Elasticsearch 使用scroll滚动技术实现大数据量搜索、深度分页问题 和 search

基于scroll滚动技术实现大数据量搜索

如果一次性要查出来比如10万条数据，那么性能会很差，此时一般会采取用scroll滚动查询，一批一批的查，直到所有数据都查询完为止。

1. scroll搜索会在第一次搜索的时候，保存一个当时的视图快照，之后只会基于该旧的视图快照提供数据搜索，如果这个期间数据变更，是不会让用户看到的

2. 采用基于_doc（不使用_score）进行排序的方式，性能较高

3. 每次发送scroll请求，我们还需要指定一个scroll参数，指定一个时间窗口，每次搜索请求只要在这个事件窗口内能完成就可以了

   # sort默认是相关度排序（"sort":[{"FIELD":{"order":"desc"}}]）,不按_score排序，按_doc排序
   # size设置的是这批查三条
   # 第一次查询会生成快照
   GET /lib3/user/_search?scroll=1m #这一批查询在一分钟内完成
   {
   	"query":{
   		"match":{}
   	},
   	"sort":[  
   		"_doc"
   	],
   	"size":3 
   }
   
   # 第二次查询通过第一次的快照ID来查询，后面以此类推
   GET /_search/scroll
   {
   	"scroll":"1m",
   	"scroll_id":"DnF1ZXJ5VGhIbkXIdGNoAwAAAAAAAAAdFkEwRENOVTdnUUJPWVZUd1p2WE5hV2cAAAAAAAAAHhZBMERDTIU3Z1FCT1|WVHdadIhOYVdnAAAAAAAAAB8WQTBEQ05VN2dRQk9ZVIR3WnZYTmFXZw=="
   }
   

基于 scroll 解决深度分页问题

原理上是对某次查询生成一个游标 scroll_id ， 后续的查询只需要根据这个游标去取数据，直到结果集中返回的 hits 字段为空，就表示遍历结束。

注意：scroll_id 的生成可以理解为建立了一个临时的历史快照，在此之后的增删改查等操作不会影响到这个快照的结果。

使用 curl 进行分页读取过程如下：

1. 先获取第一个 scroll_id，url 参数包括 /index/_type/ 和 scroll，scroll 字段指定了scroll_id 的有效生存期，以分钟为单位，过期之后会被es 自动清理。如果文档不需要特定排序，可以指定按照文档创建的时间返回会使迭代更高效。

   GET /product/info/_search?scroll=2m
   {
   	"query":{
   		"match_all":{
   		}
   	},
   	"sort":["_doc"]
   }
   
   # 返回结果
   {
     "_scroll_id": "DnF1ZXJ5VGhIbkXIdGNoAwAAAAAAAAAdFkEwRENOVTdnUUJPWVZUd1p2WE5hV2cAAAAAAAAAHhZBMERDTIU3Z1FCT1|WVHdadIhOYVdnAAAAAAAAAB8WQTBEQ05VN2dRQk9ZVIR3WnZYTmFXZw==",
     "took": 1,
     "timed_out": false,
     "_shards": {
     		"total": 1,
     		"successful": 1,
     		"failed": 0
     },
     "hits":{...}
   }
   

2. 后续的文档读取上一次查询返回的scroll_id 来不断的取下一页，如果srcoll_id 的生存期很长，那么每次返回的 scroll_id 都是一样的，直到该 scroll_id 过期，才会返回一个新的 scroll_id。请求指定的 scroll_id 时就不需要 /index/_type 等信息了。每读取一页都会重新设置 scroll_id 的生存时间，所以这个时间只需要满足读取当前页就可以，不需要满足读取所有的数据的时间，1 分钟足以。

   GET /product/info/_search?scroll=DnF1ZXJ5VGhIbkXIdGNoAwAAAAAAAAAdFkEwRENOVTdnUUJPWVZUd1p2WE5hV2cAAAAAAAAAHhZBMERDTIU3Z1FCT1|WVHdadIhOYVdnAAAAAAAAAB8WQTBEQ05VN2dRQk9ZVIR3WnZYTmFXZw==
   {
   	"query":{
   		"match_all":{
   		}
   	},
   	"sort":["_doc"]
   }
   
