深入解析Elasticsearch的内部数据结构和机制：行存储、列存储与倒排索引之行存（一）

在当今的大数据时代，高效的数据检索和分析能力已成为许多应用程序的核心需求。Elasticsearch，作为一款强大的分布式搜索和分析引擎，正是为了满足这些需求而诞生的。它之所以能够在海量数据中实现毫秒级的搜索响应，以及灵活的数据分析，要归功于其内部精妙的数据结构和机制。本文将详细探讨Elasticsearch中的行存储（Stored Fields）、列存储（Doc Values）和倒排索引（Inverted Index）这三种关键组件，并解释它们是如何协同工作的。

1 什么是行存

在Lucene中索引文档时，原始字段信息经过分词、转换处理后形成倒排索引，而原始内容本身并不直接保留。因此，为了检索时能够获取到字段的原始值，我们需要依赖额外的数据结构。Lucene提供了两种解决方案：Stored Field和doc_values。

Stored Field的设计初衷就是为了存储那些未经分词的字段原始值。这样，在执行查询操作时，除了能够获取到文档ID之外，我们还能够方便地检索到这些原始字段信息。

es中每个文档都被视为一个JSON对象，包含多个字段。当文档被索引时，其原始数据或特定字段可以被存储在es中，以便后续能够检索到原始的字段值。这种存储方式类似于传统的行存储数据库，因为它存储了每个文档的所有字段。

然而，需要注意的是，es并不建议大量使用Stored Fields。这是因为存储原始字段值会增加磁盘使用量，并可能降低性能。相反，es更倾向于使用Doc Values和倒排索引来高效地检索和分析数据。因此，Stored Fields通常只用于存储那些需要在搜索结果中直接返回的字段。

2 使用场景

那么，什么时候应该使用Stored Fields呢？

• 需要返回原始字段值：如果你的应用程序需要在搜索结果中返回文档的原始字段值，那么你应该将这些字段设置为Stored Fields。例如，你可能需要显示给用户文档的标题、描述或内容等字段。
• 不支持Doc Values的字段类型：并非所有字段类型都支持Doc Values。对于那些不支持Doc Values的字段类型，如果你需要在搜索结果中返回这些字段的值，那么你需要将它们设置为Stored Fields。

3 如何使用

可以通过映射（Mapping）来定义哪些字段应该被存储为Stored Fields。映射是定义文档结构和字段属性的过程。

3.1 定义store字段

PUT order
{
   "mappings": {
      "_doc": {
         "properties": {
            "counter": {
               "type": "integer",
               "store": false        //默认值就是false
            },
            "tags": {
               "type": "keyword",
               "store": true      //修改值为true
            }
         }
      }
   }
}

我们创建了一个名为order的索引，并定义了两个字段：counter和tags。我们将tags字段的store属性设置为true，这意味着tags字段的值将被存储为Stored Fields。而counter字段的store属性设置为false，表示不存储该字段的值。

3.2 添加 document

PUT order/_doc/1
{
    "counter" : 1,
    "tags" : ["red"]
}

3.3 尝试带stored_fields参数去检索

GET twitter/_doc/1?stored_fields=tags,counter

以上get操作的结果是：

{
   "_index": "twitter",
   "_type": "tweet",
   "_id": "1",
   "_version": 1,
   "found": true,
   "fields": {           //此时多了名称为fields的字段，并且没有了_source
      "tags": [          //tags的stroe属性设置为true，因此显示在结果中
         "red"
      ]
   }
}

从 document 中获取的字段的值通常是array。
由于counter字段没有存储，当尝试获取stored_fields时get会将其忽略。

在Elasticsearch中，不论将字段的store属性设置为true还是false，这些字段都会被存储。但存储的方式有所不同：

• 当store设置为false时（这是默认配置），字段值仅存储在文档的_source字段中。这意味着，字段值作为整个文档JSON结构体的一部分被保存。
• 当store设置为true时，字段值不仅存储在_source字段中，还会被单独存储在一个与_source平级的独立字段中。这样，该字段就有了两份拷贝：一份在_source中，另一份在独立的字段中。

