從原理到應用，Elasticsearch詳解

時間  2019-11-06
標籤 原理 應用 elasticsearch 詳解 欄目 日誌分析 简体版
原文   原文鏈接

簡介

Elasticsearch（簡稱ES）是一個分佈式、可擴展、實時的搜索與數據分析引擎。ES不只僅只是全文搜索，還支持結構化搜索、數據分析、複雜的語言處理、地理位置和對象間關聯關係等。html

ES的底層依賴Lucene，Lucene能夠說是當下最早進、高性能、全功能的搜索引擎庫。可是Lucene僅僅只是一個庫。爲了充分發揮其功能，你須要使用Java並將Lucene直接集成到應用程序中。更糟糕的是，您可能須要得到信息檢索學位才能瞭解其工做原理，由於Lucene很是複雜——《ElasticSearch官方權威指南》。node

鑑於Lucene如此強大卻難以上手的特色，誕生了ES。ES也是使用Java編寫的，它的內部使用Lucene作索引與搜索，它的目的是隱藏Lucene的複雜性，取而代之的提供一套簡單一致的RESTful API。mysql

整體來講，ES具備以下特色：git

  • 一個分佈式的實時文檔存儲引擎，每一個字段均可以被索引與搜索
  • 一個分佈式實時分析搜索引擎，支持各類查詢和聚合操做
  • 能勝任上百個服務節點的擴展，並能夠支持PB級別的結構化或者非結構化數據

架構

節點類型github

ES的架構很簡單，集羣的HA不須要依賴任務外部組件（例如Zookeeper、HDFS等），master節點的主備依賴於內部自建的選舉算法，經過副本分片的方式實現了數據的備份的同時，也提升了併發查詢的能力。web

ES集羣的服務器分爲如下四種角色：算法

1.列表項目master節點，負責保存和更新集羣的一些元數據信息，以後同步到全部節點，因此每一個節點都須要保存全量的元數據信息：sql

  • 集羣的配置信息
  • 集羣的節點信息
  • 模板template設置
  • 索引以及對應的設置、mapping、分詞器和別名
  • 索引關聯到的分片以及分配到的節點

2.datanode：負責數據存儲和查詢json

3.coordinator：bootstrap

  • 路由索引請求
  • 聚合搜索結果集
  • 分發批量索引請求

4.ingestor：

  • 相似於logstash，對輸入數據進行處理和轉換

如何配置節點類型

一個節點的缺省配置是：主節點+數據節點兩屬性爲一身。對於3-5個節點的小集羣來說，一般讓全部節點存儲數據和具備得到主節點的資格。

專用協調節點（也稱爲client節點或路由節點）從數據節點中消除了聚合/查詢的請求解析和最終階段，隨着集羣寫入以及查詢負載的增大，能夠經過協調節點減輕數據節點的壓力，可讓數據節點更多專一於數據的寫入以及查詢。

master選舉

選舉策略

  • 若是集羣中存在master，承認該master，加入集羣
  • 若是集羣中不存在master，從具備master資格的節點中選id最小的節點做爲master

選舉時機

集羣啓動：後臺啓動線程去ping集羣中的節點，按照上述策略從具備master資格的節點中選舉出master

現有的master離開集羣：後臺一直有一個線程定時ping master節點，超過必定次數沒有ping成功以後，從新進行master的選舉

選舉流程

clipboard.png

避免腦裂

腦裂問題是採用master-slave模式的分佈式集羣廣泛須要關注的問題，腦裂一旦出現，會致使集羣的狀態出現不一致，致使數據錯誤甚至丟失。

ES避免腦裂的策略：過半原則，能夠在ES的集羣配置中添加一下配置，避免腦裂的發生

#一個節點多久ping一次，默認1s
discovery.zen.fd.ping_interval: 1s
##等待ping返回時間，默認30s
discovery.zen.fd.ping_timeout: 10s
##ping超時重試次數，默認3次
discovery.zen.fd.ping_retries: 3
##選舉時須要的節點鏈接數，N爲具備master資格的節點數量
discovery.zen.minimum_master_nodes=N/2+1

