看图说话｜在ElasticSearch之下的故事

摘要

先自上而下，后自底向上的介绍ElasticSearch的底层工做原理，试图回答如下问题：html

为何个人搜索 *foo-bar* 没法匹配 foo-bar ？web
为何增长更多的文件会压缩索引（Index）？缓存
为何ElasticSearch占用不少内存？微信

版本

elasticsearch版本: elasticsearch-2.2.0网络

内容

图解ElasticSearch

云上的集群

集群里的盒子

云里面的每一个白色正方形的盒子表明一个节点——Node。数据结构

节点之间

在一个或者多个节点直接，多个绿色小方块组合在一块儿造成一个ElasticSearch的索引。app

索引里的小方块

在一个索引下，分布在多个节点里的绿色小方块称为分片——Shard。elasticsearch

Shard＝Lucene Index

一个ElasticSearch的Shard本质上是一个Lucene Index。性能

Lucene是一个Full Text 搜索库（也有不少其余形式的搜索库），ElasticSearch是创建在Lucene之上的。接下来的故事要说的大部份内容其实是ElasticSearch如何基于Lucene工做的。学习

图解Lucene

Mini索引——segment

在Lucene里面有不少小的segment，咱们能够把它们当作Lucene内部的mini-index。

Segment内部

有着许多数据结构

Inverted Index
Stored Fields
Document Values
Cache

最最重要的Inverted Index

Inverted Index主要包括两部分：

一个有序的数据字典Dictionary（包括单词Term和它出现的频率）。
与单词Term对应的Postings（即存在这个单词的文件）。

当咱们搜索的时候，首先将搜索的内容分解，而后在字典里找到对应Term，从而查找到与搜索相关的文件内容。

查询“the fury”

自动补全（AutoCompletion-Prefix）

若是想要查找以字母“c”开头的字母，能够简单的经过二分查找（Binary Search）在Inverted Index表中找到例如“choice”、“coming”这样的词（Term）。

昂贵的查找

若是想要查找全部包含“our”字母的单词，那么系统会扫描整个Inverted Index，这是很是昂贵的。

在此种状况下，若是想要作优化，那么咱们面对的问题是如何生成合适的Term。

问题的转化

对于以上诸如此类的问题，咱们可能会有几种可行的解决方案：

* suffix -> xiffus *
若是咱们想之后缀做为搜索条件，能够为Term作反向处理。
(60.6384, 6.5017) -> u4u8gyykk
对于GEO位置信息，能够将它转换为GEO Hash。
123 -> {1-hundreds, 12-tens, 123}
对于简单的数字，能够为它生成多重形式的Term。

解决拼写错误

一个Python库为单词生成了一个包含错误拼写信息的树形状态机，解决拼写错误的问题。

Stored Field字段查找

当咱们想要查找包含某个特定标题内容的文件时，Inverted Index就不能很好的解决这个问题，因此Lucene提供了另一种数据结构Stored Fields来解决这个问题。本质上，Stored Fields是一个简单的键值对key-value。默认状况下，ElasticSearch会存储整个文件的JSON source。

Document Values为了排序，聚合

即便这样，咱们发现以上结构仍然没法解决诸如：排序、聚合、facet，由于咱们可能会要读取大量不须要的信息。

因此，另外一种数据结构解决了此种问题：Document Values。这种结构本质上就是一个列式的存储，它高度优化了具备相同类型的数据的存储结构。

为了提升效率，ElasticSearch能够将索引下某一个Document Value所有读取到内存中进行操做，这大大提高访问速度，可是也同时会消耗掉大量的内存空间。

总之，这些数据结构Inverted Index、Stored Fields、Document Values及其缓存，都在segment内部。

搜索发生时

搜索时，Lucene会搜索全部的segment而后将每一个segment的搜索结果返回，最后合并呈现给客户。

Lucene的一些特性使得这个过程很是重要：

Segments是不可变的（immutable）

Delete? 当删除发生时，Lucene作的只是将其标志位置为删除，可是文件仍是会在它原来的地方，不会发生改变
Update? 因此对于更新来讲，本质上它作的工做是：先删除，而后从新索引（Re-index）

随处可见的压缩
Lucene很是擅长压缩数据，基本上全部教科书上的压缩方式，都能在Lucene中找到。
缓存全部的全部
Lucene也会将全部的信息作缓存，这大大提升了它的查询效率。

缓存的故事

当ElasticSearch索引一个文件的时候，会为文件创建相应的缓存，而且会按期（每秒）刷新这些数据，而后这些文件就能够被搜索到。

随着时间的增长，咱们会有不少segments，

因此ElasticSearch会将这些segment合并，在这个过程当中，segment会最终被删除掉

这就是为何增长文件可能会使索引所占空间变小，它会引发merge，从而可能会有更多的压缩。

举个栗子

有两个segment将会merge

这两个segment最终会被删除，而后合并成一个新的segment

这时这个新的segment在缓存中处于cold状态，可是大多数segment仍然保持不变，处于warm状态。

以上场景常常在Lucene Index内部发生的。

在Shard中搜索

ElasticSearch从Shard中搜索的过程与Lucene Segment中搜索的过程相似。

与在Lucene Segment中搜索不一样的是，Shard多是分布在不一样Node上的，因此在搜索与返回结果时，全部的信息都会经过网络传输。

须要注意的是：

1次搜索查找2个shard ＝ 2次分别搜索shard

对于日志文件的处理

当咱们想搜索特定日期产生的日志时，经过根据时间戳对日志文件进行分块与索引，会极大提升搜索效率。

当咱们想要删除旧的数据时也很是方便，只需删除老的索引便可。

在上种状况下，每一个index有两个shards

如何Scale

shard不会进行更进一步的拆分，可是shard可能会被转移到不一样节点上

因此，若是当集群节点压力增加到必定的程度，咱们可能会考虑增长新的节点，这就会要求咱们对全部数据进行从新索引，这是咱们不太但愿看到的，因此咱们须要在规划的时候就考虑清楚，如何去平衡足够多的节点与不足节点之间的关系。

节点分配与Shard优化

为更重要的数据索引节点，分配性能更好的机器
确保每一个shard都有副本信息replica

路由Routing

每一个节点，每一个都存留一份路由表，因此当请求到任何一个节点时，ElasticSearch都有能力将请求转发到指望节点的shard进一步处理。

一个真实的请求

Query

Query有一个类型filtered，以及一个multi_match的查询

Aggregation

根据做者进行聚合，获得top10的hits的top10做者的信息

请求分发

这个请求可能被分发到集群里的任意一个节点

上帝节点

这时这个节点就成为当前请求的协调者（Coordinator），它决定：

根据索引信息，判断请求会被路由到哪一个核心节点
以及哪一个副本是可用的
等等

路由

在真实搜索以前

ElasticSearch 会将Query转换成Lucene Query

而后在全部的segment中执行计算

对于Filter条件自己也会有缓存

但queries不会被缓存，因此若是相同的Query重复执行，应用程序本身须要作缓存

因此，

filters能够在任什么时候候使用
query只有在须要score的时候才使用

搜索结束以后，结果会沿着下行的路径向上逐层返回。

来源：https://www.cnblogs.com/richaaaard/p/5226334.html

添加微信：xinbigdata

获取精选大数据电子书、学习视频、入群交流、专栏返现

本文分享自微信公众号 - 老蒙大数据（simon_bigdata）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。