「掃盲」Elasticsearch

時間 2020-01-22

標籤掃盲 elasticsearch 欄目日誌分析简体版

原文原文鏈接

前言

只有光頭才能變強。
文本已收錄至個人GitHub精選文章，歡迎Star：https://github.com/ZhongFuCheng3y/3yhtml

不知道你們的公司用Elasticsearch多很少，反正我公司的是有在用的。平時聽同事們聊天確定避免不了不認識的技術棧，例如說：把數據放在引擎，從引擎取出數據等等。java

若是對引擎不瞭解的同窗，就壓根聽不懂他們在說什麼（我就是聽不懂的一位，扎心了）。引擎通常指的是搜索引擎，如今用得比較多的就是Elasticsearch。node

這篇文章主要是對Elasticsearch一個簡單的入門，沒有高深的知識和使用。至少我想作到的是：之後同事們聊引擎了，至少知道他們在講什麼。git

什麼是Elasticsearch？

Elasticsearch is a real-time, distributed storage, search, and analytics engine

Elasticsearch 是一個實時的分佈式存儲、搜索、分析的引擎。github

介紹那兒有幾個關鍵字：算法

實時
分佈式
搜索
分析

因而咱們就得知道Elasticsearch是怎麼作到實時的，Elasticsearch的架構是怎麼樣的（分佈式）。存儲、搜索和分析（得知道Elasticsearch是怎麼存儲、搜索和分析的）sql

這些問題在這篇文章中都會有說起。
我已經寫了200多篇原創技術文章了，後續會寫大數據相關的文章，若是想看我其餘文章的同窗，不妨關注我吧。公衆號：Java3y數據庫

若是以爲我這篇文章還不錯，對你有幫助，不要吝嗇本身的贊！緩存

爲何要用Elasticsearch

在學習一項技術以前，必須先要了解爲何要使用這項技術。因此，爲何要使用Elasticsearch呢？咱們在平常開發中，數據庫也能作到（實時、存儲、搜索、分析）。性能優化

相對於數據庫，Elasticsearch的強大之處就是能夠模糊查詢。

有的同窗可能就會說：我數據庫怎麼就不能模糊查詢了？？我反手就給你寫一個SQL：

select * from user where name like '%公衆號Java3y%'

這不就能夠把公衆號Java3y相關的內容搜索出來了嗎？

的確，這樣作的確能夠。可是要明白的是：name like %Java3y%這類的查詢是不走索引的，不走索引意味着：只要你的數據庫的量很大（1億條），你的查詢確定會是秒級別的

若是對數據庫索引還不是很瞭解的同窗，建議復看一下我之前的文章。我以爲我當時寫得還不賴（哈哈哈）
GitHub搜關鍵字：」索引「

並且，即使給你從數據庫根據模糊匹配查出相應的記錄了，那每每會返回大量的數據給你，每每你須要的數據量並無這麼多，可能50條記錄就足夠了。

還有一個就是：用戶輸入的內容每每並無這麼的精確，好比我從Google輸入ElastcSeach（打錯字），可是Google仍是能估算我想輸入的是Elasticsearch

而Elasticsearch是專門作搜索的，就是爲了解決上面所講的問題而生的，換句話說：

Elasticsearch對模糊搜索很是擅長（搜索速度很快）
從Elasticsearch搜索到的數據能夠根據評分過濾掉大部分的，只要返回評分高的給用戶就行了（原生就支持排序）
沒有那麼準確的關鍵字也能搜出相關的結果（能匹配有相關性的記錄）

下面咱們就來學學爲何Elasticsearch能夠作到上面的幾點。

Elasticsearch的數據結構

衆所周知，你要在查詢的時候花得更少的時間，你就須要知道他的底層數據結構是怎麼樣的；舉個例子：

樹型的查找時間複雜度通常是O(logn)
鏈表的查找時間複雜度通常是O(n)
哈希表的查找時間複雜度通常是O(1)
....不一樣的數據結構所花的時間每每不同，你想要查找的時候要快，就須要有底層的數據結構支持

從上面說Elasticsearch的模糊查詢速度很快，那Elasticsearch的底層數據結構是什麼呢？咱們來看看。

咱們根據「完整的條件」查找一條記錄叫作正向索引；咱們一本書的章節目錄就是正向索引，經過章節名稱就找到對應的頁碼。

首先咱們得知道爲何Elasticsearch爲何能夠實現快速的「模糊匹配」/「相關性查詢」，其實是你寫入數據到Elasticsearch的時候會進行分詞。

仍是以上圖爲例，上圖出現了4次「算法」這個詞，咱們能不能根據此次詞爲它找他對應的目錄？Elasticsearch正是這樣乾的，若是咱們根據上圖來作這個事，會獲得相似這樣的結果：

