一文读懂ElasticSearch底层原理

一、ES基本概念介绍

1.ES简介

ES是一个分布式、可扩展的、近实时的，有数据搜索、分析与存储的引擎。支持全文搜索、结构化搜索、半结构化搜索、数据分析、地理位置和对象间关联关系搜索等功能。

近实时：非实时，数据不是实时最新的。

其底层基于Lucene，但Lucene比较复杂，面向普通应用开发者而言，易用性不是很好，同时对于目前的主流分布式架构支持也不好，所以就诞生了ES。

ES使用Java编写，它的内部使用Lucene做索引与搜索，隐藏了Lucene的复杂性，面向开发者暴露了即使不同编程语言也基本一致的API和Client，方便大家将搜索功能快速植入到日常应用中。

2.ES使用场景

（1）全文检索

ES的主要应用场景之一，类似于Google搜索，百度搜索和维基百科等，对全文关键字进行检索。

（2）日志分析

海量数据进行近实时的处理，对复杂的日志进行分析，得到我们想要的结果

（3）复杂条件查询

数据量很大，又需要各种条件查询，实时的返回查询数据结果，如管理后台

（4）相似搜索，模糊匹配，地理位置聚合等

3.ES基本概念

（1）文档（Document）

是在ES中可以被索引的基本单位，以JSON标识，类似于关系数据库中的一行

（2）类型（Type）

表示一类相似的文档，作为一个元数据来实现逻辑划分，类似于关系数据库中的表

（3）索引（Index）

索引是具有相似特征的文档的集合，类似于关系数据库中的数据库。

4.ES的节点、分片

默认情况下，每个索引由5个主要分片组成，每份主要分片又有一个副本，一共10个分片。

分片是ES所处理的最小单元，一份分片是Lucene的索引，包含倒排索引的文件目录，分片仅保存了全部数据中的一部分。

副本分片是主分片的拷贝，副本分片作为硬件故障时数据的备份，并为搜索和返回文档等读操作提供服务。副本分片可以提高可用性和性能。

默认的，文档在分片上均匀分布，通过文档ID字符串的散列决定分布到哪个分片，每份分片拥有相同的散列范围，接收新文档的机会均等。一旦目标分片确定，接收请求的节点将文档转发到该分片所在的节点，随后索引操作在所有目标分片的所有副本分片中进行。

写索引只能写在主分片上，然后同步到副本分片，ES写入哪个分片是由文档ID的hash值决定的，公式如下：

shard = hash(routing) % number_of_primary_shards

一次文档写入流程大致如下：

（1）客户端向节点2（协调节点）发送写请求，通过路由计算公式得到分片值为0，则文档应该写到主分片0上

（2）协调节点将请求转发到分片0所在的节点1上，节点1接收请求并写入到磁盘

（3）并发将数据复制到节点2的副本分片0（节点2上的0分片为副本分片）上，通过锁解决数据冲突，一旦所有副本都报告成功，则节点1向协调节点报告成功，协调节点向客户端报告成功。

5.倒排索引

倒排索引是一种类似于HashMap的数据结构，不会直接存储字符串，而是将每个文档拆分为单个搜索词，然后将每个搜索词映射到这些搜索词出现过的文档。

id	content
1	elasticsearch in action
2	redis in action

如上表标识我们关系型数据库中的两条数据，转变为倒排索引的形式则为（词频主要是查询时打分使用）：

content	id	词频
elasticsearch	1	id1->1次
redis	2	id2->1次
in	1,2	id1->1次 id2->1次
action	1,2	id1->1次 id2->1次

二、分析数据

分析是在文档发送并加入倒排索引之前，ES在其主体上进行的操作。在文档被加入索引之前，ES让每个被分析字段经过一系列的处理步骤。

（1）字符过滤：使用字符过滤器转变为字符

（2）文本切分：将文本切分为单个或多个分词

（3）分词过滤：使用分词过滤器转变每个分词

（4）分词索引：将这些分词存储到索引中

三、数据写入

数据的写入最终是要写到ES磁盘上，但是如果每次写数据都直接更新磁盘，磁盘的I/O消耗会非常应用性能，当写数据量大的时候就会造成ES停顿卡死，查询也会受到严重影响，ES就无法成为近实时搜索引擎了。

