【ES专题】ElasticSearch功能详解与原理剖析
目录
- 前言
- 要点
- 阅读对象
- 阅读导航
- 前置知识
- 笔记正文
-
- 一、ES数据预处理
-
- 1.1 Ingest Node：摄入节点
- 1.2 Ingest Pipeline：摄入管道
- 1.3 Processor：预处理器——简单加工
- 1.4 Painless Script：脚本——复杂加工
- 1.5 简单实用案例
- 二、文档/数据建模
-
- 2.1 ES中如何处理关联关系
- 2.2 对象类型
- 2.3 嵌套对象（Nested Object）
- 2.4 父子关联关系(Parent : Child )
- 2.5 ElasticSearch数据建模最佳实践
-
- 2.5.1 关联关系选择
- 2.5.2 避免过多字段
- 2.5.3 避免正则，通配符，前缀查询
- 2.5.4 避免空值引起的聚合不准
- 2.5.5 为索引的Mapping加入Meta 信息
- 三、ES读写性能调优
-
- 3.1 ES底层读写工作原理分析
-
- 3.1.1 ES写入数据的流程
- 3.1.2 ES读取数据的过程
- 3.2 如何提升集群的读写性能
-
- 3.2.1 提升集群读性能
- 3.2.2 提升集群写性能
- 3.2.3 其他一些优化建议
- 学习总结
前言
要点
ES要掌握什么：
- 使用：搜索和聚合操作语法，理解分词，倒排索引，相关性算分（文档匹配度）
- 优化： 数据预处理，文档建模，集群架构优化，读写性能优化
阅读对象
已经掌握了基本ES使用API，了解相关性算分原理的同学
阅读导航
系列上一篇文章：《【ES专题】ElasticSearch集群架构剖析》
前置知识
- 掌握了基本ES使用API
- 了解相关性算分原理
笔记正文
一、ES数据预处理
什么是预处理？其实就是说，在数据进行CRUD之前进行的一系列自定义操作嘛。比如：
- 将某个字段的值转换为另一种类型；
- 将日期格式处理一下
- 新增字段返回
- 某些字段不需要
等等。其实大家伙想象，这些操作是不是很熟悉？无论是Mysql层，还是我们Java业务层，其实都有做过这件事情。所以，ES其实也提供了ES层的一些业务处理，并且提供了不少内置组件给我们。那这些组件是由谁完成的？其实就是我们上节课说到的一个集群角色——Ingest Node节点完成的。
要了解ES数据的预处理，有4个概念需要大家理解一下，分别如下：
1.1 Ingest Node：摄入节点
Ingest Node，直译：摄入节点。很直观了，就是摄入数据的ES进程实例。他ES5.0之后才引入的一种新的节点类型。默认配置下，每个节点都是Ingest Node。Ingest Node节点的功能前面有大概介绍过，不过我估计大伙没怎么注意。这里简述一下：
- 具有预处理数据的能力，可拦截lndex或 Bulk API的请求
- 对数据进行转换，并重新返回给Index或 Bulk APl
举个栗子：
- 为某个字段设置默认值
- 重命名某个字段的字段名
- 对字段值进行Split 操作
- 支持设置
Painless脚本，对数据进行更加复杂的加工
我想大家应该多少有点感觉了吧，关于Ingest node的作用。其实在ES中，还有一个叫做LogStash的组件也能完成这些功能，具体的在下一篇笔记中讲。
1.2 Ingest Pipeline：摄入管道
ES关键词：pipeline
Ingest Pipeline，摄入管道。有什么用呢？有经验的小伙伴估计早已了然了，基本一提到【一系列处理器】肯定就存在【管道】，这已经成为了【一系列处理器】的范式了，无论什么语言都是如此。说白了，【管道】就是【处理器】的【容器】（多提一嘴，【处理器】+【管道】，通常是由【职责链】设计模式完成的）。
官方定义：管道是一系列处理器的定义，这些处理器将按照声明的顺序执行。管道由两个主要字段组成：【描述】和【处理器列表】。
1.3 Processor：预处理器——简单加工
Processor，预处理器，它ES对一些加工行为的抽象包装类。ES本身也预提供了很多内置Processors
帮我们完成数据操作了。当然，也支持通过插件的方式，实现自己的Processor。
这些内置的Processor大致有：
- Split Processor ： 将给定字段值分成一个数组
- Remove / Rename Processor ：移除一个重命名字段
- Append ： 为商品增加一个新的标签
- Convert：将商品价格，从字符串转换成float 类型
- Date / JSON：日期格式转换，字符串转JSON对象
- Date lndex Name Processor︰将通过该处理器的文档,分配到指定时间格式的索引中
- Fail Processor︰一旦出现异常，该Pipeline 指定的错误信息能返回给用户
- Foreach Process︰数组字段，数组的每个元素都会使用到一个相同的处理器
- Grok Processor︰日志的日期格式切割
- Gsub / Join / Split︰字符串替换│数组转字符串/字符串转数组
- Lowercase / upcase︰大小写转换
