ElasticSearch

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口

优势

安装

使用 docker

docker run elasticsearch:7.3.1
docker network create somenetwork;docker run -d --name elasticsearch --net somenetwork -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:7.3.1

9300端口： ES节点之间通讯使用

9200端口： ES节点 和 外部 通讯使用

概念

stateDiagram    state "es cluster" as es_cluster {        state Node1 {            state Shard1            state Replica1            Shard1 --> Replica1        }        state Node2 {            state Shard2            state Replica2            Shard2 --> Replica2        }        state Node3 {            state Shard3            state Replica3            Shard3 --> Replica3        }        state Node4 {            state Shard4            state Replica4            Shard4 --> Replica4        }    }

数据类型

CRUD

批量API

查询

指定查询索引

语法范围
/_search集群上所有的索引
/index1/_searchindex1
/index1,index-2/_searchindex1和index2
/index*/_search以index开头的索引

基本查询

GET /索引库名/_search{    "query":{        "查询类型":{            "查询条件":"查询条件值"        }    }}

GET http://my-pc:9200/blog/hello/1

Term Query为精确查询，在搜索时会整体匹配关键字，不再将关键字分词。 

GET /shop/_search{  "_source": ["title","price"],  "query": {    "term": {      "price": 2699    }  }}
{    "query":{        "query_string":{            "default_field":"content",            "query":"内容"        }    }}

过滤

GET /shop/_search{  "_source": {    "includes":["title","price"]  },  "query": {    "term": {      "price": 2699    }  }}

排序

GET /shop/_search{  ...  "sort": [    {      "price": {        "order": "desc"      }    }  ]}

模糊查询

GET /heima/_search{  "query": {    "fuzzy": {        "title": {            "value":"appla",            "fuzziness":1        }    }  }}

term查询与全文查询

Function Score Query

可以在查询结束后，对每一个匹配的文档进行一系列的重新算分，根据新生成的分数进行排序。

Suggester

分页

深度分页问题：对于大分页或者一次查询大量文档，ES 需要计算所有之前页的数据，这会导致大量的内存和CPU使用

为了解决这个问题，可以使用 search_after ，其可以通过指定 id 参数，实现类似于 where id > ? limit xx 的功能

另外还有一个 scroll api，其可以创建一个数据的快照，实现类似于 resultset.next() 的功能。适用于需要遍历大量文档的场景

分词

分词器是专门处理分词的组件，Analyzer由三部分组成：

内置的分词器

测试分词

GET /_analyze

{  "analyzer": "standard",  "text": "中文测试分词"}

中文分词器

下载

docker run --name elasticsearch --net somenetwork -v /root/plugin:/usr/share/elasticsearch/plugins -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:7.3.1

GET http://my-pc:9200/_analyze

{  "analyzer": "ik_max_word",  "text": "中文测试分词"}

ik 的两种模式：

自定义分词器

{  "settings": {    "analysis": {      "char_filter": {        "my_char_filter": {          "type": "html_strip"        }      },      "tokenizer": {        "my_tokenizer": {          "type": "standard"        }      },      "filter": {        "my_lowercase_filter": {          "type": "lowercase"        },        "my_stop_filter": {          "type": "stop",          "stopwords": "_english_"        }      },      "analyzer": {        "my_custom_analyzer": {          "type": "custom",          "char_filter": [            "my_char_filter"          ],          "tokenizer": "my_tokenizer",          "filter": [            "my_lowercase_filter",            "my_stop_filter"          ]        }      }    }  },  "mappings": {    "properties": {      "content": {        "type": "text",        "analyzer": "my_custom_analyzer"      }    }  }}

Mapping

Mapping 类似数据库中的schema的定义，作用：

  1. 定义索引中的字段的名称
  2. 定义字段的数据类型
  3. 进行字段，倒排索引的相关配置，(Analyzed or Not Analyzed,Analyzer)

Dymaic Mapping

当向 Elasticsearch 插入一个新文档时，且文档包含的字段在索引中尚未定义时，Elasticsearch 会自动推断这些字段的数据类型，并在索引中创建相应的映射

新增加字段：

已有字段：

Mapping 配置

template

Index Template

Index Templates 可以帮助设定 Mappings 和 Settings,并按照一定的规则，自动匹配到新创建的索引之上，可以通过设定多个 template，这些设置会被合并在一起，通过指定 order 的数值，来控制合并的过程

