Es搜索引擎相关知识点

1. 倒排索引

词项字典 帮助我们快速检索数据 （文件落地 数据结构）

1. 倒排索引法数据结构？

2. trem index + term dictionary + 倒排表

3. 倒排索引法为什么不使用B+tree？
   倒排索引支持数据量较小，树深度较深
   树不适合文本索引，加%索引失效
   B+tree 支持千万级别， 搜索引擎 10亿级别

4. es 评分算法？
   BM25（7.0后默认） TF-IDF

5. trem index + term dictionary 使用到的数据结构？
   FST

6. 倒排表 使用压缩算法
   FOR（稠密数组） RBM （稀疏数组）
   6. 倒排索引解决什么问题？
   通用最小化算法 解决大数据搜索

字典树（前缀树）

8. FSM(有限状态机) ○ 表示状态 ----> 状态转换
FSA 有限状态接收机
FST 有限状态转换机 后面数字表示匹配度

2.es写入原理

3、读写性能调优

写入性能调优：

• 增加flush时间间隔，目的是减小数据写入磁盘的频率，减小磁盘IO

• 增加refresh_interval的参数值，目的是减少segment文件的创建，减少segment的merge次数，merge是发生在jvm中的，有可能导致full GC，增加refresh会降低搜索的实时性。

• 增加Buffer大小，本质也是减小refresh的时间间隔，因为导致segment文件创建的原因不仅有时间阈值，还有buffer空间大小，写满了也会创建。 默认最小值 48MB< 默认值 堆空间的10% < 默认最大无限制

• 大批量的数据写入尽量控制在低检索请求的时间段，大批量的写入请求越集中越好。

  • 第一是减小读写之间的资源抢占，读写分离
  • 第二，当检索请求数量很少的时候，可以减少甚至完全删除副本分片，关闭segment的自动创建以达到高效利用内存的目的，因为副本的存在会导致主从之间频繁的进行数据同步，大大增加服务器的资源占用。

• Lucene的数据的fsync是发生在OS cache的，要给OS cache预留足够的内从大小，详见JVM调优。

• 通用最小化算法，能用更小的字段类型就用更小的，keyword类型比int更快，

• ignore_above：字段保留的长度，越小越好

• 调整_source字段，通过include和exclude过滤

• store：开辟另一块存储空间，可以节省带宽

  *注意：_**sourse**：**设置为false**，**则不存储元数据**，**可以节省磁盘**，**并且不影响搜索**。但是禁用_**source必须三思而后行**：*

  \1. update，update_by_query和reindex不可用。

  \2. 高亮失效

  \3. reindex失效，原本可以修改的mapping部分参数将无法修改，并且无法升级索引

  \4. 无法查看元数据和聚合搜索

  影响索引的容灾能力

• 禁用_all字段：_all字段的包含所有字段分词后的Term，作用是可以在搜索时不指定特定字段，从所有字段中检索，ES 6.0之前需要手动关闭

• 关闭Norms字段：计算评分用的，如果你确定当前字段将来不需要计算评分，设置false可以节省大量的磁盘空间，有助于提升性能。常见的比如filter和agg字段，都可以设为关闭。

• 关闭index_options（谨慎使用，高端操作）：词设置用于在index time过程中哪些内容会被添加到倒排索引的文件中，例如TF，docCount、postion、offsets等，减少option的选项可以减少在创建索引时的CPU占用率，不过在实际场景中很难确定业务是否会用到这些信息，除非是在一开始就非常确定用不到，否则不建议删除

  搜索速度调优

• 禁用swap

• 使用filter代替query

• 避免深度分页，避免单页数据过大，可以参考百度或者淘宝的做法。es提供两种解决方案scroll search和search after

• 注意关于index type的使用

• 避免使用稀疏数据

• 避免单索引业务重耦合

• 命名规范

• 冷热分离的架构设计

• fielddata：搜索时正排索引，doc_value为index time正排索引。

• enabled：是否创建倒排索引

• doc_values：正排索引，对于不需要聚合的字段，关闭正排索引可节省资源，提高查询速度

• 开启自适应副本选择（ARS），6.1版本支持，7.0默认开启，

4、ES的节点类型

       可以在配置文件elasticsearch.yml中配置是否为**节点

• master： 主节点 每个集群只有一个，只承担较为轻量级的任务，比如：创建删除索引，分片均衡等。

•                                                         尽量设置主节点不为数据节点，提高效率                                     
  

• Master-eligible 候选节点
• data： 数据节点 存储数据和查询服务
• data_content：数据内容节点
• data_hot：热节点
• data_warm：索引不再定期更新，但仍可查询
• data_code：冷节点，只读索引
• Ingest：预处理节点，作用类似于Logstash中的Filter
• ml：机器学习节点
• remote_cluster_client：候选客户端节点
• transform：转换节点
• voting_only：仅投票节点