注意：不知道有没有朋友跟我一样，第一感觉会觉得预处理器不就是前面说的【过滤器】吗？不一样的，前面两篇文章提到的过滤器是【分词器】里面的【过滤器】，针对的是【搜索词】、【词项】，这里是【文档】数据。
1.4 Painless Script：脚本——复杂加工
ES关键字：script
Painless Script跟Processor一样都是为了做数据加工的。不同于Processor，Painless 通过写入一段脚本执行了更复杂加工过程。Painless Script具备以下特性：
- 高性能 / 安全
- 支持显示类型或者动态定义类型
Painless的用途：
- 可以对文档字段进行加工处理。比如：
- 更新或删除字段，处理数据聚合操作
- Script Field：对返回的字段提前进行计算
- Function Score：对文档的算分进行处理
- 在lngest Pipeline中执行脚本
- 在Reindex APl，Update By Query时，对数据进行处理
在Painless脚本中，想要访问字段，可以通过如下API进行：
1.5 简单实用案例
Processor使用案例：
需求：索引csdn_blogs中有一字段tags，后期需要对其进行聚合操作。tags字段的值，本应该是数组，只不过存入的时候以,做分隔符拼成字符串存进去。
1）示例数据：
#csdn_blogs数据，包含3个字段，tags用逗号间隔
PUT csdn_blogs/_doc/1
{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data"
}
2）创建pipeline
# 为ES添加一个 Pipeline
PUT _ingest/pipeline/blog_pipeline
{
"description": "a blog pipeline",
"processors": [
{
"split": {
"field": "tags",
"separator": ","
}
},
{
"set":{
"field": "views",
"value": 0
}
}
]
}
#查看Pipleline
GET _ingest/pipeline/blog_pipeline
3）使用pipeline更新数据
#不使用pipeline更新数据
PUT csdn_blogs/_doc/1
{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data"
}
#使用pipeline更新数据
PUT csdn_blogs/_doc/2?pipeline=blog_pipeline
{
"title": "Introducing cloud computering",
"tags": "openstack,k8s",
"content": "You konw, for cloud"
}
Painless Script使用案例：
1）示例数据：
DELETE csdn_blogs
PUT csdn_blogs/_doc/1
{
"title":"Introducing big data......",
"tags":"hadoop,elasticsearch,spark",
"content":"You konw, for big data",
"views":0
}
2）使用一段脚本更新数据
POST csdn_blogs/_update/1
{
"script": {
"source": "ctx._source.views += params.new_views",
"params": {
"new_views":100
}
}
}
# 查看views计数
POST csdn_blogs/_search
当然也可以保存脚本到ES中
#保存脚本在 Cluster State
POST _scripts/update_views
{
"script":{
"lang": "painless",
"source": "ctx._source.views += params.new_views"
}
}
然后使用它们
POST csdn_blogs/_update/1
{
"script": {
"id": "update_views",
"params": {
"new_views":1000
}
}
}
3）查询时使用一段脚本做预处理
GET csdn_blogs/_search
{
"script_fields": {
"rnd_views": {
"script": {
"lang": "painless",
"source": """
java.util.Random rnd = new Random();
doc['views'].value+rnd.nextInt(1000);
"""
}
}
},
"query": {
"match_all": {}
}
}
二、文档/数据建模
什么是文档建模？这个名词多少有点陌生。不过可以简单类比一下，让大家知道啥意思。
不知道大家有没有疑问，那就是：我在Mysql中经常遇到联表的情况，在ES中应该也有这样的需求吧，那，怎么实现呢？是的，所谓文档建模关心的就是这个东西。即文档之间、索引之间的关系，该如何联系。
2.1 ES中如何处理关联关系