注意問題

  • 配置文件中加入上述避免腦裂的配置，對於網絡波動比較大的集羣來講，增長ping的時間和ping的次數，必定程度上能夠增長集羣的穩定性
  • 動態的字段field可能致使元數據暴漲，新增字段mapping映射須要更新mater節點上維護的字段映射信息，master修改了映射信息以後再同步到集羣中全部的節點，這個過程當中數據的寫入是阻塞的。因此建議關閉自動mapping，沒有預先定義的字段mapping會寫入失敗
  • 經過定時任務在集羣寫入的低峯期，將索引以及mapping映射提早建立好

負載均衡

ES集羣是分佈式的，數據分佈到集羣的不一樣機器上，對於ES中的一個索引來講，ES經過分片的方式實現數據的分佈式和負載均衡。建立索引的時候，須要指定分片的數量，分片會均勻的分佈到集羣的機器中。分片的數量是須要建立索引的時候就須要設置的，並且設置以後不能更改，雖然ES提供了相應的api來縮減和擴增分片，可是代價是很高的，須要重建整個索引。

考慮到併發響應以及後續擴展節點的能力，分片的數量不能太少，假如你只有一個分片，隨着索引數據量的增大，後續進行了節點的擴充，可是因爲一個分片只能分佈在一臺機器上，因此集羣擴容對於該索引來講沒有意義了。

可是分片數量也不能太多，每一個分片都至關於一個獨立的lucene引擎，太多的分片意味着集羣中須要管理的元數據信息增多，master節點有可能成爲瓶頸；同時集羣中的小文件會增多，內存以及文件句柄的佔用量會增大，查詢速度也會變慢。

數據副本

ES經過副本分片的方式，保證集羣數據的高可用，同時增長集羣併發處理查詢請求的能力，相應的，在數據寫入階段會增大集羣的寫入壓力。

數據寫入的過程當中，首先被路由到主分片，寫入成功以後，將數據發送到副本分片，爲了保證數據不丟失，最好保證至少一個副本分片寫入成功之後才返回客戶端成功。

相關配置

5.0以前經過consistency來設置

consistency參數的值能夠設爲 ：

  • one ：只要主分片狀態ok就容許執行寫操做
  • all：必需要主分片和全部副本分片的狀態沒問題才容許執行寫操做
  • quorum：默認值爲quorum，即大多數的分片副本狀態沒問題就容許執行寫操做，副本分片數量計算方式爲int( (primary +
    number_of_replicas) / 2 ) + 1

5.0以後經過wait_for_active_shards參數設置

  • 索引時增長參數：?wait_for_active_shards=3
  • 給索引增長配置：index.write.wait_for_active_shards=3

數據寫入

寫入過程

幾個概念：

  • 內存buffer
  • translog
  • 文件系統緩衝區
  • refresh
  • segment（段）
  • commit
  • flush

clipboard.png

translog

寫入ES的數據首先會被寫入translog文件，該文件持久化到磁盤，保證服務器宕機的時候數據不會丟失，因爲順序寫磁盤，速度也會很快。

  • 同步寫入：每次寫入請求執行的時候，translog在fsync到磁盤以後，纔會給客戶端返回成功
  • 異步寫入：寫入請求緩存在內存中，每通過固定時間以後纔會fsync到磁盤，寫入量很大，對於數據的完整性要求又不是很是嚴格的狀況下，能夠開啓異步寫入

refresh

通過固定的時間，或者手動觸發以後，將內存中的數據構建索引生成segment，寫入文件系統緩衝區

commit/flush

超過固定的時間，或者translog文件過大以後，觸發flush操做：

  • 內存的buffer被清空，至關於進行一次refresh
  • 文件系統緩衝區中全部segment刷寫到磁盤
  • 將一個包含全部段列表的新的提交點寫入磁盤
  • 啓動或從新打開一個索引的過程當中使用這個提交點來判斷哪些segment隸屬於當前分片
  • 刪除舊的translog，開啓新的translog

merge

上面提到，每次refresh的時候，都會在文件系統緩衝區中生成一個segment，後續flush觸發的時候持久化到磁盤。因此，隨着數據的寫入，尤爲是refresh的時間設置的很短的時候，磁盤中會生成愈來愈多的segment：

