ElasticSearch原理

Elasticsearch－基础介绍及索引原理分析

最近在参与一个基于Elasticsearch做为底层数据框架提供大数据量(亿级)的实时统计查询的方案设计工做，花了些时间学习Elasticsearch的基础理论知识，整理了一下，但愿能对Elasticsearch感兴趣/想了解的同窗有所帮助。 同时也但愿有发现内容不正确或者有疑问的地方，望指明，一块儿探讨，学习，进步。

介绍

Elasticsearch 是一个分布式可扩展的实时搜索和分析引擎,一个创建在全文搜索引擎 Apache Lucene(TM) 基础上的搜索引擎.固然 Elasticsearch 并不只仅是 Lucene 那么简单，它不只包括了全文搜索功能，还能够进行如下工做:

• 分布式实时文件存储，并将每个字段都编入索引，使其能够被搜索。
• 实时分析的分布式搜索引擎。
• 能够扩展到上百台服务器，处理PB级别的结构化或非结构化数据。

基本概念

先说Elasticsearch的文件存储，Elasticsearch是面向文档型数据库，一条数据在这里就是一个文档，用JSON做为文档序列化的格式，好比下面这条用户数据：

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

用Mysql这样的数据库存储就会容易想到创建一张User表，有balabala的字段等，在Elasticsearch里这就是一个文档，固然这个文档会属于一个User的类型，各类各样的类型存在于一个索引当中。这里有一份简易的将Elasticsearch和关系型数据术语对照表:

关系数据库     ⇒ 数据库 ⇒ 表    ⇒ 行    ⇒ 列(Columns)

Elasticsearch  ⇒ 索引(Index)   ⇒ 类型(type) ⇒ 文档(Docments) ⇒ 字段(Fields) 

一个 Elasticsearch 集群能够包含多个索引(数据库)，也就是说其中包含了不少类型(表)。这些类型中包含了不少的文档(行)，而后每一个文档中又包含了不少的字段(列)。Elasticsearch的交互，可使用Java API，也能够直接使用HTTP的Restful API方式，好比咱们打算插入一条记录，能够简单发送一个HTTP的请求：

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

更新，查询也是相似这样的操做，具体操做手册能够参见Elasticsearch权威指南

---

索引

Elasticsearch最关键的就是提供强大的索引能力了，其实InfoQ的这篇时间序列数据库的秘密(2)——索引写的很是好，我这里也是围绕这篇结合本身的理解进一步梳理下，也但愿能够帮助你们更好的理解这篇文章。

Elasticsearch索引的精髓：

一切设计都是为了提升搜索的性能

另外一层意思：为了提升搜索的性能，不免会牺牲某些其余方面，好比插入/更新，不然其余数据库不用混了。前面看到往Elasticsearch里插入一条记录，其实就是直接PUT一个json的对象，这个对象有多个fields，好比上面例子中的name, sex, age, about, interests，那么在插入这些数据到Elasticsearch的同时，Elasticsearch还默默1的为这些字段创建索引--倒排索引，由于Elasticsearch最核心功能是搜索。

Elasticsearch是如何作到快速索引的

InfoQ那篇文章里说Elasticsearch使用的倒排索引比关系型数据库的B-Tree索引快，为何呢？

什么是B-Tree索引?

上大学读书时老师教过咱们，二叉树查找效率是logN，同时插入新的节点没必要移动所有节点，因此用树型结构存储索引，能同时兼顾插入和查询的性能。所以在这个基础上，再结合磁盘的读取特性(顺序读/随机读)，传统关系型数据库采用了B-Tree/B+Tree这样的数据结构：

为了提升查询的效率，减小磁盘寻道次数，将多个值做为一个数组经过连续区间存放，一次寻道读取多个数据，同时也下降树的高度。

什么是倒排索引?

继续上面的例子，假设有这么几条数据(为了简单，去掉about, interests这两个field):

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

ID是Elasticsearch自建的文档id，那么Elasticsearch创建的索引以下:

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分别为每一个field都创建了一个倒排索引，Kate, John, 24, Female这些叫term，而[1,2]就是Posting List。Posting list就是一个int的数组，存储了全部符合某个term的文档id。

看到这里，不要认为就结束了，精彩的部分才刚开始...