关系型数据库通过【三范式】去约束、设计表之间的关系，其主要目标是减少不必要的更新，但我们作为开发都知道，有时候过于遵循所谓的【三范式】往往会有负面效果 （甚至很多我们的小伙伴还不知道所谓【三范式】）。比如：
- 一个完全范式化设计的数据库会经常面临查询缓慢的问题。数据库越范式化，需要
join的表就越多 - 范式化节省了存储空间，但是存储空间已经变得越来越便宜
- 范式化简化了更新，但是数据读取操作可能更多
既然【范式】会有很多副作用，那么【反范式化（Denormalize）】的设计就被提倡出来：不使用关联关系，而是宁愿在文档中保存冗余的数据拷贝。
- 优点：无需处理Join操作，数据读取性能好。Elasticsearch可以通过压缩_source字段，减少磁盘空间的开销
- 缺点：不适合在数据频繁修改的场景。 一条数据的改动，可能会引起很多数据的更新
关系型数据库，一般会考虑【范式】数据；在Elasticsearch，往往考虑【反范式】数据。
Elasticsearch并不擅长处理关联关系，一般会采用以下四种方法处理关联：
- 对象类型
- 嵌套对象(Nested Object)
- 父子关联关系(Parent / Child )
- 应用端关联
2.2 对象类型
ES关键字：properties，mapping属性的子属性。用于在新建索引、更新索引的mapping时，指定对象类型的属性
用一个简单的案例来给大家伙示范一下，什么是对象类型。
案例1：CSDN博客作者信息
在ES中，通常会在每一篇博文中保留作者的信息。如果作者信息发生变化，需要修改相关博文的文档
上述就是【反范式化】的做法。正常我们在Mysql中，可能只是在博文表中新增一个【作者id】，需要使用的时候才去联表查询。
1）定义一个博文的索引
DELETE csdn_blogs
# 设置csdn_blogs的 Mapping
PUT /csdn_blogs
{
"mappings": {
"properties": {
"content": {
"type": "text"
},
"time": {
"type": "date"
},
"user": {
"properties": {
"city": {
"type": "text"
},
"userid": {
"type": "long"
},
"username": {
"type": "keyword"
}
}
}
}
}
}
2）插入一条示例数据
PUT /blog/_doc/1
{
"content":"I like Elasticsearch",
"time":"2022-01-01T00:00:00",
"user":{
"userid":1,
"username":"Fox",
"city":"Changsha"
}
}
3）查询一下博文信息
# 查询 blog信息
POST /blog/_search
{
"query": {
"bool": {
"must": [
{"match": {"content": "Elasticsearch"}},
{"match": {"user.username": "Fox"}}
]
}
}
}
案例2：包含对象数组的文档
我们知道，电影通常会有多个演员，多个导演，甚至多个电影名字。然后人名在中外不同国家排列方式是不同的。我们是【姓+名】，国外不少是【名+姓】的，所以，会拆分成【first name + last name】的方式存储。在ES中，【电影】可能会通过下面这样的方式存储：
数据结构伪代码：
public class Movie {
String movieName;
List<Actor> actors;
}
public class Actor {
String firstName;
String lastName;
}
1）定义一个电影索引
PUT /my_movies
{
"mappings" : {
"properties" : {
"actors" : {
"properties" : {
"first_name" : {
"type" : "keyword"
},
"last_name" : {
"type" : "keyword"
}
}
},
"title" : {
"type" : "text",
"fields" : {
"keyword" : {
"type" : "keyword",
"ignore_above" : 256
}
}
}
}
}
}
2）写入一条记录
POST /my_movies/_doc/1
{
"title":"Speed",
"actors":[
{
"first_name":"Keanu",
"last_name":"Reeves"
},
{
"first_name":"Dennis",
"last_name":"Hopper"
}
]
}
注意：actors字段有多个值，是一个数组
3）查询记录
# 查询电影信息
POST /my_movies/_search
{
"query": {
"bool": {
"must": [
{"match": {"actors.first_name": "Keanu"}},
{"match": {"actors.last_name": "Hopper"}}
]
}
}
}
搜索结果如下：
