「掃盲」Elasticsearch

本文轉載自查看原文 2020-01-21 09:03 853

前言

只有光頭才能變強。

文本已收錄至我的GitHub精選文章，歡迎Star：https://github.com/ZhongFuCheng3y/3y

不知道大家的公司用Elasticsearch多不多，反正我公司的是有在用的。平時聽同事們聊天肯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。

如果對引擎不了解的同學，就壓根聽不懂他們在說什么（我就是聽不懂的一位，扎心了）。引擎一般指的是搜索引擎，現在用得比較多的就是Elasticsearch。

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。至少我想做到的是：以后同事們聊引擎了，至少知道他們在講什么。

什么是Elasticsearch？

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

Elasticsearch 是一個實時的分布式存儲、搜索、分析的引擎。

介紹那兒有幾個關鍵字：

實時
分布式
搜索
分析

於是我們就得知道Elasticsearch是怎么做到實時的，Elasticsearch的架構是怎么樣的（分布式）。存儲、搜索和分析（得知道Elasticsearch是怎么存儲、搜索和分析的）

這些問題在這篇文章中都會有提及。

我已經寫了200多篇原創技術文章了，后續會寫大數據相關的文章，如果想看我其他文章的同學，不妨關注我吧。公眾號：Java3y

如果覺得我這篇文章還不錯，對你有幫助，不要吝嗇自己的贊！

為什么要用Elasticsearch

在學習一項技術之前，必須先要了解為什么要使用這項技術。所以，為什么要使用Elasticsearch呢？我們在日常開發中，數據庫也能做到（實時、存儲、搜索、分析）。

相對於數據庫，Elasticsearch的強大之處就是可以模糊查詢。

有的同學可能就會說：我數據庫怎么就不能模糊查詢了？？我反手就給你寫一個SQL：

select * from user where name like '%公眾號Java3y%'

這不就可以把公眾號Java3y相關的內容搜索出來了嗎？

的確，這樣做的確可以。但是要明白的是：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），你的查詢肯定會是秒級別的

如果對數據庫索引還不是很了解的同學，建議復看一下我以前的文章。我覺得我當時寫得還不賴（哈哈哈）

GitHub搜關鍵字：”索引“

而且，即便給你從數據庫根據模糊匹配查出相應的記錄了，那往往會返回大量的數據給你，往往你需要的數據量並沒有這么多，可能50條記錄就足夠了。

還有一個就是：用戶輸入的內容往往並沒有這么的精確，比如我從Google輸入ElastcSeach（打錯字），但是Google還是能估算我想輸入的是Elasticsearch

而Elasticsearch是專門做搜索的，就是為了解決上面所講的問題而生的，換句話說：

Elasticsearch對模糊搜索非常擅長（搜索速度很快）
從Elasticsearch搜索到的數據可以根據評分過濾掉大部分的，只要返回評分高的給用戶就好了（原生就支持排序）
沒有那么准確的關鍵字也能搜出相關的結果（能匹配有相關性的記錄）

下面我們就來學學為什么Elasticsearch可以做到上面的幾點。

Elasticsearch的數據結構

眾所周知，你要在查詢的時候花得更少的時間，你就需要知道他的底層數據結構是怎么樣的；舉個例子：

樹型的查找時間復雜度一般是O(logn)
鏈表的查找時間復雜度一般是O(n)
哈希表的查找時間復雜度一般是O(1)
....不同的數據結構所花的時間往往不一樣，你想要查找的時候要快，就需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么呢？我們來看看。

我們根據“完整的條件”查找一條記錄叫做正向索引；我們一本書的章節目錄就是正向索引，通過章節名稱就找到對應的頁碼。

首先我們得知道為什么Elasticsearch為什么可以實現快速的“模糊匹配”/“相關性查詢”，實際上是你寫入數據到Elasticsearch的時候會進行分詞。

還是以上圖為例，上圖出現了4次“算法”這個詞，我們能不能根據這次詞為它找他對應的目錄？Elasticsearch正是這樣干的，如果我們根據上圖來做這個事，會得到類似這樣的結果：

算法 ->2,13,42,56

這代表着“算法”這個詞肯定是在第二頁、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，叫做倒排索引。

再看下面的圖，好好體會一下：

眾所周知，世界上有這么多的語言，那Elasticsearch怎么切分這些詞呢？，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，比如空格）
TokenFilter（將切分后的詞進行處理，比如轉成小寫）

顯然，Elasticsearch是老外寫的，內置的分詞器都是英文類的，而我們用戶搜索的時候往往搜的是中文，現在中文分詞器用得最多的就是IK。

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

我們輸入一段文字，Elasticsearch會根據分詞器對我們的那段文字進行分詞（也就是圖上所看到的Ada/Allen/Sara..)，這些分詞匯總起來我們叫做Term Dictionary，而我們需要通過分詞找到對應的記錄，這些文檔ID保存在PostingList

在Term Dictionary中的詞由於是非常非常多的，所以我們會為其進行排序，等要查找的時候就可以通過二分來查，不需要遍歷整個Term Dictionary

由於Term Dictionary的詞實在太多了，不可能把Term Dictionary所有的詞都放在內存中，於是Elasticsearch還抽了一層叫做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，其特點是非常節省內存。FST有兩個優點：

1）空間占用小。通過對詞典中單詞前綴和后綴的重復利用，壓縮了存儲空間；
2）查詢速度快。O(len(str))的查詢時間復雜度。

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也是為他進行排序（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）編碼技術對里邊的數據進行壓縮，節約磁盤空間。