5、Mater选举过程

• 设计思路：所有分布式系统都需要解决数据的一致性问题，处理这类问题一般采取两种策略：

  • 避免数据不一致情况的发生

  • 定义数据不一致后的处理策略

• 主从模式和无主模式

  • ES为什么使用主从模式？

    • 在相对稳定的对等网络中节，点的数量远小于单个节点可以维护的节点数，并且网络环境不必经常处理节点的加入和离开。

• ES的选举算法

      - Bully和Paxos
  

• 脑裂是什么以及如何避免

•   **msater重新选举过程中就有可能发送脑裂问题**，
      原master节点并没有挂掉，只是有些节点无法与之取得联系了，此时集群可能存在多个master节点。
      脑裂对我们的影响主要是导致没有有效的团体存在，所有的团体都不包含多数的表决。
  

  产生原因：1.网络波动 2.主节点即是候补节点也是数据节点
  避免：1. 候补节点不设置为数据节点 2. 将节点判断状态时间加长 3.增加选举的节点数，过半
  如果已经发生： 可以重启

6、Elasticsearch调优

• 通用法则

  • 通用最小化算法：对于搜索引擎级的大数据检索，每个bit尤为珍贵。
  • 业务分离：聚合和搜索分离

• 数据结构 学员案例

• 硬件优化

  ​ es的默认配置是一个非常合理的默认配置，绝大多数情况下是不需要修改的，如果不理解某项配置的含义，没有经过验证就贸然修改默认配置，可能造成严重的后果。比如max_result_window这个设置，默认值是1W，这个设置是分页数据每页最大返回的数据量，冒然修改为较大值会导致OOM。ES没有银弹，不可能通过修改某个配置从而大幅提升ES的性能，通常出厂配置里大部分设置已经是最优配置，只有少数和具体的业务相关的设置，事先无法给出最好的默认配置，这些可能是需要我们手动去设置的。关于配置文件，如果你做不到彻底明白配置的含义，不要随意修改。

  ​ jvm heap分配：7.6版本默认1GB，这个值太小，很容易导致OOM。Jvm heap大小不要超过物理内存的50%，最大也不要超过32GB（compressed oop），它可用于其内部缓存的内存就越多，但可供操作系统用于文件系统缓存的内存就越少，heap过大会导致GC时间过长

  • 节点：

    根据业务量不同，内存的需求也不同，一般生产建议不要少于16G。ES是比较依赖内存的，并且对内存的消耗也很大，内存对ES的重要性甚至是高于CPU的，所以即使是数据量不大的业务，为了保证服务的稳定性，在满足业务需求的前提下，我们仍需考虑留有不少于20%的冗余性能。一般来说，按照百万级、千万级、亿级数据的索引，我们为每个节点分配的内存为16G/32G/64G就足够了，太大的内存，性价比就不是那么高了。

  • 内存：

  根据业务量不同，内存的需求也不同，一般生产建议不要少于16G。ES是比较依赖内存的，并且对内存的消耗也很大，内存对ES的重要性甚至是高于CPU的，所以即使是数据量不大的业务，为了保证服务的稳定性，在满足业务需求的前提下，我们仍需考虑留有不少于20%的冗余性能。一般来说，按照百万级、千万级、亿级数据的索引，我们为每个节点分配的内存为16G/32G/64G就足够了，太大的内存，性价比就不是那么高了。

  • 磁盘：

  对于ES来说，磁盘可能是最重要的了，因为数据都是存储在磁盘上的，当然这里说的磁盘指的是磁盘的性能。磁盘性能往往是硬件性能的瓶颈，木桶效应中的最短板。ES应用可能要面临不间断的大量的数据读取和写入。生产环境可以考虑把节点冷热分离，“热节点”使用SSD做存储，可以大幅提高系统性能；冷数据存储在机械硬盘中，降低成本。另外，关于磁盘阵列，可以使用raid 0。

  • CPU：

    CPU对计算机而言可谓是最重要的硬件，但对于ES来说，可能不是他最依赖的配置，因为提升CPU配置可能不会像提升磁盘或者内存配置带来的性能收益更直接、显著。当然也不是说CPU的性能就不重要，只不过是说，在硬件成本预算一定的前提下，应该把更多的预算花在磁盘以及内存上面。通常来说单节点cpu 4核起步，不同角色的节点对CPU的要求也不同。服务器的CPU不需要太高的单核性能，更多的核心数和线程数意味着更高的并发处理能力。现在PC的配置8核都已经普及了，更不用说服务器了。

  • 网络：

  ES是天生自带分布式属性的，并且ES的分布式系统是基于对等网络的，节点与节点之间的通信十分的频繁，延迟对于ES的用户体验是致命的，所以对于ES来说，低延迟的网络是非常有必要的。因此，使用扩地域的多个数据中心的方案是非常不可取的，ES可以容忍集群夸多个机房，可以有多个内网环境，支持跨AZ部署，但是不能接受多个机房跨地域构建集群，一旦发生了网络故障，集群可能直接GG，即使能够保证服务正常运行，维护这样（跨地域单个集群）的集群带来的额外成本可能远小于它带来的额外收益。