Dymaic Template

用于在索引新文档时，自动根据字段名或字段类型来应用特定的映射规则。它可以在动态映射的基础上提供更细粒度的控制，使得可以指定某些字段的映射类型和其他属性，而不需要事先知道这些字段的名字或类型

{  "mappings": {    "dynamic_templates": [      {        "date_fields": {          "match": "date_*",          "mapping": {            "type": "date",            "format": "yyyy-MM-dd"          }        }      }    ]  }}

Search Template

允许预定义查询，并在执行时注入参数。这可以帮助简化复杂查询的重用，并提高性能和可维护性

POST _scripts/my_search_template{  "script": {    "lang": "mustache",    "source": {      "query": {        "bool": {          "must": [            {              "match": {                "title": "{{title}}"              }            },            {              "range": {                "release_date": {                  "gte": "{{start_date}}",                  "lte": "{{end_date}}"                }              }            }          ]        }      }    }  }}
POST _search/template{  "id": "my_search_template",  "params": {    "title": "Inception",    "start_date": "2010-01-01",    "end_date": "2010-12-31"  }}

Index Alias

索引别名可以通过别名实现不停机的索引切换与重建、管理索引的视图与读写权限等

POST /_alias{  "actions": [    {      "add": {        "index": "`screen_recorder_log_202406`",        "alias": "screen_log_now"      }    }  ]}

聚合

Bucket Aggregation

一些列满足特定条件的文档的集合(group by)

{  "size": 0,   "aggs": {      "group": {          "terms": {            "field": "sales_person.keyword"          }      }  }}

Metric Aggregation

一些数学运算，可以对文档字段进行统计分析(count、avg、sum)

{  "size": 0,   "aggs": {      "avg_amount": {          "avg": {            "field": "amount"          }      }  }}

Pipeline Aggregation

对其他的聚合结果进行二次聚合

POST /sales/_search{  "size": 0,  "aggs": {    "monthly_sales": {      "date_histogram": {        "field": "date",        "calendar_interval": "month"      },      "aggs": {        "total_sales": {          "sum": {            "field": "sales_amount"          }        }      }    },    "avg_monthly_sales": {      "avg_bucket": {        "buckets_path": "monthly_sales>total_sales" # 对 monthly_sales 聚合结果再进行平均      }    }  }}

作用范围

精准度问题

Elasticsearch 是一个分布式搜索引擎，其数据分布在多个分片上。当执行聚合操作时，Elasticsearch 会在每个分片上单独计算聚合结果，然后将这些结果合并。在某些情况下（特别是对于 terms 聚合），为了减少内存消耗和提高查询性能，Elasticsearch 不会从每个分片返回所有的桶，而是仅返回前 N 个桶。这可能导致最终结果中的文档计数存在一些误差

doc_count_error_upper_bound 表示返回的结果中每个桶的文档计数可能偏差的最大值。具体来说，它是一个上限值，表明在分布式聚合过程中，由于只返回部分桶可能导致的最大文档计数误差

可以通过调整 shard_size 的方式减少误差

ES集群

采用ES集群，将单个索引的分片到多个不同分布式物理机器上存储，从而可以实现高可用、容错性

架构

es 集群多个节点，会自动选举一个节点为 master 节点。master 节点宕机了，那么会重新选举一个节点为 master 节点

非 master 节点宕机了，那么会由 master 节点，让那个宕机节点上的 primary shard 的身份转移到其他机器上的 replica shard

graph LR    A[es客户端] -->|将数据写入 primary shard| B[机器1\nes进程01\nshard 01 primary\nshard 03 replica]    A -->|读| C[机器2 es进程02 shard 02 primary shard 01 replica]    A -->|读| D[机器3 es进程03 shard 03 primary shard 02 replica]        B -->|primary shard 将数据同步到 replica shard 上| C    B -->|primary shard 将数据同步到 replica shard 上| D