算法 ->2,13,42,56

這表明着「算法」這個詞確定是在第二頁、第十三頁、第四十二頁、第五十六頁出現過。這種根據某個詞(不完整的條件)再查找對應記錄，叫作倒排索引。

再看下面的圖，好好體會一下：

衆所周知，世界上有這麼多的語言，那Elasticsearch怎麼切分這些詞呢？，Elasticsearch內置了一些分詞器

Standard Analyzer 。按詞切分，將詞小寫
Simple Analyzer。按非字母過濾（符號被過濾掉），將詞小寫
WhitespaceAnalyzer。按照空格切分，不轉小寫
....等等等

Elasticsearch分詞器主要由三部分組成：

􏱀􏰉􏰂􏰈􏰂􏰆􏰄Character Filters（文本過濾器，去除HTML）
Tokenizer（按照規則切分，好比空格）
TokenFilter（將切分後的詞進行處理，好比轉成小寫）

顯然，Elasticsearch是老外寫的，內置的分詞器都是英文類的，而咱們用戶搜索的時候每每搜的是中文，如今中文分詞器用得最多的就是IK。

扯了一大堆，那Elasticsearch的數據結構是怎麼樣的呢？看下面的圖：

咱們輸入一段文字，Elasticsearch會根據分詞器對咱們的那段文字進行分詞（也就是圖上所看到的Ada/Allen/Sara..)，這些分詞彙總起來咱們叫作Term Dictionary，而咱們須要經過分詞找到對應的記錄，這些文檔ID保存在PostingList

在Term Dictionary中的詞因爲是很是很是多的，因此咱們會爲其進行排序，等要查找的時候就能夠經過二分來查，不須要遍歷整個Term Dictionary

因爲Term Dictionary的詞實在太多了，不可能把Term Dictionary全部的詞都放在內存中，因而Elasticsearch還抽了一層叫作Term Index，這層只存儲部分 詞的前綴，Term Index會存在內存中（檢索會特別快）

Term Index在內存中是以FST（Finite State Transducers）的形式保存的，其特色是很是節省內存。FST有兩個優勢：

1）空間佔用小。經過對詞典中單詞前綴和後綴的重複利用，壓縮了存儲空間；
2）查詢速度快。O(len(str))的查詢時間複雜度。

前面講到了Term Index是存儲在內存中的，且Elasticsearch用FST（Finite State Transducers）的形式保存（節省內存空間）。Term Dictionary在Elasticsearch也是爲他進行排序（查找的時候方便），其實PostingList也有對應的優化。

PostingList會使用Frame Of Reference（FOR）編碼技術對裏邊的數據進行壓縮，節約磁盤空間。

PostingList裏邊存的是文檔ID，咱們查的時候每每須要對這些文檔ID作交集和並集的操做（好比在多條件查詢時)，PostingList使用Roaring Bitmaps來對文檔ID進行交併集操做。

使用Roaring Bitmaps的好處就是能夠節省空間和快速得出交併集的結果。

因此到這裏咱們總結一下Elasticsearch的數據結構有什麼特色：

Elasticsearch的術語和架構

從官網的介紹咱們已經知道Elasticsearch是分佈式存儲的，若是看過個人文章的同窗，對分佈式這個概念應該不陌生了。

若是對分佈式還不是很瞭解的同窗，建議復看一下我之前的文章。我以爲我當時寫得還不賴（哈哈哈）
GitHub搜關鍵字：」SpringCloud「,"Zookeeper","Kafka","單點登陸"

在講解Elasticsearch的架構以前，首先咱們得了解一下Elasticsearch的一些常見術語。

Index：Elasticsearch的Index至關於數據庫的Table
Type：這個在新的Elasticsearch版本已經廢除（在之前的Elasticsearch版本，一個Index下支持多個Type--有點相似於消息隊列一個topic下多個group的概念）
Document：Document至關於數據庫的一行記錄
Field：至關於數據庫的Column的概念
Mapping：至關於數據庫的Schema的概念
DSL：至關於數據庫的SQL（給咱們讀取Elasticsearch數據的API）

相信你們看完上面的對比圖，對Elasticsearch的一些術語就不難理解了。那Elasticsearch的架構是怎麼樣的呢？下面咱們來看看：

一個Elasticsearch集羣會有多個Elasticsearch節點，所謂節點實際上就是運行着Elasticsearch進程的機器。

在衆多的節點中，其中會有一個Master Node，它主要負責維護索引元數據、負責切換主分片和副本分片身份等工做（後面會講到分片的概念），若是主節點掛了，會選舉出一個新的主節點。

從上面咱們也已經得知，Elasticsearch最外層的是Index（至關於數據庫表的概念）；一個Index的數據咱們能夠分發到不一樣的Node上進行存儲，這個操做就叫作分片。