发现没有，结果跟我们想象中的并不一样。我明明用的是must，但是效果上看起来跟should一样啊。点解？
这就不得不说一下，ES【对象类型】建模底层数据结构了。在【对象类型】建模中，上述2）插入的记录，在文档中，会以key-value这样的结构存在：（这个操作在ES中被称为数据扁平化）
"title":"Speed"
"actors.first_name": ["Keanu","Dennis"]
"actors.last_name": ["Reeves","Hopper"]
假设actors数组只有一个值，即如下：
POST /my_movies/_doc/1
{
"title":"Speed",
"actors":[
{
"first_name":"Keanu",
"last_name":"Reeves"
}
]
}
那他在文档中记录是这样的：
"title":"Speed"
"actors.first_name": "Keanu"
"actors.last_name": "Reeves"
也正是由于这个原因，这条记录在倒排索引中的记录如下：
| 索引词项 | 文档id |
|---|---|
| Keanu | 1 |
| Dennis | 1 |
| Reeves | 1 |
| Hopper | 1 |
所以最终索引到了我们不想要的记录。怎么办呢？使用另一种对象：内嵌对象。
2.3 嵌套对象（Nested Object）
ES关键字：nested、properties
什么是Nested Data Type？官方是这么定义的：
如果需要索引对象数组并维护数组中每个对象的独立性，则应该使用嵌套数据类型而不是对象数据类型。在内部，嵌套对象将数组中的每个对象索引为一个单独的隐藏文档，这意味着每个嵌套对象可以独立于其他对象进行查询，使用嵌套查询:
Nested数据类型，允许对象数组中的对象被独立索引。在其内部，Nested文档会被保存在两个Lucene文档中，被嵌套的对象当作隐藏文档，但是依然寄存在Nested文档上。在查询时做Join处理。
这一点很重要，保存在两个文档
还是拿上面的【电影】例子给大家演示一下：
1）定义一个电影索引，注意actors字段的type
# 先删除之前创建的
DELETE /my_movies
# 创建 Nested 对象 Mapping
PUT /my_movies
{
"mappings" : {
"properties" : {
"actors" : {
"type": "nested",
"properties" : {
"first_name" : {"type" : "keyword"},
"last_name" : {"type" : "keyword"}
}},
"title" : {
"type" : "text",
"fields" : {"keyword":{"type":"keyword","ignore_above":256}}
}
}
}
}
2）写入一条记录
POST /my_movies/_doc/1
{
"title":"Speed",
"actors":[
{
"first_name":"Keanu",
"last_name":"Reeves"
},
{
"first_name":"Dennis",
"last_name":"Hopper"
}
]
}
3）nested查询：注意关键词nested，为什么要这么来做，见下面的分析
# Nested 查询
POST /my_movies/_search
{
"query": {
"bool": {
"must": [
{
"match": {"title": "Speed"}
},
{
"nested": {
"path": "actors",
"query": {
"bool": {
"must": [
{
"match": {"actors.first_name": "Keanu"}
},
{
"match": {"actors.last_name": "Hopper"}
}
]
}
}
}
}
]
}
}
}
上面这条记录，实际上会被这样保存：
doc
{
"title":"Speed"
}
doc_1
{
"actors.first_name": "Keanu"
"actors.last_name": "Reeves"
}
doc_2
{
"actors.first_name": "Dennis"
"actors.last_name": "Hopper"
}
要特别注意这个【隐藏的单独文档】的准确意义啊！正是因为是一个独立的文档，所以不能够在查询中对象.属性，而是使用专门为nested设计的nested查询；因为是隐藏的，所以我们没办法直接查询到，只能通过原文档获取到隐藏子文档。
不过虽然nested对象确实解决了多值的问题，但是大家有没有发现，因为反范式化的设计，隐藏子文档需要更新的时候，会把父文档也一起更新的，这种更新粒度是否太大了呢？
2.4 父子关联关系(Parent : Child )
ES关键字：join、relations
Object对象和Nested对象它是有一些局限性的，那就是每次更新，可能需要重新索引整个对象（包括根对象和嵌套对象），毕竟【反范式化】了。所以ES为了兼容Join查询这种需求，设计了另一种关联关系：父子关联关系。父子关联关系有如下特征：
