ElasticSearch 学习笔记

简介

ES是一款基于Lucene实现的一款分布式搜索引擎，它有以下优点

快
Restful API，接入不需要编程语言支持
数据安全（主从）
功能丰富
接近实施的更新

Lucene

Lucene是一个由Java实现的搜索引擎，接下来简要介绍下它的原理

1.倒排索引

倒排索引是搜索引擎常用的一种索引方式。
它十分简单，首先将需要索引的语句进行分词，然后以每个词为key，需要索引的语句为value放入一个"MAP"中.
这里MAP之所以打引号，是因为我们不去限制这个MAP的实现方法，他可以用任意实现，比如红黑树，hash或者之后会介绍的FST。

举个例子：
需要索引的句子：

1.ElasticSearch 学习笔记
2.ElasticSearch 牛逼

倒排索引：

"ElasticSearch" : [1,2],
"学习" ：[1]
"笔记" : [1]
"牛逼" : [2]

通过倒排索引，我们就能通过单个当词语查询到句子。

2.FST

FST全称是Finite State Transducer，
单从字面上看它类似于有限自动机，但实际可以把它看作一个压缩过但字典树，
字典树会对词语对前缀进行合并，而FST还会对词语对后缀进行合并。
我们以mon,thurs,tues三个词为例，
FST和字典树的结构分别如下：

字典树

FST

优点：内存占用率低，压缩率一般在3倍~20倍之间、模糊查询支持好、查询快
缺点：结构复杂、输入要求有序、更新不易

如何构建一个FST？

将所有的句子按照字典序进行排序
将句子先按照字典树的方式插入
如果确定有相同的后缀，则进行链接。
具体原理可参考：https://www.shenyanchao.cn/blog/2018/12/04/lucene-fst/

3.怎么存储倒排索引？（猜的）

一部分缓存在内存，一部分存在硬盘。
当FST当一个前缀有超过一定数量当后缀则放到内存中，否则存入磁盘。
真的是这样？？

ES 与 Lucene 当关系

ES 的结构

ES是一个分布式服务，它由n个分片和m个备份构成，分片(P)和备份(R)被分配在不同的机器(Node)上，

分片

一个分片里指存储了部分集群信息，具体存哪些则根据文档的routing字段决定(默认就是_id)
而一个分片上包含以下结构：

多个段（你可以把段理解为倒排索引）
commit point,用于找到多个段
In-memory buffer，用来收集更新信息
transLog，类似与mysql的binLog，用于记录更新操作

分片

为什么要有多个段？

一个段相当于一个Lucene，那为什么要有多个段？
因为Lucene的倒排索引采用FST实现，FST虽然高效，并且内存利用率高，但是更新困难。因此与其每次花大代价去更新原来的段，不如每次都新建一个段，之后索引时，遍历所有的段，并得出搜索结果。

但是这样做有两个问题：

随着段越来越多，搜索的效率会大大降低。
写入一个新的段需要IO操作，因此如果频繁写入，那么效率底下。

为了解决问题1，ES启动了一个后台的合并任务，他会在空闲时把这些段合并成一个大段。（类似于LevelDB的level合并机制）
为了解决问题2，ES使用In-memory buffer在内存中缓存新接受的更新请求。隔一段时间将这些请求整理成一个段，再将这个段放入系统段文件缓存中（注意不立即写入磁盘）。同时将每一个更新操作写入Translog当中，保证数据的持久性。当文件缓存中当段真正被写入磁盘后，清除Translog即可。

怎样把一个句子存入ES

首先我们得有一个句子，比如 "ES是=_=世界上最牛逼的搜索引擎",
ES通过句子的_id找到需要被存储的分片位置，将该句子发送过去，
之后这个句子会被解析器进行解析。（在ES中有许多解析器，你可以根据需求定义字段对应的解析器）

首先这个句子首先经过剔除特殊字符的解析器：

变成 => "ES是世界上最牛逼的搜索引擎"

经过剔除无用字的解析器：

变成 => "ES世界牛逼搜索引擎"

3.经过分词的解析器

变成 => ['ES','世界','牛逼','搜索','引擎']

4.经过同义词添加的解析器

变成 => ['ES','ElasticSearch','世界','牛逼','厉害','狠','搜索','查找','引擎']

ES将经解析的词和句子做成倒排索引，然后通过上一节所讲的方式存入磁盘。

如何进行搜索(match)

这个问题看起来很难，实则很简单。

首先ES会将输入的句子，通过上一节讲的解析器，分解成多个词。
将每个词通过倒排索引找到包含的句子
将这些包含关键词的句子收集起来，通过词语命中次数，命中种类，词频，词权重等进行打分（ES提供了多种打分方法，但是常用的方法是词频/逆向文档频率（term frequency/inverse document frequency））
将打好分的句子，通过分数排序，然后取前N个返回给用户。

以上讲解的是对于match方法背后的步骤，当然实际并非这么简单，了解原理就好。
当然term搜索也是ES中常用的一种搜索方式，它与match不同，他必须精确匹配。ES优化term操作，为它添加了缓存，具体方法就是通过一个稀疏的数组来存储命中的term节点，在将这个数组存入缓存中

中文分词

IK 分词器，
1、词典树Tire Tree的构建，即将现在的词典加载到一个内存结构中去
2、词的匹配查找，就是切词
3、歧义判断，即对不同切分方式的判定，哪种应是更合理的