  • segment數目太多會帶來較大的麻煩。 每個segment都會消耗文件句柄、內存和cpu運行週期。
  • 更重要的是，每一個搜索請求都必須輪流檢查每一個segment，因此segment越多，搜索也就越慢。

merge的過程大體描述以下：

  • 磁盤上兩個小segment：A和B，內存中又生成了一個小segment：C
  • A,B被讀取到內存中，與內存中的C進行merge，生成了新的更大的segment：D
  • 觸發commit操做，D被fsync到磁盤
  • 建立新的提交點，刪除A和B，新增D
  • 刪除磁盤中的A和B

刪改操做

segment的不可變性的好處

  • segment的讀寫不須要加鎖
  • 常駐文件系統緩存（堆外內存）
  • 查詢的filter緩存能夠常駐內存（堆內存）

刪除

磁盤上的每一個segment都有一個.del文件與它相關聯。當發送刪除請求時，該文檔未被真正刪除，而是在.del文件中標記爲已刪除。此文檔可能仍然能被搜索到，但會從結果中過濾掉。當segment合併時，在.del文件中標記爲已刪除的文檔不會被包括在新的segment中，也就是說merge的時候會真正刪除被刪除的文檔。

更新

建立新文檔時，Elasticsearch將爲該文檔分配一個版本號。對文檔的每次更改都會產生一個新的版本號。當執行更新時，舊版本在.del文件中被標記爲已刪除，而且新版本在新的segment中寫入索引。舊版本可能仍然與搜索查詢匹配，可是從結果中將其過濾掉。

版本控制

經過添加版本號的樂觀鎖機制保證高併發的時候，數據更新不會出現線程安全的問題，避免數據更新被覆蓋之類的異常出現。

使用內部版本號：刪除或者更新數據的時候，攜帶_version參數，若是文檔的最新版本不是這個版本號，那麼操做會失敗，這個版本號是ES內部自動生成的，每次操做以後都會遞增一。

PUT /website/blog/1?version=1 
{
  "title": "My first blog entry",
  "text":  "Starting to get the hang of this..."
}

使用外部版本號：ES默認採用遞增的整數做爲版本號，也能夠經過外部自定義整數（long類型）做爲版本號，例如時間戳。經過添加參數version_type=external，可使用自定義版本號。內部版本號使用的時候，更新或者刪除操做須要攜帶ES索引當前最新的版本號，匹配上了才能成功操做。可是外部版本號使用的時候，能夠將版本號更新爲指定的值。

PUT /website/blog/2?version=5&version_type=external
{
  "title": "My first external blog entry",
  "text":  "Starting to get the hang of this..."
}

原始文檔存儲（行式存儲）

clipboard.png

fdt文件

文檔內容的物理存儲文件，由多個chunk組成，Lucene索引文檔時，先緩存文檔，緩存大於16KB時，就會把文檔壓縮存儲。

clipboard.png

fdx文件

文檔內容的位置索引，由多個block組成：

  • 1024個chunk歸爲一個block
  • block記錄chunk的起始文檔ID，以及chunk在fdt中的位置

clipboard.png

fnm文件

文檔元數據信息，包括文檔字段的名稱、類型、數量等。

原始文檔的查詢

clipboard.png

注意問題：lucene對原始文件的存放是行式存儲，而且爲了提升空間利用率，是多文檔一塊兒壓縮，所以取文檔時須要讀入和解壓額外文檔，所以取文檔過程很是依賴CPU以及隨機IO。

相關設置

壓縮方式的設置

原始文檔的存儲對應_source字段，是默認開啓的，會佔用大量的磁盤空間，上面提到的chunk中的文檔壓縮，ES默認採用的是LZ4，若是想要提升壓縮率，能夠將設置改爲best_compression。

index.codec: best_compression

特定字段的內容存儲

查詢的時候，若是想要獲取原始字段，須要在_source中獲取，由於全部的字段存儲在一塊兒，因此獲取完整的文檔內容與獲取其中某個字段，在資源消耗上幾乎相同，只是返回給客戶端的時候，減小了必定量的網絡IO。

ES提供了特定字段內容存儲的設置，在設置mappings的時候能夠開啓，默認是false。若是你的文檔內容很大，而其中某個字段的內容有須要常常獲取，能夠設置開啓，將該字段的內容單獨存儲。