PostingList里邊存的是文檔ID，我們查的時候往往需要對這些文檔ID做交集和並集的操作（比如在多條件查詢時)，PostingList使用Roaring Bitmaps來對文檔ID進行交並集操作。

使用Roaring Bitmaps的好處就是可以節省空間和快速得出交並集的結果。

所以到這里我們總結一下Elasticsearch的數據結構有什么特點：

Elasticsearch的術語和架構

從官網的介紹我們已經知道Elasticsearch是分布式存儲的，如果看過我的文章的同學，對分布式這個概念應該不陌生了。

如果對分布式還不是很了解的同學，建議復看一下我以前的文章。我覺得我當時寫得還不賴（哈哈哈）

GitHub搜關鍵字：”SpringCloud“,"Zookeeper","Kafka","單點登錄"

在講解Elasticsearch的架構之前，首先我們得了解一下Elasticsearch的一些常見術語。

Index：Elasticsearch的Index相當於數據庫的Table
Type：這個在新的Elasticsearch版本已經廢除（在以前的Elasticsearch版本，一個Index下支持多個Type--有點類似於消息隊列一個topic下多個group的概念）
Document：Document相當於數據庫的一行記錄
Field：相當於數據庫的Column的概念
Mapping：相當於數據庫的Schema的概念
DSL：相當於數據庫的SQL（給我們讀取Elasticsearch數據的API）

相信大家看完上面的對比圖，對Elasticsearch的一些術語就不難理解了。那Elasticsearch的架構是怎么樣的呢？下面我們來看看：

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

在眾多的節點中，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作（后面會講到分片的概念），如果主節點掛了，會選舉出一個新的主節點。

從上面我們也已經得知，Elasticsearch最外層的是Index（相當於數據庫表的概念）；一個Index的數據我們可以分發到不同的Node上進行存儲，這個操作就叫做分片。

比如現在我集群里邊有4個節點，我現在有一個Index，想將這個Index在4個節點上存儲，那我們可以設置為4個分片。這4個分片的數據合起來就是Index的數據

為什么要分片？原因也很簡單：

如果一個Index的數據量太大，只有一個分片，那只會在一個節點上存儲，隨着數據量的增長，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可以並行操作（從各個節點中讀寫數據，提高吞吐量）

現在問題來了，如果某個節點掛了，那部分數據就丟了嗎？顯然Elasticsearch也會想到這個問題，所以分片會有主分片和副本分片之分（為了實現高可用）

數據寫入的時候是寫到主分片，副本分片會復制主分片的數據，讀取的時候主分片和副本分片都可以讀。

Index需要分為多少個分片和副本分片都是可以通過配置設置的

如果某個節點掛了，前面所提高的Master Node就會把對應的副本分片提拔為主分片，這樣即便節點掛了，數據就不會丟。

到這里我們可以簡單總結一下Elasticsearch的架構了：

Elasticsearch 寫入的流程

上面我們已經知道當我們向Elasticsearch寫入數據的時候，是寫到主分片上的，我們可以了解更多的細節。

客戶端寫入一條數據，到Elasticsearch集群里邊就是由節點來處理這次請求：

集群上的每個節點都是coordinating node（協調節點），協調節點表明這個節點可以做路由。比如節點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（因為主分片在節點2上），所以會把請求轉發到節點2上。

coodinate（協調）節點通過hash算法可以計算出是在哪個主分片上，然后路由到對應的節點
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，會做以下的事：

將數據寫到內存緩存區
然后將數據寫到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，就能通過索引查詢到了
refresh完，memory buffer就清空了。
每隔5s中，translog 從buffer flush到磁盤中
定期/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沖區，然后每隔1s刷新到文件系統緩存區（當數據被刷新到文件系統緩沖區以后，數據才可以被檢索到）。所以：Elasticsearch寫入的數據需要1s才能查詢到
為了防止節點宕機，內存中的數據丟失，Elasticsearch會另寫一份數據到日志文件上，但最開始的還是寫到內存緩沖區，每隔5s才會將緩沖區的刷到磁盤中。所以：Elasticsearch某個節點如果掛了，可能會造成有5s的數據丟失。
等到磁盤上的translog文件大到一定程度或者超過了30分鍾，會觸發commit操作，將內存中的segement文件異步刷到磁盤中，完成持久化操作。

說白了就是：寫內存緩沖區（定時去生成segement，生成translog），能夠讓數據能被索引、被持久化。最后通過commit完成一次的持久化。

等主分片寫完了以后，會將數據並行發送到副本集節點上，等到所有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的更新和刪除操作流程：

給對應的doc記錄打上.del標識，如果是刪除操作就打上delete狀態，如果是更新操作就把原來的doc標志為delete，然后重新新寫入一條數據

前面提到了，每隔1s會生成一個segement 文件，那segement文件會越來越多越來越多。Elasticsearch會有一個merge任務，會將多個segement文件合並成一個segement文件。

在合並的過程中，會把帶有delete狀態的doc給物理刪除掉。

Elasticsearch查詢

查詢我們最簡單的方式可以分為兩種：

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，我們就可以知道：Get（通過ID去查Doc是實時的），Query（通過query去匹配Doc是近實時的）

因為segement文件是每隔一秒才生成一次的

Elasticsearch查詢又分可以為三個階段：

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 ，然后再根據Doc id 匹配去對應的文檔）
DFS_QUERY_THEN_FETCH（先算分，再查詢）
- 「這里的分指的是 詞頻率和文檔的頻率（Term Frequency、Document Frequency）眾所周知，出現頻率越高，相關性就更強」