可以使用三个节点，将索引分成三份，每个节点存放一份primary shard，两份replica，这样就算只剩下一台节点，也能保证服务可用

分片路由

读写文档时会根据 hash 计算出文档所属的分片所在的机器，由接入节点将请求转发到分片所在的机器

索引结构

一个 Lucene 索引文件内部存放的内容：

graph TD    subgraph Term Index in Memory        A0        A1        A2        A3        A4        A5        A6        A7        A8        A0 --> A1        A1 --> A2        A1 --> A3        A2 --> A4        A3 --> A5        A5 --> A6        A5 --> A7        A7 --> A8    end    subgraph Term Dictionary        B0[block]        B1[Abc]        B2[Abd]        B3[Abdf]        B4[block]        B5[staff]        B6[straw]        B7[stick]        B8[stop]        B0 --> B1        B0 --> B2        B0 --> B3        B4 --> B5        B4 --> B6        B4 --> B7        B4 --> B8    end    subgraph Posting List        C1[[12,234,5,6,7,78,23]]        C2[[122,2364,5,26,722,78,23]]        C3[[12,234,23]]        C4[[12,23]]        C5[[178,23]]        C6[[12,234,23]]        C7[[77,34,63]]    end    A2 --> B1    A3 --> B2    A4 --> B3    A5 --> B5    A6 --> B6    A7 --> B7    A8 --> B8    B1 --> C1    B2 --> C2    B3 --> C3    B5 --> C4    B6 --> C5    B7 --> C6    B8 --> C7
graph TD    subgraph Lucene Index        Segment1[Segment 1]        Segment2[Segment 2]        Segment3[Segment 3]        Segment4[Segment 4]        CommitPoint[Commit Point]        DelFile[.del]    end    Segment1 --> CommitPoint    Segment2 --> CommitPoint    Segment3 --> CommitPoint    Segment4 --> CommitPoint    CommitPoint --> DelFile    classDef segment fill:#f9f,stroke:#333,stroke-width:2px;    class Segment1,Segment2,Segment3,Segment4 segment;    classDef commit fill:#ff9,stroke:#333,stroke-width:2px;    class CommitPoint commit;    classDef delete fill:#9ff,stroke:#333,stroke-width:2px;    class DelFile delete;    note[An ES Shard = A Lucene Index]

单个倒排索引文件被称为 Segment Segment是自包含的，不可变更的。多个Segments汇总在一起，称为Lucene的Index,其对应的就是ES中的Shard

当有新文档写入时，会生成新Segment,查询时会同时查询所有Segments,并且对结果汇总。Lucene中有一个文件，用来记录所有Segments信息，叫做Commit Point

删除的文档信息，保存在“.del”文件中

部署架构

不同节点类型所需资源：

从高可用的角度，要避免 master 与其他的节点混部

水平扩展

stateDiagram-v2  应用 --> LB  LB --> 协调节点1: 读写  LB --> 协调节点2: 读写  LB --> 协调节点3: 读写

读写分离

stateDiagram-v2  应用 --> 读LB  应用 --> 写LB  读LB --> 协调节点1: 读  读LB --> 协调节点2: 读  写LB --> 协调节点3: 写  写LB --> 协调节点4: 写

冷热分离

存放热数据的节点一般会有持续的文档写入更新，通常使用 SSD 加上较高性能的 CPU。冷数据节点使用大容量的 HDD 。

ES 可以通过 nodeattrs 标记节点类型，通过设置不同的 nodeattrs，将节点分为不同的角色，比如：

在创建或更新索引时，可以通过 settings 指定索引创建在什么节点类型上，来实现冷热分离

使用这个 nodeattr 还可以实现强制要求 shard 分布在不同的节点类型上，类似于 k8s 的节点污点

分片设计与管理

7.0 之后，默认只有一个主分片，1 个主分片可以解决算法、聚合不准的问题，但单个主分片无法实现水平扩展

理想情况，主分片数应该大于节点数，当集群增加新节点后，ES 会自动进行 rebalancing 操作。多分片如果分布在不同的节点，读写可以并行扩展，但过多的分片会带来额外的性能开销，除了每次读写要扩散到每个分片上进行读写，还有大量分片原数量给 master 带来的开销。

容量规划

核心问题：一个集群总共需要多少个节点？一个索引需要设置几个分片？规划上需要保持一定的余量，当负载出现波动，节点出现丢失时，还能正常运行

做容量规划时，一些需要考虑的因素：

数据吞吐及性能需求：

了解数据：

硬件配置：

索引拆分：

跨集群搜索

分布式查询

Elasticsearch 将索引的数据分成多个分片（shard），每个分片可以分布在不同的节点上。查询时，这些分片会独立计算相关性评分（score），然后再合并结果。这会导致评分计算时使用的信息不全，从而导致算分不准