1.分段存储

索引文件被拆分为多个子文件，每个子文件叫做段。

每一个段本身都是一个倒排索引，并且段具有不变性，一旦索引的数据被写入磁盘，就不可再修改。在底层采用了分段的存储模式，使它在读写时几乎完全避免了锁的出现，大大提升了读写性能。

段被写入到磁盘后会生成一个提交点，提交点是一个用来记录所有提交后 段信息的文件。一个段一旦拥有了提交点，就说明这个段只有读的权限，失去了写的权限。相反，当段在内存中时，就只有写的权限，而不具备读数据的权限，意味着不能被检索。

索引文件分段存储并且不可修改，那么新增、更新和删除如何处理呢？

（1）新增：数据是新的，所以只需要对当前文档新增一个段就可以了

（2）删除：由于不可修改，所以对于删除操作，不会把文档从旧的段中移除而是通过新增一个.del文件，文件中会列出这些被删除文档的段信息。这个被标记删除的文档仍然可以被查询匹配到，但它会在最终结果被返回前从结果集中移除。

（3）更新：不能修改旧的段来反映文档的更新，其实更新相当于是由删除和新增这两个动作组成。会将旧的文档会标记.del文件，然后文档的新版本被索引到一个新的段中。可能两个版本的文档都会被一个查询匹配到，但被删除的那个旧版本文档在结果集返回前就会被移除。

2.刷新（refresh)

每当有新增的数据时，就将其先写入到内存中，在内存和磁盘之间是文件系统缓存（以下操作都是在文件系统缓存中进行），当达到默认的时间（1秒钟）或者内存的数据达到一定量时，会触发一次刷新（refresh)，将内存中的数据生成到一个新的段上并缓存到文件缓存系统上，稍后再被刷新到磁盘中并生成提交点。

  -》 

如上，数据会优先写入到内存缓存中，此时新写入的数据还不可以被检索，这也是为什么ES被称为近实时检索的原因，随着数据不断写入，ES会将内存缓存中的数据刷新到一个新的段中，这时新写的数据就可以被检索了。

3.冲刷（flush）

将内存中的分段提交到磁盘的过程叫做冲刷，在数据没有冲刷到磁盘之前，此时新写入的数据还在内存中，如果这时系统断电或者出现宕机异常，如果保证数据不会丢失？

ES增加了一个translog，或者叫事务日志，在每一次对ES进行操作时均进行了日志记录。

数据refresh的时候，内存中的缓存数据被请求，但是事务日志不会。

数据flush到磁盘之后，段被全量提交到磁盘，事务日志被清空。

当满足以下条件之一就会触发刷新操作。

（1）内存缓冲区已满

（2）自上次flush后超过了一定的时间

（3）事务日志达到了一定的阈值

4.段合并（merge）

段合并主要有两个目的：将分段的总数量保持在受控的范围内，保障查询的性能，因为每个搜索请求都必须轮流检查每个段，所以段越多，搜索也就越慢。第二个是真正的删除文档。

合并的最终目的是提升搜索的性能并均衡I/O和CPU计算能力。

合并发生在写入、更新或删除文档的时候，所以合并的越多，更新操作的成本就越高。

四、数据查询

1.索引优化

ES为了能快速找到某个term，先将所有的term排个序，然后根据二分法查找term，时间复杂度为logN，就像通过字典查找一样，这就是term dictionary。现在再看起来，似乎和传统数据库通过B-Tree的方式类似。

但是如果term太多，term dictionary也会很大，放内存不现实，于是有了term index，就像字典里的索引页一样，A开头的有哪些term，分别在哪页，可以理解term index是一棵树。这棵树不会包含所有的term，它包含的是term的一些前缀。通过term index可以快速地定位到term dictionary的某个offset，然后从这个位置再往后顺序查找。