   # 返回结果
   {
       "_scroll_id": "DnF1ZXJ5VGhIbkXIdGNoAwAAAAAAAAAdFkEwRENOVTdnUUJPWVZUd1p2WE5hV2cAAAAAAAAAHhZBMERDTIU3Z1FCT1|WVHdadIhOYVdnAAAAAAAAAB8WQTBEQ05VN2dRQk9ZVIR3WnZYTmFXZw==",
       "took": 106,
       "_shards": {
           "total": 1,
           "successful": 1,
           "failed": 0
       },
       "hits": {
           "total": 22424,
           "max_score": 1.0,
           "hits": [{
                   "_index": "product",
                   "_type": "info",
                   "_id": "did-519392_pdid-2010",
                   "_score": 1.0,
                   "_routing": "519392",
                   "_source": {
                       ....
                   }
               }
           ]
       }
   }
   

3. 所有文档获取完毕之后，需要手动清理掉 scroll_id 。虽然es 会有自动清理机制，但是 srcoll_id 的存在会耗费大量的资源来保存一份当前查询结果集映像，并且会占用文件描述符。所以用完之后要及时清理。使用 es 提供的 CLEAR_API 来删除指定的 scroll_id。

   # 删掉指定的多个 srcoll_id 
   DELETE /_search/scroll -d 
   {
   	"scroll_id":[
   		"cXVlcnlBbmRGZXRjaDsxOzg3OTA4NDpTQzRmWWkwQ1Q1bUlwMjc0WmdIX2ZnOzA7"
   	]
   }
   
   # 删除掉所有索引上的 scroll_id 
   DELETE /_search/scroll/_all
   
   # 查询当前所有的scroll 状态
   GET /_nodes/stats/indices/_search?pretty
   
   # 返回结果
   {
     "cluster_name" : "200.200.107.232",
     "nodes" : {
       "SC4fYi0CT5mIp274ZgH_fg" : {
         "timestamp" : 1514346295736,
         "name" : "200.200.107.232",
         "transport_address" : "200.200.107.232:9300",
         "host" : "200.200.107.232",
         "ip" : [ "200.200.107.232:9300", "NONE" ],
         "indices" : {
           "search" : {
             "open_contexts" : 0,
             "query_total" : 975758,
             "query_time_in_millis" : 329850,
             "query_current" : 0,
             "fetch_total" : 217069,
             "fetch_time_in_millis" : 84699,
             "fetch_current" : 0,
             "scroll_total" : 5348,
             "scroll_time_in_millis" : 92712468,
             "scroll_current" : 0
           }
         }
       }
     }
   }
   
   

基于 search_after 实现深度分页

search_after 是 ES5.0 及之后版本提供的新特性，search_after 有点类似 scroll，但是和 scroll 又不一样，它提供一个活动的游标，通过上一次查询最后一条数据来进行下一次查询。
search_after 分页的方式和 scroll 有一些显著的区别，首先它是根据上一页的最后一条数据来确定下一页的位置，同时在分页请求的过程中，如果有索引数据的增删改查，这些变更也会实时的反映到游标上。

• 第一页的请求和正常的请求一样。

  GET /order/info/_search
  {
      "size": 10,
      "query": {
          "match_all" : {
          }
      },
      "sort": [
          {"date": "asc"}
      ]
  }
  
  # 返回结果
  {
      "_index": "zmrecall",
      "_type": "recall",
      "_id": "60310505115909",
      "_score": null,
      "_source": {
        ...
        "date": 1545037514
      },
      "sort": [
      	1545037514
      ]
    }
  

• 第二页的请求，使用第一页返回结果的最后一个数据的值，加上 search_after 字段来取下一页。注意：使用 search_after 的时候要将 from 置为 0 或 -1。

  curl -XGET 127.0.0.1:9200/order/info/_search
  {
      "size": 10,
      "query": {
          "match_all" : {
          }
      },
      "search_after": [1463538857], # 这个值与上次查询最后一条数据的sort值一致，支持多个
      "sort": [
          {"date": "asc"}
      ]
  }
  

注意：

• 如果 search_after 中的关键字为654，那么654323的文档也会被搜索到，所以在选择 search_after 的排序字段时需要谨慎，可以使用比如文档的id或者时间戳等。
• search_after 适用于深度分页+ 排序，因为每一页的数据依赖于上一页最后一条数据，所以无法跳页请求。
• 返回的始终是最新的数据，在分页过程中数据的位置可能会有变更。这种分页方式更加符合 moa 的业务场景。