PUT my_index
{
  "mappings": {
    "_doc": {
      "properties": {
        "title": {
          "type": "text",
          "store": true 
        }
      }
    }
  }
}

倒排索引

clipboard.png

倒排索引中記錄的信息主要有：

  • 文檔編號：segment內部文檔編號從0開始，最大值爲int最大值，文檔寫入以後會分配這樣一個順序號
  • 字典：字段內容通過分詞、歸一化、還原詞根等操做以後，獲得的全部單詞
  • 單詞出現位置：分詞字段默認開啓，提供對於短語查詢的支持；對於很是常見的詞，例如the，位置信息可能佔用很大空間，短語查詢須要讀取的數據量很大，查詢速度慢
  • 單詞出現次數：單詞在文檔中出現的次數，做爲評分的依據
  • 單詞結束字符到開始字符的偏移量：記錄在文檔中開始與結束字符的偏移量，提供高亮使用，默認是禁用的
  • 規範因子：對字段長度進行規範化的因子，給予較短字段更多權重

倒排索引的查找過程本質上是經過單詞找對應的文檔列表的過程，所以倒排索引中字典的設計決定了倒排索引的查詢速度，字典主要包括前綴索引（.tip文件）和後綴索引（.tim）文件。

字典前綴索引（.tip文件）

一個合格的詞典結構通常有如下特色：

-查詢速度快 -內存佔用小 -內存+磁盤相結合

clipboard.png

Lucene採用的前綴索引數據結構爲FST，它的優勢有：

詞查找複雜度爲O(len(str))

  • 共享前綴、節省空間、內存佔用率低，壓縮率高，模糊查詢支持好
  • 內存存放前綴索引，磁盤存放後綴詞塊
  • 缺點：結構複雜、輸入要求有序、更新不易

字典後綴（.tim文件）

後綴詞塊主要保存了單詞後綴，以及對應的文檔列表的位置。

文檔列表（.doc文件）

clipboard.png

lucene對文檔列表存儲進行了很好的壓縮，來保證緩存友好：

  • 差分壓縮：每一個ID只記錄跟前面的ID的差值
  • 每256個ID放入一個block中
  • block的頭信息存放block中每一個ID佔用的bit位數，由於通過上面的差分壓縮以後，文檔列表中的文檔ID都變得不大，佔用的bit位數變少

上圖通過壓縮以後將6個數字從原先的24bytes壓縮到7bytes。

文檔列表的合併

clipboard.png

ES的一個重要的查詢場景是bool查詢，相似於mysql中的and操做，須要將兩個條件對應的文檔列表進行合併。爲了加快文檔列表的合併，lucene底層採用了跳錶的數據結構，合併過程當中，優先遍歷較短的鏈表，去較長的列表中進行查詢，若是存在，則該文檔符合條件。

clipboard.png

倒排索引的查詢過程

clipboard.png

  • 內存加載tip文件，經過FST匹配前綴找到後綴詞塊位置
  • 根據詞塊位置，讀取磁盤中tim文件中後綴塊並找到後綴和相應的倒排表位置信息
  • 根據倒排表位置去doc文件中加載倒排表
  • 藉助跳錶結構，對多個文檔列表進行合併

filter查詢的緩存

對於filter過濾查詢的結果，ES會進行緩存，緩存採用的數據結構是RoaringBitmap，在match查詢中配合filter能有效加快查詢速度。

  • 普通bitset的缺點：內存佔用大，RoaringBitmap有很好的壓縮特性
  • 分桶：解決文檔列表稀疏的狀況下，過多的0佔用內存，每65536個docid分到一個桶，桶內只記錄docid%65536
  • 桶內壓縮：4096做爲分界點，小余這個值用short數組，大於這個值用bitset，每一個short佔兩字節，4096個short佔用65536bit，因此超過4096個文檔id以後，是bitset更節省空間。

clipboard.png

DocValues（正排索引&列式存儲）

clipboard.png

倒排索引保存的是詞項到文檔的映射，也就是詞項存在於哪些文檔中，DocValues保存的是文檔到詞項的映射，也就是文檔中有哪些詞項。

相關設置

keyword字段默認開啓

ES6.0（lucene7.0）以前

DocValues採用的數據結構是bitset，bitset對於稀疏數據的支持很差：

  • 對於稀疏的字段來講，絕大部分的空間都被0填充，浪費空間
  • 因爲字段的值之間插入了0，可能原本連續的值被0間隔開來了，不利於數據的壓縮
  • 空間被一堆0佔用了，緩存中緩存的有效數據減小，查詢效率也會下降

