elasticsearch簡介和倒排序索引介紹

介紹

咱們爲何要用搜索引擎？咱們的全部數據在數據庫裏面都有，並且 Oracle、SQL Server 等數據庫裏也能提供查詢檢索或者聚類分析功能，直接經過數據庫查詢不就能夠了嗎？確實，咱們大部分的查詢功能均可以經過數據庫查詢得到，若是查詢效率低下，還能夠經過建數據庫索引，優化SQL等方式進行提高效率，甚至經過引入緩存來加快數據的返回速度。若是數據量更大，就能夠分庫分表來分擔查詢壓力。

那爲何還要全文搜索引擎呢？咱們主要從如下幾個緣由分析：

• 數據類型
  全文索引搜索支持非結構化數據的搜索，能夠更好地快速搜索大量存在的任何單詞或單詞組的非結構化文本。
  例如 Google，百度類的網站搜索，它們都是根據網頁中的關鍵字生成索引，咱們在搜索的時候輸入關鍵字，它們會將該關鍵字即索引匹配到的全部網頁返回；還有常見的項目中應用日誌的搜索等等。對於這些非結構化的數據文本，關係型數據庫搜索不是能很好的支持。

• 索引的維護
  通常傳統數據庫，全文檢索都實現的很雞肋，由於通常也沒人用數據庫存文本字段。進行全文檢索須要掃描整個表，若是數據量大的話即便對SQL的語法優化，也收效甚微。創建了索引，可是維護起來也很麻煩，對於 insert 和 update 操做都會從新構建索引。

何時使用全文搜索引擎：

1. 搜索的數據對象是大量的非結構化的文本數據。
2. 文件記錄量達到數十萬或數百萬個甚至更多。
3. 支持大量基於交互式文本的查詢。
4. 需求很是靈活的全文搜索查詢。
5. 對高度相關的搜索結果的有特殊需求，可是沒有可用的關係數據庫能夠知足。
6. 對不一樣記錄類型、非文本數據操做或安全事務處理的需求相對較少的狀況。

Elasticsearch 是一個分佈式可擴展的實時搜索和分析引擎.

Elasticsearch 是一個創建在全文搜索引擎 Apache Lucene(TM) 基礎上的搜索引擎. 固然 Elasticsearch 並不只僅是 Lucene 那麼簡單，它不只包括了全文搜索功能，還能夠進行如下工做:

分佈式實時文件存儲，並將每個字段都編入索引，使其能夠被搜索。

實時分析的分佈式搜索引擎。

能夠擴展到上百臺服務器，處理PB級別的結構化或非結構化數據。

基本概念

先說Elasticsearch的文件存儲，Elasticsearch是面向文檔型數據庫，一條數據在這裏就是一個文檔，用JSON做爲文檔序列化的格式，好比下面這條用戶數據：

{"name":"John","sex":"Male","age":25,"birthDate":"1990/05/01","about":"I love to go rock climbing","interests":["sports","music"]}

用Mysql這樣的數據庫存儲就會容易想到創建一張User表，有balabala的字段等，在Elasticsearch裏這就是一個文檔，固然這個文檔會屬於一個User的類型，各類各樣的類型存在於一個索引當中。這裏有一份簡易的將Elasticsearch和關係型數據術語對照表:

關係數據庫 ⇒ 數據庫 ⇒ 表 ⇒ 行 ⇒ 列(Columns)

Elasticsearch ⇒ 索引 ⇒ 類型 ⇒ 文檔 ⇒ 字段(Fields)

一個 Elasticsearch 集羣能夠包含多個索引(數據庫)，也就是說其中包含了不少類型(表)。這些類型中包含了不少的文檔(行)，而後每一個文檔中又包含了不少的字段(列)。

Elasticsearch的交互，可使用Java API，也能夠直接使用HTTP的Restful API方式，好比咱們打算插入一條記錄，能夠簡單發送一個HTTP的請求：

PUT/megacorp/employee/1{"name":"John","sex":"Male","age":25,"about":"I love to go rock climbing","interests":["sports","music"]}

更新，查詢也是相似這樣的操做，具體操做手冊能夠參見Elasticsearch權威指南

倒排序索引

Elasticsearch最關鍵的就是提供強大的索引能力了。

Elasticsearch索引的精髓：

一切設計都是爲了提升搜索的性能

另外一層意思：爲了提升搜索的性能，不免會犧牲某些其餘方面，好比插入/更新，不然其餘數據庫不用混了:)

前面看到往Elasticsearch裏插入一條記錄，其實就是直接PUT一個json的對象，這個對象有多個fields，那麼在插入這些數據到Elasticsearch的同時，Elasticsearch還默默的爲這些字段創建索引–倒排索引，由於Elasticsearch最核心功能是搜索。

Elasticsearch是如何作到快速索引的

InfoQ那篇文章裏說Elasticsearch使用的倒排索引比關係型數據庫的B-Tree索引快，爲何呢？

什麼是B-Tree索引?