- 父文档和子文档是同一个索引上的两个独立的文档。注意：独立的，显式的文档。跟嵌套的【隐藏子文档】不一样
- 更新父文档无需重新索引子文档。子文档被添加，更新或者删除也不会影响到父文档和其他的子文档
接下来用一个简单的示例演示一下。
1）还是创建一个博客索引
DELETE /my_blogs
# 设定 Parent/Child Mapping
PUT /my_blogs
{
"settings": {
"number_of_shards": 2
},
"mappings": {
"properties": {
"blog_comments_relation": {
"type": "join",
"relations": {
"blog": "comment"
}
},
"content": {
"type": "text"
},
"title": {
"type": "keyword"
}
}
}
}
2）插入两条父文档数据
#索引父文档
PUT /my_blogs/_doc/blog1
{
"title":"Learning Elasticsearch",
"content":"learning ELK ",
"blog_comments_relation":{
"name":"blog"
}
}
#索引父文档
PUT /my_blogs/_doc/blog2
{
"title":"Learning Hadoop",
"content":"learning Hadoop",
"blog_comments_relation":{
"name":"blog"
}
}
注意，文档的id不再是以前默认的数字（当然是表面上这样），而是我们前面声明的父子关联关系字段的名称 + id
3）插入子文档数据：路由到指定的父文档所在分片上
#索引子文档
PUT /my_blogs/_doc/comment1?routing=blog1
{
"comment":"I am learning ELK",
"username":"Jack",
"blog_comments_relation":{
"name":"comment",
"parent":"blog1"
}
}
#索引子文档
PUT /my_blogs/_doc/comment2?routing=blog2
{
"comment":"I like Hadoop!!!!!",
"username":"Jack",
"blog_comments_relation":{
"name":"comment",
"parent":"blog2"
}
}
#索引子文档
PUT /my_blogs/_doc/comment3?routing=blog2
{
"comment":"Hello Hadoop",
"username":"Bob",
"blog_comments_relation":{
"name":"comment",
"parent":"blog2"
}
}
注意：
- 不知道大家有没有留意到，父子文档是在同一个【索引】上的，即这里的
my_blogs - 父文档和子文档必须存在相同的分片上，能够确保查询join 的性能
- 当指定子文档时候，必须指定它的父文档ld。使用routing参数来保证，分配到相同的分片
4）查询
ES关键字：parent_id、has_child、has_parent
# 查询所有文档
POST /my_blogs/_search
#根据父文档ID查看
GET /my_blogs/_doc/blog2
#通过ID ，访问子文档
GET /my_blogs/_doc/comment3
#通过ID和routing ，访问子文档
GET /my_blogs/_doc/comment3?routing=blog2
# Parent Id 查询
POST /my_blogs/_search
{
"query": {
"parent_id": {
"type": "comment",
"id": "blog2"
}
}
}
# Has Child 查询,返回父文档
POST /my_blogs/_search
{
"query": {
"has_child": {
"type": "comment",
"query" : {
"match": {
"username" : "Jack"
}
}
}
}
}
# Has Parent 查询，返回相关的子文档
POST /my_blogs/_search
{
"query": {
"has_parent": {
"parent_type": "blog",
"query" : {
"match": {
"title" : "Learning Hadoop"
}
}
}
}
}
#更新子文档
PUT /my_blogs/_doc/comment3?routing=blog2
{
"comment": "Hello Hadoop??",
"blog_comments_relation": {
"name": "comment",
"parent": "blog2"
}
}
嵌套文档、父子文档横向对比
| Nested Object | Parent / Child | |