2.FST压缩

为了让内存中可以存储更多数据，ES在内存中用FST方式压缩term index，FST有两个优点：

（1）空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间

（2）查询速度快。O(len(str))的查询时间复杂度

FST压缩率一般在3倍~20倍之间，相对于TreeMap/HashMap的膨胀3倍，内存节省就有9倍到60倍。

3.打分机制

ES使用搜索词条的频率以及它有多常见来影响得分，简单介绍为：一个词条出现在某个文档中的次数越多，就越相关；但是如果该词条出现在不同文档的次数越多，就越不相关。这一点称为TF-IDF（TF是词频，IDF是逆文档频率）。

比如搜索词条“the score”，单词the几乎出现在所有文档中，所有the不重要，如果不适用逆文档频率，那么the关键词将覆盖单词score的频率。

五、其他

1.Master选举

集群中可能会有多个可以成为，此时就要进行master选举，保证只有一个当选master。如果有多个node当选为master，则集群会出现脑裂，脑裂会破坏数据的一致性，导致集群行为不可控，产生各种非预期的影响。

为了避免产生脑裂，ES采用了常见的分布式系统思路，投票机制，保证选举出的master被多数节点认可，以此来保证只有一个master。配置名称：discovery.zen.minimum_master_nodes，为了避免脑裂，这个配置一般配置为sum(node)/2+1，保证超过一半的节点投票了主节点。

2.选举谁

public static int compare(MasterCandidate c1, MasterCandidate c2) {
    // we explicitly swap c1 and c2 here. the code expects "better" is lower in a sorted
    // list, so if c2 has a higher cluster state version, it needs to come first.
    int ret = Long.compare(c2.clusterStateVersion, c1.clusterStateVersion);
    if (ret == 0) {
        ret = compareNodes(c1.getNode(), c2.getNode());
    }
    return ret;
}

如上面源码所示，先根据节点的clusterStateVersion比较，clusterStateVersion越大，优先级越高。clusterStateVersion相同时，进入compareNodes，其内部按照节点的Id比较(Id为节点第一次启动时随机生成)。

为什么要有排序逻辑，主要是避免每次选举的节点不一致，导致达不到minimum_master_nodes数量，不要出现都想当master而选不出来的情况。

3.怎么保证不脑裂

基本原则还是多数派的策略，如果必须得到多数派的认可才能成为Master，那么显然不可能有两个Master都得到多数派的认可。

上述流程中，master候选人需要等待多数派节点进行join后才能真正成为master，就是为了保证这个master得到了多数派的认可。上述流程在绝大部份场景下没问题，听上去也非常合理，但是却是有bug的。

因为上述流程并没有限制在选举过程中，一个Node只能投一票，那么什么场景下会投两票呢？比如Node_B投Node_A一票，但是Node_A迟迟不成为Master，Node_B等不及了发起了下一轮选主，这时候发现集群里多了个Node_0，Node_0优先级比Node_A还高，那Node_B肯定就改投Node_0了。假设Node_0和Node_A都处在等选票的环节，那显然这时候Node_B其实发挥了两票的作用，而且投给了不同的人。

那么这种问题应该怎么解决呢，比如raft算法中就引入了选举周期(term)的概念，保证了每个选举周期中每个成员只能投一票，如果需要再投就会进入下一个选举周期，term+1。假如最后出现两个节点都认为自己是master，那么肯定有一个term要大于另一个的term，而且因为两个term都收集到了多数派的选票，所以多数节点的term是较大的那个，保证了term小的master不可能commit任何状态变更(commit需要多数派节点先持久化日志成功，由于有term检测，不可能达到多数派持久化条件)。这就保证了集群的状态变更总是一致的。

4.批量操作提升性能

Elasticssearch提供批量操作（插入，更新，删除），批量操作的API是_bulk,此功能非常强大，因为它提供了一种非常有效的机制，可以尽可能快地进行多个操作，并尽可能少地进行网络往返。批量查询使用mget。