查詢邏輯很簡單，相似於數組經過下標進行索引，由於每一個value都是固定長度，因此讀取文檔id爲N的value直接從N*固定長度位置開始讀取固定長度便可。

clipboard.png

ES6.0（lucene7.0）

  • docid的存儲的經過分片加快映射到value的查詢速度
  • value存儲的時候再也不給空的值分配空間

由於value存儲的時候，空值再也不分配空間，因此查詢的時候不能經過上述經過文檔id直接映射到在bitset中的偏移量來獲取對應的value，須要經過獲取docid的位置來找到對應的value的位置。

因此對於DocValues的查找，關鍵在於DocIDSet中ID的查找，若是按照簡單的鏈表的查找邏輯，那麼DocID的查找速度將會很慢。lucene7借用了RoaringBitmap的分片的思想來加快DocIDSet的查找速度：

clipboard.png

  • 分片容量爲2的16次方，最多能夠存儲65536個docid
  • 分片包含的信息：分片ID；存儲的docid的個數（值不爲空的DocIDSet）；DocIDSet明細，或者標記分片類型（ALL或者NONE）
  • 根據分片的容量，將分片分爲四種不一樣的類型，不一樣類型的查找邏輯不通：ALL：該分片內沒有不存在值的DocID；NONE：該分片內全部的DocID都不存在值；SPARSE：該分片內存在值的DocID的個數不超過4096，DocIDSet以short數組的形式存儲，查找的時候，遍歷數組，找到對應的ID的位置；DENSE：該分片內存在值的DocID的個數超過4096，DocIDSet以bitset的形式存儲，ID的偏移量也就是在該分片中的位置

最終DocIDSet的查找邏輯爲：

  • 計算DocID/65536，獲得所在的分片N
  • 計算前面N-1個分片的DocID的總數
  • 找到DocID在分片N內部的位置，從而找到所在位置以前的DocID個數M
  • 找到N+M位置的value即爲該DocID對應的value

數據查詢

查詢過程（query then fetch）

  • 協調節點將請求發送給對應分片
  • 分片查詢，返回from+size數量的文檔對應的id以及每一個id的得分
  • 彙總全部節點的結果，按照得分獲取指定區間的文檔id
  • 根據查詢需求，像對應分片發送多個get請求，獲取文檔的信息
  • 返回給客戶端

get查詢更快

默認根據id對文檔進行路由，因此指定id的查詢能夠定位到文檔所在的分片，只對某個分片進行查詢便可。固然非get查詢，只要寫入和查詢的時候指定routing，一樣能夠達到該效果。

主分片與副本分片

ES的分片有主備之分，可是對於查詢來講，主備分片的地位徹底相同，平等的接收查詢請求。這裏涉及到一個請求的負載均衡策略，6.0以前採用的是輪詢的策略，可是這種策略存在不足，輪詢方案只能保證查詢數據量在主備分片是均衡的，可是不能保證查詢壓力在主備分片上是均衡的，可能出現慢查詢都路由到了主分片上，致使主分片所在的機器壓力過大，影響了整個集羣對外提供服務的能力。

新版本中優化了該策略，採用了基於負載的請求路由，基於隊列的耗費時間自動調節隊列長度，負載高的節點的隊列長度將減小，讓其餘節點分攤更多的壓力，搜索和索引都將基於這種機制。

get查詢的實時性

ES數據寫入以後，要通過一個refresh操做以後，纔可以建立索引，進行查詢。可是get查詢很特殊，數據實時可查。

ES5.0以前translog能夠提供實時的CRUD，get查詢會首先檢查translog中有沒有最新的修改，而後再嘗試去segment中對id進行查找。5.0以後，爲了減小translog設計的負責性以便於再其餘更重要的方面對translog進行優化，因此取消了translog的實時查詢功能。

get查詢的實時性，經過每次get查詢的時候，若是發現該id還在內存中沒有建立索引，那麼首先會觸發refresh操做，來讓id可查。

查詢方式

兩種查詢上下文：

  • query：例如全文檢索，返回的是文檔匹配搜索條件的相關性，經常使用api：match
  • filter：例如時間區間的限定，回答的是是否，要麼是，要麼不是，不存在類似程度的概念，經常使用api：term、range