|---|---|---|
| 优点 | 文档存储在一起，读取性能高 | 父子文档可以独立更新 |
| 缺点 | 更新嵌套的子文档时，需要更新整个文档 | 需要额外的内存维护关系。读取性能相对差 |
| 适用场景 | 子文档偶尔更新，以查询为主 | 子文档更新频繁 |
2.5 ElasticSearch数据建模最佳实践
2.5.1 关联关系选择
- Object： 适合优先考虑反范式（典型的报表那种就需要反范式化）
- Nested：当数据包含多数值对象，同时有查询需求
- Child/Parent：关联文档更新非常频繁时
2.5.2 避免过多字段
一个文档中，最好避免大量的字段。字段过多往往会有如下问题：
- 过多的字段数不容易维护
- Mapping 信息保存在Cluster State 中，数据量过大，对集群性能会有影响
- 删除或者修改数据需要reindex
生产环境中，尽量不要打开 Dynamic，可以使用Strict控制新增字段的加入。
- true ：未知字段会被自动加入
- false ：新字段不会被索引，但是会保存在_source
- strict ：新增字段不会被索引，文档写入失败
ES默认最大字段数是1000，可以设置index.mapping.total_fields.limit限定最大字段数。·
2.5.3 避免正则，通配符，前缀查询
正则，通配符查询，前缀查询属于Term查询，但是性能不够好。特别是将通配符放在开头，会导致性能的灾难
案例：针对版本号的搜索
# 将字符串转对象
PUT softwares/
{
"mappings": {
"properties": {
"version": {
"properties": {
"display_name": {
"type": "keyword"
},
"hot_fix": {
"type": "byte"
},
"marjor": {
"type": "byte"
},
"minor": {
"type": "byte"
}
}
}
}
}
}
#通过 Inner Object 写入多个文档
PUT softwares/_doc/1
{
"version":{
"display_name":"7.1.0",
"marjor":7,
"minor":1,
"hot_fix":0
}
}
PUT softwares/_doc/2
{
"version":{
"display_name":"7.2.0",
"marjor":7,
"minor":2,
"hot_fix":0
}
}
PUT softwares/_doc/3
{
"version":{
"display_name":"7.2.1",
"marjor":7,
"minor":2,
"hot_fix":1
}
}
# 通过 bool 查询，
POST softwares/_search
{
"query": {
"bool": {
"filter": [
{
"match":{
"version.marjor":7
}
},
{
"match":{
"version.minor":2
}
}
]
}
}
}
2.5.4 避免空值引起的聚合不准
ES关键字：mappings下的null_value
# Not Null 解决聚合的问题
DELETE /scores
PUT /scores
{
"mappings": {
"properties": {
"score": {
"type": "float",
"null_value": 0
}
}
}
}
PUT /scores/_doc/1
{
"score": 100
}
PUT /scores/_doc/2
{
"score": null
}
POST /scores/_search
{
"size": 0,
"aggs": {
"avg": {
"avg": {
"field": "score"
}
}
}
}
2.5.5 为索引的Mapping加入Meta 信息
- Mappings设置非常重要，需要从两个维度进行考虑
- 功能︰搜索，聚合，排序
- 性能︰存储的开销；内存的开销；搜索的性能
- Mappings设置是一个迭代的过程
- 加入新的字段很容易（必要时需要update_by_query)
- 更新删除字段不允许(需要Reindex重建数据)
- 最好能对Mappings 加入Meta 信息，更好的进行版本管理
- 可以考虑将Mapping文件上传git进行管理
PUT /my_index
{
"mappings": {
"_meta": {
"index_version_mapping": "1.1"
}
}
}
三、ES读写性能调优
3.1 ES底层读写工作原理分析
3.1.1 ES写入数据的流程
- 客户端选择一个node发送请求，通常这个node扮演协调节点的角色
- 协调节点对索引文档进行路由，并将请求转发到对应的节点
- 节点上的主分片处理请求，如果写入成功，则接着将数据同步到副本分片上，等待副本分片都报告成功，节点向协调节点报告成功
- 协调节点收到报告之后，再将请求结果返回到客户端
它的底层原理如下图所示：
上图涉及到一些核心概念：