解决这个问题的方式是将主分片设置为 1，或者使用 dfs_query_then_fetch 模式

并发控制

在更新文档时，可以通过 if_seq_no 与 if_primary_term 选项实现预期版本号与主分片的判断，实现乐观锁

数据建模

类型选择：

避免过多字段：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(Cluster State信息需要和所有的节点同步),删除或者修改数据需要reindex，默认最大字段数是1000，可以设置index.mapping.total_fields.limt限定最大字段数。

避免正则查询

避免字段控制导致聚合查询不准

对 mapping 进行管理，禁止更新删除字段，可以对 mapping 写入 meta 信息方便管理

字段设置

如不需要检索，排序和聚合分析，source的enable设置成false

如不需要检索 index设置成false

对需要检索的字段，可以通过如下配置，设定存诸粒度

如不需要排序或者聚合分析：docvalues / fielddata 设置为false

更新频繁、聚合查询频繁的 keyword 字段，尅将 eager_global_ordinals 设置为 true

嵌套对象

嵌套对象类型用于存储嵌套文档。与标准对象类型不同，嵌套对象类型的每个嵌套文档在内部都会被独立索引，从而允许进行更精确的查询，通过在创建 mapping 时指定 type 为 nested 来定义嵌套对象

嵌套查询：

GET /my_index/_search{  "query": {    "nested": {      "path": "user",      "query": {        "bool": {          "must": [            { "match": { "user.first": "Alice" }},            { "match": { "user.last": "Smith" }}          ]        }      }    }  }}

父子文档

reindex

支持把文档从一个索引复制到另一个索引，使用场景：

  1. 修改主分片数
  2. 改变 mapping 的字段类型
  3. 集群内数据迁移 / 跨集群数据迁移

数据处理

ingest pipeline

可以添加一些简单的 processor 来处理数据

painless

可以通过脚本对文档字段进行加工处理、在pipeline 中执行脚本、在reindex、update by query 中对数据进行处理

监控

ES 暴露了诸如 /_cluster/stats /_nodes/stats /{index}/_stats 等接口获取集群、索引内部的状态信息

诊断项

mindmap  root((诊断项))    集群异常类      集群颜色诊断      节点失联诊断    集群资源类      存储资源诊断      计算资源诊断      master节点高负载诊断    日常运维类      min master node合理性诊断      单节点shard个数诊断      shard合理性诊断      cluster meta变更频率诊断      data node负载高高诊断      segment合理性诊断      bulk reject 诊断      recover速度诊断      xpack 类索引过多诊断    使用规范类      mapping dynamic禁用诊断      index副本合理性诊断      正则删除禁用诊断      别名使用诊断      type合理性诊断    日志类      异常日志诊断      GC日志诊断      slow log诊断      冷数据诊断      mapping合理性诊断

健康度

索引健康：最差的分片的状态

集群健康：最差的索引的状态

分片没有被分配的原因：

  1. INDEX CREATE:创建索引导致。在索引的全部分片分配完成之前，会有短暂的red,不一定代表有问题
  2. CLUSTER RECOVER:集群重启阶段，会有这个问题
  3. INDEX_REOPEN:Open一个之前Close的索引，资源不足导致无法分配成功
  4. DANGLING INDEX IMPORTED:一个节点离开集群期间，有索引被删除。这个节点重新返回时，会导致Dangling的问题

解决无法分配的整体思路就是让无法分配的分片能被分配，如看看是不是有节点离线，或者设置了错误的副本数、以及磁盘资源不足等问题

缓存

Node Query Cache:

该节点所有 shard 共享，只缓存 filter context 的数据，使用 lru 算法，在 segement 被合并时失效

Shard Query Cache:

使用整个 JSON 查询串 作为 key，缓存每个分片的查询结果，只会缓存设置了 size = 0 的聚合查询与 suggestions 的查询结果，分片 refresh 时失效

Fielddata Cache:

缓存的是字段数据，特别是用于排序、聚合和脚本的字段数据。它通常用于 text 字段在执行这些操作时的内存中数据表示，在 segement 被合并时失效

索引管理

生命周期管理

hot -> warm -> cold -> delete

index lifecycle management：

PUT _ilm/policy/my_policy{  "policy": {    "phases": {      "hot": {        "actions": {          "rollover": {            "max_size": "50gb",            "max_age": "7d"          }        }      },      "warm": {        "min_age": "7d",        "actions": {          "shrink": {            "number_of_shards": 1          },          "allocate": {            "number_of_replicas": 1          }        }      },      "cold": {        "min_age": "30d",        "actions": {          "freeze": {}        }      },      "delete": {        "min_age": "90d",        "actions": {          "delete": {}        }      }    }  }}

es操作过程

写过程

客户端选择一个协调节点（coordinating node）发送请求，协调节点将请求转发给对应的node对应的node在primary shard上处理请求，并同步到replica shard上

