard_num = hash(_routing) % num_primary_shards 随机选取一个分片）

data节点：数据管理

针对index索引：

         分片shard：es是分布式应用，索引会被分解成不同的部分，默认5分片，在不同的节点数据可视为分片，es自动管理分片，会对数据进行平衡分配，默认单个分片的文档数量为20亿，每个分片实质上就是一个lucene索引

         副本replica：默认常见分片时则会创建一个副本，分片和其副本不在一个节点上，当分片挂掉会副本会竞选为主分片（只有主分片才能处理编辑请求），副本只能进行查询

合理设置分片数量：

一个分片就是一个lucene索引，会消耗相应的文件句柄，内存和cpu资源

四、elasticsearch具体的使用其原理是什么？

1）索引文档过程

1、协调节点计算对document路由转发对应的分片上

2、将请求写入Memory Buffer，默认每隔一秒写入FileSystem Cache，过程叫做refresh

3、在此过程中可能会出现数据丢失的情况，es通过translog机制保证数据安全。写入Memory Buffer同时写入translog中，当FileSystem Cache落盘(写入磁盘)才会被清除，过程叫做flush

4、flush过程中，Memory Buffer被清除，内容写入一个新段segement，段的fsync()创建提交点 将内容刷盘，flush的触发条件是默认30分钟 or translog超过默认512M

 

 

总结：整个过程类似于mysql隔离级别中如何保证一致性，undo log和redo log落盘是类似的

2）更新和删除文档过程

删除和更新也都是写操作，es中的文档是不可变的，因此不能变更。

1、磁盘上的段segement都有对应的.del文件，删除操作时，并未真正删除，而是打了标记，能被搜索，但是在搜索结果中会被过滤掉。当合并段的时候，打标的文档不会被写入

2、更新操作时，更新对应文档的版本号，旧版本打标记同删除

 

3）搜索过程

A、对于已知文档的搜索(有documentId)

客户端给主节点发送get请求，当前节点则为协同节点。协同节点使用路由算法计算文档所在的分片并发送请求，文档所在分片/副本分片返回给主节点。

B、对于未知文档的搜索(无documentId)

搜索分为两阶段：初始查询、取回

1、初始查询

查询会广播到每一个分片(轮询算法循环在副本分片中进行请求)，每个分片在本地执行搜索并构建一个优先队列（搜索时会查询filesystem cache和Memory buffer 内存操作，所以搜索会实时）

2、取回

协调节点分析需要被取回 并向这些分片提交多个get请求，节点返回文档给协调节点，完成后协调节点返回给客户端。（涉及文档搜索评分）

疑问？es会设计到打分偏离的情况，如何处理？

打分偏离是因为根据每个分片本地查询评分并返回结果，每个分片会有偏差

如何处理？

es的DFS Query Then Fetch

1）预查询每个分片并发送查询请求

2）匹配到所有的文档，使用全局的Term/Document Frequency（TF-IDF）进行打分。对结果创建优先队列。

3）返回结果的元数据到请求节点。（并未发送真实文档，发送的只是评分）

4）分数合起来排序，在按照需要的文档，请求到对应的分片被检索出来

 

在分片内如何对词条进行搜索？

1、词条根据倒排索引获取文档

疑问？如果词条成千上万如何快速搜索呢？

2、对所有词条进行排序，根据二分法查找，效率是log(N)提高效率es直接通过内存查找。

疑问？词条太多内存操作不太现实如何处理呢？

3、引入了Term Index(类似字典索引页)

核心思想是利用跳表快速做与运算/利用BitSet位图按位与运算

（跳表是由多级链表组成如图）

类似于mysql的b树，比如查32第三级从11和第二个51比较，按照11到第二级，找到32

4）并发情况如何保证读写一致性？

1、可以通过版本号使用乐观并发控制，以确保新版本不会被旧版本覆盖，由应用层来处理具体的冲突；

2、另外对于写操作，一致性级别支持quorum/one/all，默认为quorum，即只有当大多数分片可用时才允许写操作。但即使大多数可用，也可能存在因为网络等原因导致写入副本失败，这样该副本被认为故障，分片将会在一个不同的节点上重建。

3、对于读操作，可以设置replication为sync(默认)，这使得操作在主分片和副本分片都完成后才会返回；如果设置replication为async时，也可以通过设置搜索请求参数_preference为primary来查询主分片，确保文档是最新版本。