segment file： 存储倒排索引的文件，每个segment本质上就是一个倒排索引，每秒都会生成一个segment文件，当文件过多时es会自动进行segment merge（合并文件），合并时会同时将已经标注删除的文档物理删除
commit point：记录当前所有可用的segment，每个commit point都会维护一个.del文件（es删除数据本质上不是物理删除），当es做删改操作时首先会在.del文件中声明某个document已经被删除，文件内记录了在某个segment内某个文档已经被删除，当查询请求过来时在segment中被删除的文件是能够查出来的，但是当返回结果时会根据commit point维护的那个.del文件把已经删除的文档过滤掉
translog日志文件： 为了防止elasticsearch宕机造成数据丢失保证可靠存储，es会将每次写入数据同时写到translog日志中
os cache：操作系统里面，磁盘文件其实都有一个东西，叫做os cache，操作系统缓存，就是说数据写入磁盘文件之前，会先进入os cache，先进入操作系统级别的一个内存缓存中去
refresh操作：将文档先保存在Index buffer中，以refresh_interval为间隔时间，定期清空buffer，生成 segment，借助文件系统缓存的特性，先将segment放在文件系统缓存中，并开放查询，以提升搜索的实时性
flush操作：刷盘操作。删除旧的translog 文件；生成Segment并写入磁盘；更新commit point并写入磁盘。ES自动完成，可优化点不多
底层原理过程解析：
1.1）数据到达主分片之后，并不是直接写入磁盘的，而是先写入到buffer中，此时，这条新的数据是不能搜索到的；同时，在这一步，也会将数据写到translog当中
为什么要这么做？这么说，几乎所有的中间件、应用等【写磁盘】之前都会先写缓存，再由缓存写入磁盘。主要是因为缓存通常位于内存中，相比磁盘，内存的读写速度要快得多。因此，将数据先写入缓存可以减少等待时间，并提高整体的处理速度
1.2）从ES6开始，新增的一步操作。一边写数据到前面说的缓存，一边写数据到translog磁盘文件里面。这个在ES6之前，默认是每30分钟，或者达到一定大小的时候才flush刷盘（发出一个commit命令），接着将segment file文件写入磁盘，清空translog。但是ES6之后，改为每次请求都直接刷盘了
什么是刷盘？刷盘，即直接写入磁盘中。为什么会有这个操作呢？因为操作系统中，也有一个缓存，是作用于系统跟硬盘之间的，道理跟上面说的一样。处处是缓存啊！！！
2） 步骤1.1）的缓存快满了，或者每隔1秒，就会将数据通过refresh操作写到新的的segment file（注意，并不会直接写入到磁盘文件中，还是跟上面一样，先写入属于系统的os cache缓存，再由缓存写入到文件）。同时更新conmmit point。写入后清空buffer
3）当segment被写到os cache的时候，此时segment可以接收外部的搜索了（据说这就是为什么说ES是【近实时】的原因，因为1秒后就能查询到）。最后os cache等待系统命令，即步骤1.2）提到的commit来调用系统函数的fsync同步数据到磁盘中，即真正写入到segment file了
3.1.2 ES读取数据的过程
ES读取数据的过程分两种情况：
1）根据id查询数据的过程
- 根据
doc id进行 hash，判断出来当时把doc id分配到了哪个 shard 上面去，从那个 shard 去查询 - 客户端发送请求到任意一个 node，成为 coordinate node协调节点
- coordinate node协调节点 对
doc id进行哈希路由hash(_id) % shards_size，将请求转发到对应的节点，此时会使用round-robin随机轮询算法，在【主分片】以及其所有【副本分片】中随机选择一个，让读请求负载均衡 - 接收请求的
node返回 文档给coordinate node协调节点 - coordinate node协调节点返回文档数据给客户端
2）根据关键词查询数据的过程：多分片合并
- 客户端发送请求到一个 coordinate node协调节点
- 协调节点将搜索请求转发到所有的
shard对应的primary shard或replica shard，两者都可以 query phas阶段：每个shard将自己的搜索结果返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果fetch phase阶段：接着由协调节点根据doc id去各个节点上拉取实际的文档数据，最终返回给客户端。
写请求是写入 primary shard，然后同步给所有的 replica shard；读请求可以从 primary shard 或 replica shard 读取，采用的是随机轮询算法
3.2 如何提升集群的读写性能
3.2.1 提升集群读性能
想要提升集群读取性能，通常有以下方法：
- 做好数据建模
- 尽量将数据先行计算，然后保存到Elasticsearch 中，以避免查询时的 Script计算
- 尽量使用Filter Context，利用缓存机制，减少不必要的算分
- 结合profile，explain API分析慢查询的问题，持续优化数据模型