批注 2020-03-19 082208

写过程原理

批注 2020-03-19 083304

  1. 写入缓存：数据首先被写入内存缓冲区（buffer）和 translog 日志文件(page cache)，这时索引尚未生成 Segment，且缓存中的数据不可被查询
  2. refresh 操作：将数据从内存缓冲区写入操作系统缓存（os cache），生成一个Segment文件并清空缓冲区。同时建立倒排索引，使数据可以被客户端访问。默认每秒执行一次refresh操作。当缓冲区占满时，也会触发refresh操作
  3. translog 刷盘：在写缓存的时候，为了避免数据丢失，还会写入到translog中，translog会定时刷盘
  4. flush 操作：每隔一段时间或数据量达到一定值会将os cache中的数据以Segment文件形式持久化到磁盘
  5. merge 操作：随着时间推移，磁盘上的Segment数量增加，需要定期进行合并

读过程

客户端选择一个协调节点（coordinating node）发送根据ID查询请求，协调节点会根据id进行哈希，得到doc所在的分片，将请求转发到对应的node

这个node然后会在primary shard与replica中使用随机轮询，进行负载均衡，返回document给协调节点

协调节点再把document返回给客户端

搜索过程

客户端发送搜索请求给协调节点，协调节点将这个请求发送给所有的shard

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

接着协调节点根据id再去查询对应的document的数据，返回给客户端

删除/更新过程

删除操作，会生成一个对应document id的.del文件，标识这个document被删除

如果是更新操作，就是将原来的 doc 标识为 deleted 状态，然后新写入一条数据

每refresh一次，会生成一个segment file，系统会定期合并这些文件，合并这些文件的时候，会物理删除标记.del的document

性能优化

写入性能

增大写吞吐量：

关闭无关的功能：

如不需要算分，norms 可以设置为 false，关闭 dynamic mapping、关闭 _source 操作减少 IO 操作，不需要搜索 index 设置成 false 等

牺牲可靠性：

减少副本数量为 0，只写主分片，可以减少 IO

牺牲搜索实时性：

增加写入时的 refresh 间隔，避免每次写入都刷缓存到 os cache

牺牲可靠性：

避免同步地、每次写请求去写 translog

PUT myindex{  "settings": {    "index": {      "refresh_interval": "30s",      "number_of_shards": "2"    },    "routing": {      "allocation": {        "total_shards_per_node": "3"      }    },    "translog": {      "sync_interval": "30s",      "durability": "async"    },    "number_of_replicas": 0  },  "mappings": {    "dynamic": false,    "properties": {}  }}

读取性能

杀手锏：filesystem cache

批注 2020-03-19 085001

在es中，doc的字段尽量只存储要被搜索的字段，这样可以节省内存，存放更多数据，做缓存效果更好

数据预热

对于一些热点数据，也要通过一些方式让它在缓存中

冷热分离

保证热点数据都在缓存里，提高系统性能

数据建模

对于一些复杂的关联，最好在应用层面就做好，对于一些太复杂的操作，比如 join/nested/parent-child 搜索都要尽量避免，性能都很差的

避免 script、避免通配符查询，使用 filter，减少不必要的算分

聚合性能优化

利用 filter 减少聚合的数据量

分片优化

一个查询需要访问所有分片，过多的分片会增加开销

分页性能优化

由于分页操作是由协调节点来完成的，所以翻页越深，性能越差解决：

合并性能优化

  1. 通过提高 refresh 来减少产生的分段数量
  2. 通过 segements_per_tier 、max_merged_segement 降低最大分段的大小，提升合并性能
  3. 使用 fore merge 降低分段数量，这个操作很耗费性能，应在没有写入、资源低峰期操作，理想情况下合成 1 个分段最好

kibana

Kibana是一个基于Node.js的Elasticsearch索引库数据统计工具，可以利用Elasticsearch的聚合功能，生成各种图表，如柱形图，线状图，饼图等。

而且还提供了操作Elasticsearch索引数据的控制台，并且提供了一定的API提示，非常有利于我们学习Elasticsearch的语法。

docker pull kibana:5.6.8 # 拉取镜像docker run -d --name kibana --net somenetwork -p 5601:5601 kibana:5.6.8 # 启动