過濾（filter）的目標是減小那些須要進行評分查詢（scoring queries）的文檔數量。

分析器(analyzer)

當索引一個文檔時，它的全文域被分析成詞條以用來建立倒排索引。當進行分詞字段的搜索的時候，一樣須要將查詢字符串經過相同的分析過程，以保證搜索的詞條格式與索引中的詞條格式一致。當查詢一個不分詞字段時，不會分析查詢字符串，而是搜索指定的精確值。

能夠經過下面的命令查看分詞結果：

GET /_analyze
{
  "analyzer": "standard",
  "text": "Text to analyze"
}

相關性

默認狀況下，返回結果是按相關性倒序排列的。每一個文檔都有相關性評分，用一個正浮點數字段score來表示。score的評分越高，相關性越高。

ES的類似度算法被定義爲檢索詞頻率/反向文檔頻率(TF/IDF)，包括如下內容：

  • 檢索詞頻率：檢索詞在該字段出現的頻率，出現頻率越高，相關性也越高。字段中出現過5次要比只出現過1次的相關性高。
  • 反向文檔頻率：每一個檢索詞在索引中出現的頻率，頻率越高，相關性越低。檢索詞出如今多數文檔中會比出如今少數文檔中的權重更低。
  • 字段長度準則：字段的長度是多少，長度越長，相關性越低。
    檢索詞出如今一個短的title要比一樣的詞出如今一個長的content字段權重更大。

查詢的時候能夠經過添加?explain參數，查看上述各個算法的評分結果。

ES在Ad Tracking的應用

日誌查詢工具

TalkingData 移動廣告監測產品Ad Tracking（簡稱ADT）的系統會接收媒體發過來的點擊數據以及SDK發過來的激活和各類效果點數據，這些數據的處理過程正確與否相當重要。例如，設備的一條激活數據爲啥沒有歸因到點擊，這類問題的排查在Ad Tracking中很常見，經過將數據流中的各個處理環節的重要日誌統一發送到ES，能夠很方便的進行查詢，技術支持的同事能夠經過拼寫簡單的查詢條件排查客戶的問題。

  • 索引按天建立：定時關閉歷史索引，釋放集羣資源
  • 別名查詢：數據量增大以後，能夠經過拆分索引減輕寫入壓力，拆分以後的索引採用相同的別名，查詢服務不須要修改代碼
  • 索引重要的設置：
{
  
  "settings": {
        "index": {
            "refresh_interval": "120s",
            "number_of_shards": "12",
            "translog": {
                "flush_threshold_size": "2048mb"
            },
            "merge": {
                "scheduler": {
                    "max_thread_count": "1"
                }
            },
            "unassigned": {
                "node_left": {
                    "delayed_timeout": "180m"
                }
            }
        }
    }
}

  • 索引mapping的設置

    {

 "properties": {
       "action_content": {
           "type": "string",
           "analyzer": "standard"
       },
       "time": {
           "type": "long"
       },
       "trackid": {
           "type": "string",
           "index": "not_analyzed"
       }
   }
   }
  • sql插件，經過拼sql的方式，比起拼json更簡單

點擊數據存儲（kv存儲場景）

Ad Tracking收集的點擊數據是與廣告投放直接相關的數據，應用安裝以後，SDK會上報激活事件，系統會去查找這個激活事件是否來自於以前用戶點擊的某個廣告，若是是，那麼該激活就是一個推廣量，也就是投放的廣告帶來的激活。激活後續的效果點數據也都會去查找點擊，從點擊中獲取廣告投放的一些信息，因此點擊查詢在Ad Tracking的業務中相當重要。

業務的前期，點擊數據是存儲在Mysql中的，隨着後續點擊量的暴增，因爲Mysql不能橫向擴展，因此須要更換爲新的存儲。因爲ES擁有橫向擴展和強悍的搜索能力，而且以前日誌查詢工具中也一直使用ES，因此決定使用ES來進行點擊的存儲。