- 避免使用*开头的通配符查询
- 优化分片
- 避免Over Sharing。很多时候一个查询需要访问每一个分片，分片过多，会导致不必要的查询开销
- 结合应用场景，控制单个分片的大小
Force-merge Read-only索引。使用基于时间序列的索引，将只读的索引进行force merge，减少segment数量
#手动force merge
POST /my_index/_forcemerge
3.2.2 提升集群写性能
想要提升集群的写性能，首先得知道优化的本质，其实是：增大写吞吐量，越高越好。
按照这个目标，结合我们ES的情况，其实可以分为【客户端写】和【服务端写】来进行优化。
客户端写：
无非就是使用多线程，或者批量写
大家应该知道批量写，bulk的作用吧？其实跟redis的管道一样的道理。不止是redis，事实上很多中间件都会用到这个思想。 【批量写】是为了节省每次跟服务之间的网络IO开销。
甚至，如果大家学过Netty的话，就会发现：连底层网络通信为了节省带宽，也可能等待数据到达一定量，或者达到一段时间后才将数据一起发送出去。这么做的目的就是为了提升网络IO效率
服务端写：注意参考前面3.1说的写原理
服务器端优化写入性能可以通过如下途径：
- 降低IO操作，即：尽量少写东西。比如：使用ES自动生成的文档ld；调整配置参数，如
refresh interval - 降低 CPU 和存储开销。比如：减少不必要分词；避免不需要的
doc_values；文档的字段尽量保证相同的顺序，这样可以提高文档的压缩率 - 尽可能做到写入和分片的均衡负载，实现水平扩展。
Shard Filtering / Write Load Balancer - 调整Bulk 线程池和队列
如果需要追求极致的写入速度，可以牺牲数据可靠性及搜索实时性以换取性能：
- 牺牲可靠性：将副本分片设置为0，写入完毕再调整回去
- 牺牲搜索实时性：增加Refresh Interval的时间
- 牺牲可靠性：修改
Translog的配置
注意：ES 的默认设置，已经综合考虑了数据可靠性，搜索的实时性，写入速度，一般不要盲目修改。一切优化，都要基于高质量的数据建模
3.2.3 其他一些优化建议
1）建模时的优化
- 只需要聚合不需要搜索，index设置成false
- 不要对字符串使用默认的dynamic mapping。字段数量过多，会对性能产生比较大的影响
- Index_options控制在创建倒排索引时，哪些内容会被添加到倒排索引中
2）降低 Refresh的频率
refresh_interval的数值，默认为1s 。如果设置成-1，会禁止自动refresh。这样做有如下作用：- 避免过于频繁的refresh，而生成过多的segment 文件
- 但是会降低搜索的实时性
- 增大静态配置参数
indices.memory.index_buffer_size- 默认是10%，会导致自动触发refresh
3）降低Translog写磁盘的频率，但是会降低容灾能力
Index.translog.durability：默认是request，每个请求都落盘。设置成async，异步写入lndex.translog.sync_interval：设置为60s，每分钟执行一次Index.translog.flush_threshod_size：默认512 m，可以适当调大。当translog 超过该值，会触发flush
4）分片设定
- 副本在写入时设为0，完成后再增加
- 合理设置主分片数，确保均匀分配在所有数据节点上
Index.routing.allocation.total_share_per_node：限定每个索引在每个节点上可分配的主分片数
5）调整Bulk 线程池和队列
- 客户端
- 单个bulk请求体的数据量不要太大，官方建议大约5-15m
- 写入端的 bulk请求超时需要足够长，建议60s 以上
- 写入端尽量将数据轮询打到不同节点
- 服务器端
- 索引创建属于计算密集型任务，应该使用固定大小的线程池来配置。来不及处理的放入队列，线程数应该配置成CPU核心数+1，避免过多的上下文切换
- 队列大小可以适当增加，不要过大，否则占用的内存会成为GC的负担
DELETE myindex
PUT myindex
{
"settings": {
"index": {
"refresh_interval": "30s", #30s一次refresh
"number_of_shards": "2"
},
"routing": {
"allocation": {
"total_shards_per_node": "3" #控制分片，避免数据热点
}
},
"translog": {
"sync_interval": "30s",
"durability": "async" #降低translog落盘频率
},
"number_of_replicas": 0
},
"mappings": {
"dynamic": false, #避免不必要的字段索引，必要时可以通过update by query索引必要的字段
"properties": {}
}
}
学习总结
- 学习了ES的预处理器
- 弄明白了ES的读写流程，以及ES写原理