好比如今我集羣裏邊有4個節點，我如今有一個Index，想將這個Index在4個節點上存儲，那咱們能夠設置爲4個分片。這4個分片的數據合起來就是Index的數據

爲何要分片？緣由也很簡單：

若是一個Index的數據量太大，只有一個分片，那隻會在一個節點上存儲，隨着數據量的增加，一個節點未必能把一個Index存儲下來。
多個分片，在寫入或查詢的時候就能夠並行操做（從各個節點中讀寫數據，提升吞吐量）

如今問題來了，若是某個節點掛了，那部分數據就丟了嗎？顯然Elasticsearch也會想到這個問題，因此分片會有主分片和副本分片之分（爲了實現高可用）

數據寫入的時候是寫到主分片，副本分片會複製主分片的數據，讀取的時候主分片和副本分片均可以讀。

Index須要分爲多少個分片和副本分片都是能夠經過配置設置的

若是某個節點掛了，前面所提升的Master Node就會把對應的副本分片提拔爲主分片，這樣即使節點掛了，數據就不會丟。

到這裏咱們能夠簡單總結一下Elasticsearch的架構了：

Elasticsearch 寫入的流程

上面咱們已經知道當咱們向Elasticsearch寫入數據的時候，是寫到主分片上的，咱們能夠了解更多的細節。

客戶端寫入一條數據，到Elasticsearch集羣裏邊就是由節點來處理此次請求：

集羣上的每一個節點都是coordinating node（協調節點），協調節點代表這個節點能夠作路由。好比節點1接收到了請求，但發現這個請求的數據應該是由節點2處理（由於主分片在節點2上），因此會把請求轉發到節點2上。

coodinate（協調）節點經過hash算法能夠計算出是在哪一個主分片上，而後路由到對應的節點
shard = hash(document_id) % (num_of_primary_shards)

路由到對應的節點以及對應的主分片時，會作如下的事：

將數據寫到內存緩存區
而後將數據寫到translog緩存區
每隔1s數據從buffer中refresh到FileSystemCache中，生成segment文件，一旦生成segment文件，就能經過索引查詢到了
refresh完，memory buffer就清空了。
每隔5s中，translog 從buffer flush到磁盤中
按期/定量從FileSystemCache中,結合translog內容flush index到磁盤中。

解釋一下：

Elasticsearch會把數據先寫入內存緩衝區，而後每隔1s刷新到文件系統緩存區（當數據被刷新到文件系統緩衝區之後，數據才能夠被檢索到）。因此：Elasticsearch寫入的數據須要1s才能查詢到
爲了防止節點宕機，內存中的數據丟失，Elasticsearch會另寫一份數據到日誌文件上，但最開始的仍是寫到內存緩衝區，每隔5s纔會將緩衝區的刷到磁盤中。因此：Elasticsearch某個節點若是掛了，可能會形成有5s的數據丟失。
等到磁盤上的translog文件大到必定程度或者超過了30分鐘，會觸發commit操做，將內存中的segement文件異步刷到磁盤中，完成持久化操做。

說白了就是：寫內存緩衝區（定時去生成segement，生成translog），可以讓數據能被索引、被持久化。最後經過commit完成一次的持久化。

等主分片寫完了之後，會將數據並行發送到副本集節點上，等到全部的節點寫入成功就返回ack給協調節點，協調節點返回ack給客戶端，完成一次的寫入。

Elasticsearch更新和刪除

Elasticsearch的更新和刪除操做流程：

給對應的doc記錄打上.del標識，若是是刪除操做就打上delete狀態，若是是更新操做就把原來的doc標誌爲delete，而後從新新寫入一條數據

前面提到了，每隔1s會生成一個segement 文件，那segement文件會愈來愈多愈來愈多。Elasticsearch會有一個merge任務，會將多個segement文件合併成一個segement文件。

在合併的過程當中，會把帶有delete狀態的doc給物理刪除掉。

Elasticsearch查詢

查詢咱們最簡單的方式能夠分爲兩種：

根據ID查詢doc
根據query（搜索詞）去查詢匹配的doc

public TopDocs search(Query query, int n);
public Document doc(int docID);

根據ID去查詢具體的doc的流程是：

檢索內存的Translog文件
檢索硬盤的Translog文件
檢索硬盤的Segement文件

根據query去匹配doc的流程是：

同時去查詢內存和硬盤的Segement文件

從上面所講的寫入流程，咱們就能夠知道：Get（經過ID去查Doc是實時的），Query（經過query去匹配Doc是近實時的）

由於segement文件是每隔一秒才生成一次的

Elasticsearch查詢又分能夠爲三個階段：

QUERY_AND_FETCH（查詢完就返回整個Doc內容）
QUERY_THEN_FETCH（先查詢出對應的Doc id ，而後再根據Doc id 匹配去對應的文檔）
DFS_QUERY_THEN_FETCH（先算分，再查詢）
- 「這裏的分指的是 詞頻率和文檔的頻率（Term Frequency、Document Frequency）衆所周知，出現頻率越高，相關性就更強」