Elasticsearch系列---shard内部原理

概要

本篇我们来看看shard内部的一些操作原理，了解一下人家是怎么玩的。

倒排索引

倒排索引的结构，是非常适合用来做搜索的，Elasticsearch会为索引的每个index为analyzed的字段建立倒排索引。

基本结构

倒排索引包含以下几个部分：

某个关键词的doc list
某个关键词的所有doc的数量IDF（inverse document frequency）
某个关键词在每个doc中出现的次数：TF（term frequency）
某个关键词在这个doc中的次序
每个doc的长度：length norm
某个关键词的所有doc的平均长度

记录这些信息，就是为了方便搜索的效率和_score分值的计算。

不可变性

倒排索引写入磁盘后就是不可变的，这样有几个好处：

不需要锁，如果不更新索引，不用担心锁的问题，可以支持较高的并发能力
如果cache内存足够，不更新索引的话，索引可以一直保存在os cache中，可以提升IO性能。
如果数据不变，filter cache会一直驻留在内存。
索引数据可以压缩，节省cpu和io开销。

doc底层原理

前面提到倒排索引是基于不可变模式设计的，但实际Elasticsearch源源不断地有新数据进来，那光是建立、删除倒排索引，岂不是非常忙？

如果真是不停地建立，删除倒排索引，那ES压力也太大了，肯定不是这么实现的。ES通过增加新的补充索引来接收新的文档和修改的文档，而不是直接用删除重建的方式重写整个索引。

doc写入

整个写入过程如下图所示：

新文档先写入内存索引缓存
当间隔一定时间（1秒），将缓存的数据进行提交，这个过程会创建一个Commit Point，Commit Point包含index segment的信息。
缓存的数据写入新的index segment。
index segment的数据先写入os-cache中
等待操作系统将os-cache的数据强制刷新到磁盘中
写入磁盘完成后，新的index segment被打开，此时segment内的文档可以被搜索到。
同时buffer的数据被清空，等待下一次新的文档写入。

index segment翻译过来叫"段"，每秒会创建一个，ES把这个1秒内收到的、需要处理的文档都放在这个段里，可以把段认为是倒排索引的一个子集。

索引、分片、段的关系如下：
索引包含多个分片，每个分片是一个Lucene索引实例，一个分片下面有多个段。如果把分片看作是一个独立的倒排索引结构，那么这个倒排索引是由多个段文件的集合。
三者之间是包含关系：索引包含多个分片，分片包含多个段。

doc删除和更新

当文档被删除时，Commit Point会把信息记录在.del文件中，在.del文件中会标识哪些文档是有deleted标记的，但该文档还是存在于原先的index segment文件里，同样能够被检索到，只是在最终结果处理时，标记为deleted的文档被会过滤掉。

更新也是类似的操作，更新会把旧版本的文档标记为deleted，新的文档会存储在新的index segment中。

近实时搜索

上面的流程细节的童鞋可以会发现，每次都需要fsync磁盘，数据才是可搜索的，那IO压力将特别大，耗费时间比较长，并且执行周期由操作系统控制，从一个新文档写入到可以被搜索，超过1分钟那是常有的事。

所以Elasticsearch对此做了一个改进：
index segment信息写入到os-cache中，即完成上面的第4步，该segment内的文档信息就可以被搜索到了。fsync操作就不立即执行了，

os-cache的写入代价比较低，最耗时的fsync操作交由操作系统调度执行。

上述的index segment写入到os-cache，并打开搜索的过程，叫做refresh，默认是每隔1秒refresh一次所以，es是近实时的，数据写入到可以被搜索，默认是1秒。

refresh的时间也可以设置，比如我们一些日志系统，数据量特别大，但实时性要求不高，我们为了优化资源分配，就可以把refresh设置得大一些：

PUT /music
{
  "settings": {
    "refresh_interval": "30s" 
  }
}

此参数需要在创建索引时使用，要注意一下的是除非有充分的依据，才会对refresh进行设置，一般使用默认的即可。

translog机制

上述的写入流程当中，如果fsync到磁盘的操作没执行完成，服务器断电宕机了，可能会导致Elasticsearch数据丢失。Elasticsearch也设计了translog机制，跟关系型数据库的事务日志机制非常像，整个写入过程将变成这样：