  • 集群规划：没有最好的配置，只有最合适的配置。

  • 在集群搭建之前，首先你要搞清楚，你ES cluster的使用目的是什么？主要应用于哪些场景，比如是用来存储事务日志，或者是站内搜索，或者是用于数据的聚合分析。针对不同的应用场景，应该指定不同的优化方案。

  • 集群需要多少种配置（内存型/IO型/运算型），每种配置需要多少数量，通常需要和产品运营和运维测试商定，是业务量和服务器的承载能力而定，并留有一定的余量。

  • 一个合理的ES集群配置应不少于5台服务器，避免脑裂时无法选举出新的Master节点的情况，另外可能还需要一些其他的单独的节点，比如ELK系统中的Kibana、Logstash等。

• 架构优化:

  • 合理的分配角色和每个节点的配置，在部署集群的时候，应该根据多方面的情况去评估集群需要多大规模去支撑业务。这个是需要根据在你当前的硬件环境下测试数据的写入和搜索性能，然后根据你目前的业务参数来动态评估的，比如：

    • 业务数据的总量、每天的增量
    • 查询的并发以及QPS
    • 峰值的请求量

  • 节点并非越多越好，会增加主节点的压力

  • 分片并非越多越好，从deep pageing 的角度来说，分片越多，JVM开销越大，负载均衡（协调）节点的转发压力也越大，查询速度也越慢。单个分片也并非越大越好，一般来说单个分片大小控制在30-50GB。

• Mpping优化：

  • 优化字段的类型，关闭对业务无用的字段

  • 尽量不要使用dynamic mapping分片大小

• Developer调优：修炼内功，提升修养

7、索引备份还原

​ snapshot（快照技术）

8、数据同步方案

• 数据一致性问题

• 基于Canal+binlog同步MySql

• 基于packetbeat监听9200端口

9、搜索引擎和ES（搜索引擎的原理、ES的认识或理解）

• 概念：大数据检索（区分搜索）、大数据分析、大数据存储

• 性能：PB级数据秒查（NRT Near Real Time）

  • 高效的压缩算法
  • 快速的编码和解码算法
  • 合理的数据结构
  • 通用最小化算法

• 场景：搜索引擎、垂直搜索、BI、GIthub、ELKB

• 大厂：JD、百度、阿里、腾讯、滴滴、字节、美团、Github、马士兵教育（如果记不住，就把你能想到的大厂有几个说几个）。

10、ES容灾问题

ES集群因为分片和副本的存在使ES集群的可用性非常高。
ES集群不可用的原因主要是因为主节点的宕机，
所以ES的容灾机制依靠的就是master选举、分片以及副本。

11、分片是啥

elasticsearch集群是由一个或者多个节点组成的集合
节点是可以存储数据，参与集群索引数据
索引(相当于数据库)可以定义一个或多个类型（表）
每个索引都有多个分片，每个分片是一个Lucene索引

关系：集群有节点组成，节点有分片、副本组成，一个索引分为多个分片，一个分片由索引，类型组成，类型由文档组成。这是他们之间的关系

10、深度分页问题

       假如要查询990-1000数据，查询语句应该这么写       

GET /hotel/_search
{
  "query": {
    "match_all": {}
  },
  "from": 990, # 分页开始的位置，默认为0
  "size": 10, # 期望获取的文档总数
  "sort": [
    {"price": "asc"}
  ]
}

elasticsearch内部分页时，必须先查询 0~1000条，然后截取其中的990 ~ 1000的这10条：
如果是集群环境，必须查出每台机器0-1000数据，然后汇总进行排序。
如果查询9900-100000？数据量过于大
内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求

解决方案：

1. 限制请求，而淘宝则对深度分页处理则很直接,限制分页页数.超过100页后面的数据,基本认为是无效数据.则会丢弃这些数据.
2. search after：
   原理 ：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式

注意
要保证排序值是唯一不重复的，否则分页时可能会漏掉数据。

例子：
期望结果：

第一次查询：最后一条数据的排序值是 score=47，price=245。 score=47，price=245的数据只有一条
下一次查询：查询 score=47，price=245之后的数据，没有任何问题
但是如果：

score=45，price=245的数据有多条，假定为doc1、doc2
第一次查询第一页时，顺序是doc1、doc2，这一页刚好查询到了doc1
查询下一页时，顺序是doc2、doc1，从第2条开始，查询到了doc1
最终就漏掉了doc2
解决方案：
建议保证排序条件值不重复，就不会出现上面的问题了
例如：以score降序、price升序、_id降序。 _id是文档的唯一标识，是不重复的

11、深度优先和广度优先算法

都属于 图搜索算法
深度优先算法：

优先取左节点 其搜索节点顺序是 1,2,3,4,5,6,7,8

广度优先搜索

广度优先搜索（也称宽度优先搜索，缩写BFS，以下采用广度来描述）是连通图的一种遍历算法这一算法也是很多重要的图的算法的原型。Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。

以 V1为起点。依次遍历，遍历后节点置为黑色，直到遍历完V7
最短路径：v1 ---->v4------>v7

12、向量空间模型

数学中向量
X = {X1, X2,X3…}