【Elasticsearch学习】文档搜索全过程

时间 2020-05-11

原文原文链接

　　在ES执行分布式搜索时，分布式搜索操做须要分散到全部相关分片，若一个索引有3个主分片，每一个主分片有一个副本分片，那么搜索请求会在这6个分片中随机选择3个分片，这3个分片有多是主分片也多是副本分片，而后收集全部分片的查询结果。因此ES的搜索过程分为两个阶段，Query阶段和Fetch阶段；ES有两种搜索类型：query_then_fetch，dfs_query_then_fetch。html

　　1.Query阶段java

　　1）转发请求。在Query阶段客户端向ES节点发送，搜索请求，Coordinate节点接受客户端搜索请求，Coordinate节点负责解析搜索请求，并在索引的全部主副本分片中随机选择分片，而且发送给分片所在的数据节点。api

　　2）执行查询。接收到查询请求的数据节点执行查询操做，并对查询结果进行排序，每一个节点都会根据请求中参数返回from+size个排序后的文档Id和排序值给Coordinate节点。数组

　　2.Fetch阶段分布式

　　1）重排序。Coordinate节点收到数据节点返回的数据后，会按照返回的排序值对从全部分片取回的值从新进行排序，最终只选取客户端须要的from+size个文档的Id。性能

　　2）获取文档数据。Coordinate节点根据选取的文档的Id，到相应的分片获取详细的文档数据，最终将查询到的结果返回给客户端。学习

查询结果解读：fetch

{
    "took":3, 查询所用的毫秒数
    "timed_out":false, 是否有分片超时，便是否只返回了部分结果
    "_shards":{
        "total":1, 一共查询了多少分片
        "successful":1, 多少分片成功返回
        "skipped":0,跳过了多少分片
        "failed":0　　多少分片查询失败
    },
    "hits":{　　
        "total":{ 
            "value":1, 该搜索请求中返回的全部匹配的数量
            "relation":"eq" 文档与搜索值的关系，eq表示相等
        },
        "max_score":8.044733, 返回结果中文档的最大得分
        "hits":[　　查询结果的文档数组
            {
                "_index":"kibana_sample_data_ecommerce", 查询的索引
                "_type":"_doc",　　查询的类型
                "_id":"4X-j7XEB-r_IFm6PISqV", 返回文档的主键
                "_score":8.044733,　　返回文档的评分
                "_source":{  文档的原始内容
                    "currency":"EUR",
                    "customer_first_name":"Eddie",
                    "customer_full_name":"Eddie Underwood",
                    "customer_gender":"MALE"
                    ......
                }
            }
        ]
    }
}

　Query Then Fetch潜在的问题spa

1.深度分页code

　　ES索引数据分布在多个分片上，在查询时，每一个分片都要查询from+size个文档，Coordinate节点会聚合全部的结果，因此Coordinate节点要处理查询分片数*（from+size）个文档记录，对这些记录进行从新排序，须要的size个文档，from+size的值越大占用内存越多，称为深度分页问题，ES默认限制分页的深度不能超过10000条，可经过max_result_window设置。

　　深度分页解决办法：

　　1）Search After

　　可使用Search After避免深度分页的性能问题，实时获取下一页的文档信息，search_after根据上一页最后一个文档的sort值来查询下一页，而且当索引数据有变化时，也能够同步被查到，是一个实时查询的方法。

　　例：http://127.0.0.1:9200/kibana_sample_data_ecommerce/_search

　　　　查询参数：在使用Search_After查询时，第一步查询时须要指定sort字段，而且该sort字段的排序结果是惟一的，建议使用_id来进行sort，能够指定多个sort字段。

{
  "size": 1,
  "query": {
    "match": {
      "currency": "EUR"
    }
  },
  "sort": [
    {
      "order_id": {
        "order": "asc"
      }
    }
  ]
}

　　　返回中能够看到第一页查询返回的sort值，查询下一页时使用该sort值进行文档的定位，然后每一个查询都会返回一个sort值，供下一页进行定位使用。

"sort": [
     "550375"
]