重要的設置

  • "refresh_interval": "1s"
  • "translog.flush_threshold_size": "2048mb"
  • "merge.scheduler.max_thread_count": 1
  • "unassigned.node_left.delayed_timeout": "180m"

結合業務進行系統優化

結合業務按期關閉索引釋放資源：Ad Tracking的點擊數據具備有效期的概念，超過有效期的點擊，激活不會去歸因。點擊有效期最長一個月，因此理論上天天建立的索引在一個月以後才能關閉。可是用戶配置的點擊有效期大部分都是一天，這大部分點擊在集羣中保存30天是沒有意義的，並且會佔用大部分的系統資源。因此根據點擊的這個業務特色，將天天建立的索引拆分紅兩個，一個是有效期是一天的點擊，一個是超過一天的點擊，有效期一天的點擊的索引在一天以後就能夠關閉，從而保證集羣中打開的索引的數據量維持在一個較少的水平。

結合業務將熱點數據單獨索引：激活和效果點數據都須要去ES中查詢點擊，可是二者對於點擊的查詢場景是有差別的，由於效果點事件（例如登陸、註冊等）歸因的時候不是去直接查找點擊，而是查找激活進而找到點擊，效果點要找的點擊必定是以前激活歸因到的，因此激活歸因到的這部分點擊也就是熱點數據。激活歸因到點擊以後，將這部分點擊單獨存儲到單獨的索引中，因爲這部分點擊量少不少，因此效果點查詢的時候很快。

索引拆分：Ad Tracking的點擊數據按天進行存儲，可是隨着點擊量的增大，單天的索引大小持續增大，尤爲是晚上的時候，merge須要合併的segment數量以及大小都很大，形成了很高的IO壓力，致使集羣的寫入受限。後續採用了拆分索引的方案，天天的索引按照上午9點和下午5點兩個時間點將索引拆分紅三個，因爲索引之間的segment合併是相互獨立的，只會在一個索引內部進行segment的合併，因此在每一個小索引內部，segment合併的壓力就會減小。

其餘調優

分片的數量

經驗值：

  • 每一個節點的分片數量保持在低於每1GB堆內存對應集羣的分片在20-25之間。
  • 分片大小爲50GB一般被界定爲適用於各類用例的限制。

JVM設置

  • 堆內存設置：不要超過32G，在Java中，對象實例都分配在堆上，並經過一個指針進行引用。對於64位操做系統而言，默認使用64位指針，指針自己對於空間的佔用很大，Java使用一個叫做內存指針壓縮（compressed
    oops）的技術來解決這個問題，簡單理解，使用32位指針也能夠對對象進行引用，可是一旦堆內存超過32G，這個壓縮技術再也不生效，實際上失去了更多的內存。
  • 預留一半內存空間給lucene用，lucene會使用大量的堆外內存空間。
  • 若是你有一臺128G的機器，一半內存也是64G，超過了32G，能夠經過一臺機器上啓動多個ES實例來保證ES的堆內存小於32G。
  • ES的配置文件中加入bootstrap.mlockall: true，關閉內存交換。

經過_cat api獲取任務執行狀況

GET http://localhost:9201/_cat/thread_pool?v&h=host,search.active,search.rejected,search.completed
  • 完成(completed)
  • 進行中(active)
  • 被拒絕(rejected)：須要特別注意，說明已經出現查詢請求被拒絕的狀況，多是線程池大小配置的過小，也多是集羣性能瓶頸，須要擴容。

小技巧

  • 重建索引或者批量想ES寫歷史數據的時候，寫以前先關閉副本，寫入完成以後，再開啓副本。
  • ES默認用文檔id進行路由，因此經過文檔id進行查詢會更快，由於能直接定位到文檔所在的分片，不然須要查詢全部的分片。
  • 使用ES本身生成的文檔id寫入更快，由於ES不須要驗證一次自定義的文檔id是否存在。

參考資料

https://www.elastic.co/guide/...

https://github.com/Neway6655/...

https://www.elastic.co/blog/f...

https://blog.csdn.net/zteny/a...

https://www.elastic.co/blog/m...

做者：TalkingData戰鵬弘

封面圖來源於網絡，若有侵權，請聯繫刪除

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程