那么，在什么情况下需要将字段的store属性设置为true呢？通常有两种情况：

• _source字段在索引的映射中被禁用（disabled）
  在这种情况下，如果某个字段没有被定义为store=true，那么该字段将不会出现在查询结果中。因此，为了确保能够在查询结果中访问这些字段，需要将其设置为store=true。
• _source字段的内容非常大
  当文档包含大量数据时，例如一本书的内容，而查询时只需要访问其中的部分字段（如标题和日期），而不是整个_source字段，那么将这些字段设置为store=true可以提高查询效率。这样做可以避免在查询时解释整个_source字段，从而减少开销。当然，另一种选择是使用source filtering来减少网络开销，但将特定字段设置为store=true也是一种有效的优化方法。

4 行存储与_source字段

行存储中，占比最大的通常是_source字段，它负责保存文档的原始数据。在数据写入阶段，Elasticsearch会将整个文档的JSON结构体作为字符串存储在_source字段中。在查询时，我们可以通过_source字段检索到原始写入的完整JSON结构体。

{
    "_index": "order",
    "_type": "_doc",
    "_id": "1",
    "_version": 1,
    "_seq_no": 0,
    "_primary_term": 1,
    "found": true,
    "_source": {      //默认查询数据，返回的属性字段都在_source中
        "user": "kimchy",
        "post_date": "2009-11-15T14:12:12",
        "message": "trying out Elasticsearch"
    }
}

_source字段：

• _source字段的角色：在Elasticsearch中，每个索引的文档都有一个特殊的字段叫做_source。这个字段包含了文档的原始JSON表示。当你索引一个文档时，Elasticsearch会将这个文档的JSON形式存储为_source字段的内容。这意味着，无论你的文档包含什么字段（例如，标题、描述、日期等），它们都会被打包进这个_source字段中。
• 存储与检索：由于_source字段存储了文档的完整原始数据，因此它通常是索引中最大的字段之一。当你执行一个检索操作时，Elasticsearch默认会返回匹配文档的_source字段，从而允许你访问到文档的原始数据。
• 用途：拥有文档的原始数据非常有用，特别是在你需要重新构建文档的上下文时（例如，在搜索结果中显示文档的内容）。此外，许多Elasticsearch的功能，如高亮显示或字段提取，都依赖于_source字段的内容。

优化_source字段的使用：

• 关闭_source：如果你确定不需要文档的原始数据，可以在索引的映射中关闭_source字段的存储。这样做可以节省存储空间并提高索引速度。然而，这样做有一个重要的限制：关闭_source字段后，你将无法使用update、update_by_query和reindex等API，因为这些操作需要访问文档的原始数据。
• 包含/排除字段：另一种优化方法是选择性地包含或排除_source字段中的某些数据。例如，你可能只想存储文档的某些关键字段，而不是整个JSON结构体。这可以通过在索引文档时使用特定的参数或在映射中定义_source字段的包含/排除规则来实现。

注意事项：

• 在决定关闭_source字段或修改其包含的内容之前，务必仔细考虑你的应用程序的需求。如果你在未来需要使用文档的原始数据，或者需要使用依赖于_source字段的Elasticsearch功能，那么关闭或修改_source字段可能会导致问题。
• 尽管关闭_source字段可以节省存储空间，但这通常不是优化Elasticsearch性能的首选方法。在大多数情况下，通过优化查询、选择合适的分析器、合理设置映射和使用硬件资源等方式，可以获得更好的性能提升。

5 总结

行存储有几个重要的优点：

• 完整性：由于_source字段存储了文档的完整原始数据，因此可以重新构建文档的上下文，这对于搜索结果展示、高亮显示等功能至关重要。
• 灵活性：拥有文档的原始数据使得ES能够提供多种功能，如字段提取、动态映射更改等，这些功能都依赖于_source字段的内容。
• 便于调试：对于开发者而言，能够直接访问文档的原始数据有助于调试和验证索引的正确性。

然而，行存储也有一些潜在的开销和限制：

• 存储成本：由于每个文档的完整原始数据都被存储在索引中，这可能会增加存储空间的需求，尤其是对于大量文档或大型文档而言。
• 写入性能：在写入大量文档时，将每个文档的完整JSON结构体存储到_source字段可能会对写入性能产生一定的影响。

在使用ES时，开发者需要根据具体的应用场景和需求来权衡行存储的利弊，并合理地配置和优化索引结构。例如，在某些场景下，可能只需要存储文档的部分字段而不是完整的JSON结构体，这可以通过在映射中关闭_source字段或只包含必要的字段来实现。然而，需要注意的是，关闭_source字段后将无法使用依赖于_source字段的ES功能，如更新、重新索引等。因此，在做出决策时需要仔细考虑。