　　下一页查询：

{
  "size": 1,
  "query": {
    "match": {
      "currency": "EUR"
    }
  },
  "search_after": [
    550375
  ],
  "sort": [
    {
      "order_id": {
        "order": "asc"
      }
    }
  ]
}

　　Search_After存在的限制：

　　　　a.不能指定from值，即不能想翻到哪一页就直接跳转到那一页，只能一页一页按照顺序翻；

　　　　b.只能日后翻页，不能往前翻页。

　　2）Scroll API

　　scroll api能够用于从单个搜索请求中检索大量的结果，其原理是创建索引在某个时间点的快照，当快照创建后，以后的每次搜索都会在该快照上进行，对索引的全部新增操做都会被忽略，索引Scroll适合于处理大量数据，可是不能保证数据的实时性。

　　POST http://127.0.0.1:9200/kibana_sample_data_ecommerce/_search?scroll=1m

　　首次查询时指定scroll=5m，表示当前搜索过时时间为5分钟，即查询结果在搜到下一次请求以前会保存屡次时间，scroll的值不须要长到把整个快照的数据都处理完，只需保证下一次搜索请求到来以前能处理完前一批查询结果便可。

{
    "size": 2,
    "query": {
        "match" : {
            "currency" : "EUR"
        }
    }
}

　　返回中能够看到_scroll_id，total.value，scroll_id用于获取下一批的查询结果，total.value表示该查询有总共多少个结果。

{
 　　"_scroll_id":"DXF1ZXJ5QW5kRmV0Y2gBAAAAAAABAGUWdks0dUtFMHZTYmE1Rl9ucGp5X0hoUQ==", 
　　"took": 1,
    "timed_out": false,
    "_shards": {
        "total": 1,
        "successful": 1,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": {
            "value": 4675,
            "relation": "eq"
        },
   }
}

　　http://127.0.0.1:9200/_search/scroll

　　下一页查询的时候不用指定索引和查询参数，只须要指定scroll时间和上一次请求返回的scroll_id，由于快照已经建好，只须要在快照上往下翻页便可。每次执行该请求都会往下进行翻页，直到查询的结果为空。

{
  "scroll":"5m",
 "scroll_id":"DXF1ZXJ5QW5kRmV0Y2gBAAAAAAABAGUWdks0dUtFMHZTYmE1Rl9ucGp5X0hoUQ=="
}

　　Scroll API存在的限制：当快照创建后，对索引有新的操做时，没法被查询到，因此不适合作实时查询。

不一样查询的使用场景

　　通常查询：须要获取顶部的部分文档，查询索引最新的数据。

　　全量查询：使用scroll，当须要导出所有数据，且对数据的实时性要求不高时。

　　分页查询：使用from+size，当from+size过大时，使用search after。

2.相关度评分不许问题

　　当搜索请求在多个shard进行数据查找时，每一个分片都会基于本身分片上的文档数据进行相关度的计算，计算方法为TD/IDF，

　　TF：词频，表示词条在一个文档中出现的频率；IDF：逆文档频率，log(全本文档数／词条在全部文档中出现的次数)，表示该term在全部文档中出现的频率；若是查询词条在某一个文档中出现的频率（即TF）高，在所有文档中出现的频率低（即IDF）低，则代表该文档的相关性高。

　　每一个分片计算IDF的时候只会基于本身分片上的数据进行计算，并不会包含其余分片上的数据，因此这样会致使相关性评分不许的状况；特别在文档总数不多状况下，主分片数越多，相关性算分会越不许。

　　解决相关度评分不许问题的方法：

　　1）合理设置分片数量，保证数据均匀分布。

　　　当数据量不大时，能够考虑仅设置一个主分数；当数据量较大时，保证文档均匀的分布在各个分片上。ES提供了routing_partition_size参数，routing_partition_size越大，数据的分布越均匀（【Elasticsearch学习】之一图读懂文档索引全过程中有说起）。

　　2）使用dfs_query_then_fetch

　　在搜索时，指定搜索的类型search_type=dfs_query_the_fetch，在搜索的时候，每一个分片会把每一个分片的TF和IDF进行搜集，而后综合全部的数据进行一次完整的相关性评分计算，可是通常不推荐，由于这样会耗费较多的CPU和内存。