二叉樹查找效率是logN，同時插入新的節點沒必要移動所有節點，因此用樹型結構存儲索引，能同時兼顧插入和查詢的性能。

所以在這個基礎上，再結合磁盤的讀取特性(順序讀/隨機讀)，傳統關係型數據庫採用了B-Tree/B+Tree這樣的數據結構：

爲了提升查詢的效率，減小磁盤讀取次數，將多個值做爲一個數組經過連續區間存放，一次讀取多個數據，同時也下降樹的高度。

什麼是倒排索引?

繼續上面的例子，假設有這麼幾條數據(爲了簡單，去掉about, interests這兩個field):

ID	Name	Age	Sex
1	Kate	24	Female
2	John	24	Male
3	Bill	29	Male

ID是Elasticsearch自建的文檔id，那麼Elasticsearch創建的索引以下:

Name:

Term	Posting List
Kate	1
John	2
Bill	3

Age:

Term	Posting List
24	[1,2]
29	3

Sex:

Term	Posting List
Female	1
Male	[2,3]

Posting List

Elasticsearch分別爲每一個field都創建了一個倒排索引，Kate, John, 24, Female這些叫term，而[1,2]就是Posting List。Posting list就是一個int的數組，存儲了全部符合某個term的文檔id。

看到這裏，不要認爲就結束了，精彩的部分纔剛開始…

經過posting list這種索引方式彷佛能夠很快進行查找，好比要找age=24的同窗，愛回答問題的小明立刻就舉手回答：我知道，id是1，2的同窗。可是，若是這裏有上千萬的記錄呢？若是是想經過name來查找呢？

Term Dictionary

Elasticsearch爲了能快速找到某個term，將全部的term排個序，二分法查找term，logN的查找效率，就像經過字典查找同樣，這就是Term Dictionary。如今再看起來，彷佛和傳統數據庫經過B-Tree的方式相似啊，爲何說比B-Tree的查詢快呢？

Term Index

B-Tree經過減小磁盤讀取次數來提升查詢性能，Elasticsearch也是採用一樣的思路，直接經過內存查找term，不讀磁盤，可是若是term太多，term dictionary也會很大，放內存不現實，因而有了Term Index，就像字典裏的索引頁同樣，A開頭的有哪些term，分別在哪頁，能夠理解term index是一顆樹：

這棵樹不會包含全部的term，它包含的是term的一些前綴。經過term index能夠快速地定位到term dictionary的某個offset，而後從這個位置再日後順序查找。

因此term index不須要存下全部的term，而僅僅是他們的一些前綴與Term Dictionary的block之間的映射關係，再結合FST(Finite State Transducers)的壓縮技術，可使term index緩存到內存中。從term index查到對應的term dictionary的block位置以後，再去磁盤上找term，大大減小了磁盤隨機讀的次數。

這時候愛提問的小明又舉手了:」那個FST是神馬東東啊?」

假設咱們如今要將mop, moth, pop, star, stop and top(term index裏的term前綴)映射到序號：0，1，2，3，4，5(term dictionary的block位置)。最簡單的作法就是定義個Map<String, Integer>，你們找到本身的位置對應入座就行了，但從內存佔用少的角度想一想，有沒有更優的辦法呢？答案就是：FST(理論依據在此，但我相信99%的人不會認真看完的)

⭕️表示一種狀態

–>表示狀態的變化過程，上面的字母/數字表示狀態變化和權重

將單詞分紅單個字母經過⭕️和–>表示出來，0權重不顯示。若是⭕️後面出現分支，就標記權重，最後整條路徑上的權重加起來就是這個單詞對應的序號。

FSTs are finite-state machines that map a term (byte sequence) to an arbitrary output.

FST以字節的方式存儲全部的term，這種壓縮方式能夠有效的縮減存儲空間，使得term index足以放進內存，但這種方式也會致使查找時須要更多的CPU資源。

後面的更精彩，看累了的同窗能夠喝杯咖啡……

---

壓縮技巧

Elasticsearch裏除了上面說到用FST壓縮term index外，對posting list也有壓縮技巧。 小明喝完咖啡又舉手了:」posting list不是已經只存儲文檔id了嗎？還須要壓縮？」

嗯，咱們再看回最開始的例子，若是Elasticsearch須要對同窗的性別進行索引(這時傳統關係型數據庫已經哭暈在廁所……)，會怎樣？若是有上千萬個同窗，而世界上只有男/女這樣兩個性別，每一個posting list都會有至少百萬個文檔id。 Elasticsearch是如何有效的對這些文檔id壓縮的呢？