新文档写入内存buffer的同时，也写一份到translog当中。
内存buffer的数据每隔1秒写入到index segment，并写入os-cache，完成refresh操作。
内存buffer被清空，但translog一直累加。
每隔5秒translog信息fsync到磁盘上。
默认每30分钟或translog累积到512MB时，执行全量commit操作，os-cache中的segment信息和translog信息fsync到磁盘中，持久化完成。
生成新的translog，旧的translog归档（6.x版本translog做归档操作，不删除）。

flush API

这个执行一个提交并且归档translog的行为称作一次flush。分片每30分钟被自动刷新（flush），或者在 translog 太大的时候（默认512MB）也会刷新，当然也可以手动触发flush的执行，如下请求：

POST /music/_flush

但任其自动flush就够了。如果重启节点前担心会对索引造成影响，可以手动flush一下。毕竟节点重启后需要从translog里恢复数据，translog越小，恢复就越快。

durability同步和异步

translog写磁盘行为主要有两种，是由index.translog.durability配置项决定的：

request：同步写磁盘，每次写请求完成之后立即执行（新增、删除、更新文档），以及primary shard和replica shard同步都会触发，数据安全有保障，不丢失，但会带来一些性能损失。如果是bulk数据导入，每个文档平摊下来的损失是比较小的。
async：异步写磁盘，默认5秒fsync一次，如果有宕机事件，可能会丢失几秒的数据，适用于允许偶尔有数据丢失的场景，如日志系统。

如果系统不接受数据丢失，用translog同步方式，示例设置：

# 异步方式
PUT /music_new
{
  "settings": {
    "index.translog.durability": "async",
    "index.translog.sync_interval": "5s"
  }
}

# 同步方式
PUT /music_new
{
  "settings": {
    "index.translog.durability": "request"
  }
}

segment合并

Elasticsearch针对活跃的索引，每秒都会生成一个新的index segment，这些segment最终会以文件的形式存储在磁盘里，如果不对其进行处理，那么索引运用一段时间后，会有特别多的文件，零碎的文件太多了，也不是什么好事情，更耗费更多的文件资源，句柄等，搜索过程也会变慢。

合并过程

Elasticsearch会在后台对segment进行合并，减少文件的数量，同时，标记为deleted的文档在合并时会被丢弃（delete请求只是将文档标记为deleted状态，真正的物理删除是在段合并的过程中），合并过程不需要人工干预，让Elasticsearch自行完成即可。

两个已经提交的段和一个未提交的段合并成为一个大的段文件

合并时会挑一些大小接近的段，合并到更大的段中，段合并过程不阻塞索引和搜索。

合并完成后，新的更大的段flush到磁盘中，并完成refresh操作，老的段被删除掉。

optimize API

optimize命令可以强制合并API，并指定最终段的数量，如下命令：

POST /music_new/optimize
{
  "max_num_segments": 1
}

指定segment最大数量为1，表示该索引最终只有一个segment文件。

适用场景

正常活跃的、经常有更新的索引不建议使用
日志类的索引，对老数据进行优化时，可以将每个分片的段进行合并

使用建议

一般不需要人工干预合并过程
optimize操作会消耗大量的IO资源，使用要慎重考虑

小结

本篇主要介绍shard内部的原理，包含写入、更新删除，translog机制，segment合并等，了解数据库的童鞋对translog机制应该非常熟悉，原理上大同小异，仅作抛砖引玉，谢谢。

专注Java高并发、分布式架构，更多技术干货分享与心得，请关注公众号：Java架构社区
可以扫左边二维码添加好友，邀请你加入Java架构社区微信群共同探讨技术

Java架构社区