原创|ES广告倒排索引架构演进与优化

回顾

之前分享了一篇文章，介绍我们的ES广告倒排索引的架构与优化，我就不介绍了，建议先去看下这篇文章，再回来看这篇，下面只放下之前的架构图

ES倒排索引

演进

采用 canal 监听 binlog 变更

原有架构是在代码中写 MQ 消息，然后 index_builder 消费消息，写入到两个索引中。但这种方式有个不足是不能覆盖所有的订单或创意变更，所以倒排索引中的数据有的时候和 DB 中是不一致的。同时代码维护起来也比较麻烦。后面我们就引入了阿里开源的框架 canal ，它可以监听 MySQL 的 binlog 的变更，然后把日志发到 Kafka 中，

file

这样我们只需要在 index_builder 这个工程中消费 Kafka 的消息就行了，省去了在 dsp_adinfo 中发消息。而且 binlog 的变更可以覆盖所有的变更操作。

项目由物理机迁移到云平台

之前 index_builder 部署在物理机上，且 builder 采用主备部署，通过争抢用 zookeeper 实现的分布式锁来决定谁是主，迁移到云平台后，就去掉了这种对主备部署的方式，因为云平台有自动修复的策略。

注意

我们部署的两个 builder 一个为 m 索引，一个为 f 索引，通过环境变量 dsp_index_name 区分是 m 索引 还是 f 索引。同时因为这两个 builder 都要消费 Kafka 的消息，但我们知道 Kafka 处于同一个消费组的消费者只有一个能消费消息，所以要把两个 builder 放到不同的消费组中，即设置不同的 group_id，同样也是通过环境变量区分

增加检查数据一致性的定时任务

增加了检查 DB 和 ES倒排索引中的数据一致性的定时任务，每 10 分钟执行一次，如果发现不一致会发短信通知，正常情况下数据都是一致的

通过上面的一点点演进，整体架构如下所示

调整前架构图

一次线上问题

因为我们只部署了一套 ES 集群，两个索引都在上面，只是通过别名访问，完成索引的切换，这就存在单点问题，一旦集群出现问题，后果不堪设想。

就像墨菲定律所言

如果事情有变坏的可能，不管这种可能有多小，它总会发生

我们的场景是读多写少，且索引占用内存比较小，所以设置的主分片是 1 ，副本分片是 节点数-1，这样就可以保证每个节点都保存所有数据，可以减少在路由分片或节点的网络消耗。

但在一次上线过程中，忘记修改副本数了，所以副本数默认是 1，然后切换到该索引后，短时间（大约几十秒）内就导致 ES 集群瘫痪，节点内存爆满且不响应任何请求，因为主备索引都在一个 ES 集群中，所以想切回主索引也切不回去了，导致我们一段时间检索不出来广告，从而影响出价。最后没有办法只能在入口处把流量暂停，然后重启 ES，很尴尬的是，我们没有准备批量重启 ES 集群的脚本，只能挨个节点登录重启，也浪费了一些时间。再 ES 集群重启完后，重新构建索引并正确设置副本数，再打开流量，才恢复了正常，当时真的心惊肉跳，至今记忆犹新。

为何副本是 1 最后导致了整个集群瘫痪？

我们一个 ES 集群部署了 35 个节点，设置的主分片是 1，副本分片是节点数-1，即 34，这样做的好处是每个节点都有完整的数据，当请求到该节点后，直接查询数据就可以返回了，省去了路由到其他节点带来的网络消耗

而忘记修改副本数，即默认的是 1，这样出现的情况是，整个 ES 集群 35 个节点，只有 2 个节点有数据，其他节点是没有数据的，但是每个节点都是均匀的接收请求，但是这些没有数据的节点会把请求转发到有数据的两个节点，也就是这两个节点要承担其他没有数据的 33 个节点的请求压力，所以最后撑爆了整个集群

反思

这次线上问题后，我们做了反思，也需要采用一些对策来避免类似的情况发生

1. 主备索引部署在同一个 ES 集群上，存在单点问题，所以需要再部署一个 ES 集群，实现物理隔离
2. 提供重启整个 ES 集群的脚本，以备在出现问题时可以快速重启集群
3. 通过别名方式切换索引是 100% 流量切换，也容易出现问题，所以需要一个灰度慢慢切换的方式
4. 切换索引时要增加必要的检查项
5. 调用 ES 增加熔断机制，当 ES 集群出现故障时触发熔断，保护 ES 集群和服务

架构调整

首先就是重新部署了一套 ES 集群，实现物理隔离，避免一个 ES 集群出问题，影响到另一个集群

其次在作业平台中增加重启 ES 的脚本

然后就是通过引入 Nacos 配置中心，配置流量分配比例，从而实现灰度切换流量。同时支持配置变更通知

调整后的架构如下所示

调整后的架构

这个方案上线后，先采用了主备两套 ES 集群流量比为 1:1，然后观察效果，发现查询 ES 的 t99 由之前的 10ms 下降到 5ms,下降大约 50%，在 Prometheus 中埋点展示如下

ES双集群上线后效果

mapping 优化

我们对 ES 的读取还是有待优化的地方，在 kibana 中通过观察 Search Profiler 发现 build_scorer 占用了大部分时间，接近 80%，如下所示

Search Profiler

通过查询资料，发现可以把 mapping 文件中为 Integer 类型的映射字段改为 keyword 后可以提高性能，因为这些字段只有有限个值，并且查询时是通过 terms 精确匹配，所以定义为 keyword 后性能高些，至于性能高的根本原因还是需要深入源码分析的，需要抽时间深入研究。

然后我们就改变 mapping 文件开始验证，上线后的效果对比图如下所示

tp90对比

tp99对比

可见上线后，效果还是比较明显的

总结

因为对 ES 底层不够了解，也只能通过问题驱动来一点点的优化，后面会深入学习下 ES，再找可以优化的点

学无止境，如果文中哪里有问题，欢迎大佬批评指正，同时如果你有对 ES 优化有经验，也欢迎分享给我

参考资料

https://www.jianshu.com/p/9830413f62eb

https://elasticsearch.cn/article/446

https://elasticsearch.cn/question/3253

https://www.elastic.co/cn/blog/searching-numb3rs-in-5.0

https://www.elastic.co/cn/blog/better-query-planning-for-range-queries-in-elasticsearch
欢迎关注公众号 【每天晒白牙】，获取最新文章，我们一起交流，共同进步！