Frame Of Reference

增量編碼壓縮，將大數變小數，按字節存儲

首先，Elasticsearch要求posting list是有序的(爲了提升搜索的性能，再任性的要求也得知足)，這樣作的一個好處是方便壓縮，看下面這個圖例：

若是數學不是體育老師教的話，仍是比較容易看出來這種壓縮技巧的。

原理就是經過增量，將原來的大數變成小數僅存儲增量值，再精打細算按bit排好隊，最後經過字節存儲，而不是大大咧咧的儘管是2也是用int(4個字節)來存儲。

Roaring bitmaps

說到Roaring bitmaps，就必須先從bitmap提及。Bitmap是一種數據結構，假設有某個posting list：

[1,3,4,7,10]

對應的bitmap就是：

[1,0,1,1,0,0,1,0,0,1]

很是直觀，用0/1表示某個值是否存在，好比10這個值就對應第10位，對應的bit值是1，這樣用一個字節就能夠表明8個文檔id，舊版本(5.0以前)的Lucene就是用這樣的方式來壓縮的，但這樣的壓縮方式仍然不夠高效，若是有1億個文檔，那麼須要12.5MB的存儲空間，這僅僅是對應一個索引字段(咱們每每會有不少個索引字段)。因而有人想出了Roaring bitmaps這樣更高效的數據結構。

Bitmap的缺點是存儲空間隨着文檔個數線性增加，Roaring bitmaps須要打破這個魔咒就必定要用到某些指數特性：

將posting list按照65535爲界限分塊，好比第一塊所包含的文檔id範圍在0~65535之間，第二塊的id範圍是65536~131071，以此類推。再用<商，餘數>的組合表示每一組id，這樣每組裏的id範圍都在0~65535內了，剩下的就好辦了，既然每組id不會變得無限大，那麼咱們就能夠經過最有效的方式對這裏的id存儲。

細心的小明這時候又舉手了:」爲何是以65535爲界限?」

程序員的世界裏除了1024外，65535也是一個經典值，由於它=2^16-1，正好是用2個字節能表示的最大數，一個short的存儲單位，注意到上圖裏的最後一行「If a block has more than 4096 values, encode as a bit set, and otherwise as a simple array using 2 bytes per value」，若是是大塊，用節省點用bitset存，小塊就豪爽點，2個字節我也不計較了，用一個short[]存着方便。

那爲何用4096來區分採用數組仍是bitmap的閥值呢？

這個是從內存大小考慮的，當block塊裏元素超過4096後，用bitmap更剩空間： 採用bitmap須要的空間是恆定的: 65536/8 = 8192bytes 而若是採用short[]，所需的空間是: 2*N(N爲數組元素個數) 小明手指一掐N=4096恰好是邊界:

聯合索引

上面說了半天都是單field索引，若是多個field索引的聯合查詢，倒排索引如何知足快速查詢的要求呢？

• 利用跳錶(Skip list)的數據結構快速作「與」運算，或者
• 利用上面提到的bitset按位「與」

先看看跳錶的數據結構：

將一個有序鏈表level0，挑出其中幾個元素到level1及level2，每一個level越往上，選出來的指針元素越少，查找時依次從高level往低查找，好比55，先找到level2的31，再找到level1的47，最後找到55，一共3次查找，查找效率和2叉樹的效率至關，但也是用了必定的空間冗餘來換取的。

假設有下面三個posting list須要聯合索引：

若是使用跳錶，對最短的posting list中的每一個id，逐個在另外兩個posting list中查找看是否存在，最後獲得交集的結果。

若是使用bitset，就很直觀了，直接按位與，獲得的結果就是最後的交集。

---

總結和思考

Elasticsearch的索引思路:

將磁盤裏的東西儘可能搬進內存，減小磁盤隨機讀取次數(同時也利用磁盤順序讀特性)，結合各類奇技淫巧的壓縮算法，用及其苛刻的態度使用內存。

因此，對於使用Elasticsearch進行索引時須要注意:

• 不須要索引的字段，必定要明肯定義出來，由於默認是自動建索引的
• 一樣的道理，對於String類型的字段，不須要analysis的也須要明肯定義出來，由於默認也是會analysis的
• 選擇有規律的ID很重要，隨機性太大的ID(好比java的UUID)不利於查詢

關於最後一點，我的認爲有多個因素:

其中一個(也許不是最重要的)因素: 上面看到的壓縮算法，都是對Posting list裏的大量ID進行壓縮的，那若是ID是順序的，或者是有公共前綴等具備必定規律性的ID，壓縮比會比較高；

另一個因素: 多是最影響查詢性能的，應該是最後經過Posting list裏的ID到磁盤中查找Document信息的那步，由於Elasticsearch是分Segment存儲的，根據ID這個大範圍的Term定位到Segment的效率直接影響了最後查詢的性能，若是ID是有規律的，能夠快速跳過不包含該ID的Segment，從而減小沒必要要的磁盤讀次數，具體能夠參考這篇如何選擇一個高效的全局ID方案(評論也很精彩)