经过posting list这种索引方式彷佛能够很快进行查找，好比要找age=24的同窗，爱回答问题的小明立刻就举手回答：我知道，id是1，2的同窗。可是，若是这里有上千万的记录呢？若是是想经过name来查找呢？

Term Dictionary

Elasticsearch为了能快速找到某个term，将全部的term排个序，二分法查找term，logN的查找效率，就像经过字典查找同样，这就是Term Dictionary。如今再看起来，彷佛和传统数据库经过B-Tree的方式相似啊，为何说比B-Tree的查询快呢？

Term Index

B-Tree经过减小磁盘寻道次数来提升查询性能，Elasticsearch也是采用一样的思路，直接经过内存查找term，不读磁盘，可是若是term太多，term dictionary也会很大，放内存不现实，因而有了Term Index，就像字典里的索引页同样，A开头的有哪些term，分别在哪页，能够理解term index是一颗树：

这棵树不会包含全部的term，它包含的是term的一些前缀。经过term index能够快速地定位到term dictionary的某个offset，而后从这个位置再日后顺序查找。

因此term index不须要存下全部的term，而仅仅是他们的一些前缀与Term Dictionary的block之间的映射关系，再结合FST(Finite State Transducers)的压缩技术，可使term index缓存到内存中。从term index查到对应的term dictionary的block位置以后，再去磁盘上找term，大大减小了磁盘随机读的次数。

这时候爱提问的小明又举手了:"那个FST是神马东东啊?"

一看就知道小明是一个上大学读书的时候跟我同样不认真听课的孩子，数据结构老师必定讲过什么是FST。但没办法，我也忘了，这里再补下课：

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

假设咱们如今要将mop, moth, pop, star, stop and top(term index里的term前缀)映射到序号：0，1，2，3，4，5(term dictionary的block位置)。最简单的作法就是定义个Map<string, integer="">，你们找到本身的位置对应入座就行了，但从内存占用少的角度想一想，有没有更优的办法呢？答案就是：FST(理论依据在此，但我相信99%的人不会认真看完的)

⭕️表示一种状态

-->表示状态的变化过程，上面的字母/数字表示状态变化和权重

将单词分红单个字母经过⭕️和-->表示出来，0权重不显示。若是⭕️后面出现分支，就标记权重，最后整条路径上的权重加起来就是这个单词对应的序号。

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

FST以字节的方式存储全部的term，这种压缩方式能够有效的缩减存储空间，使得term index足以放进内存，但这种方式也会致使查找时须要更多的CPU资源。

后面的更精彩，看累了的同窗能够喝杯咖啡……

---

压缩技巧

Elasticsearch里除了上面说到用FST压缩term index外，对posting list也有压缩技巧。 
小明喝完咖啡又举手了:"posting list不是已经只存储文档id了吗？还须要压缩？"

嗯，咱们再看回最开始的例子，若是Elasticsearch须要对同窗的性别进行索引(这时传统关系型数据库已经哭晕在厕所……)，会怎样？若是有上千万个同窗，而世界上只有男/女这样两个性别，每一个posting list都会有至少百万个文档id。 Elasticsearch是如何有效的对这些文档id压缩的呢？

Frame Of Reference

增量编码压缩，将大数变小数，按字节存储

首先，Elasticsearch要求posting list是有序的(为了提升搜索的性能，再任性的要求也得知足)，这样作的一个好处是方便压缩，看下面这个图例： 

若是数学不是体育老师教的话，仍是比较容易看出来这种压缩技巧的。

原理就是经过增量，将原来的大数变成小数仅存储增量值，再精打细算按bit排好队，最后经过字节存储，而不是大大咧咧的尽管是2也是用int(4个字节)来存储。

Roaring bitmaps

说到Roaring bitmaps，就必须先从bitmap提及。Bitmap是一种数据结构，假设有某个posting list：

[1,3,4,7,10]

对应的bitmap就是：

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

很是直观，用0/1表示某个值是否存在，好比10这个值就对应第10位，对应的bit值是1，这样用一个字节就能够表明8个文档id，旧版本(5.0以前)的Lucene就是用这样的方式来压缩的，但这样的压缩方式仍然不够高效，若是有1亿个文档，那么须要12.5MB的存储空间，这仅仅是对应一个索引字段(咱们每每会有不少个索引字段)。因而有人想出了Roaring bitmaps这样更高效的数据结构。

Bitmap的缺点是存储空间随着文档个数线性增加，Roaring bitmaps须要打破这个魔咒就必定要用到某些指数特性：

将posting list按照65535为界限分块，好比第一块所包含的文档id范围在0~65535之间，第二块的id范围是65536~131071，以此类推。再用<商，余数>的组合表示每一组id，这样每组里的id范围都在0~65535内了，剩下的就好办了，既然每组id不会变得无限大，那么咱们就能够经过最有效的方式对这里的id存储。

细心的小明这时候又举手了:"为何是以65535为界限?"

程序员的世界里除了1024外，65535也是一个经典值，由于它=2^16-1，正好是用2个字节能表示的最大数，一个short的存储单位，注意到上图里的最后一行“If a block has more than 4096 values, encode as a bit set, and otherwise as a simple array using 2 bytes per value”，若是是大块，用节省点用bitset存，小块就豪爽点，2个字节我也不计较了，用一个short[]存着方便。

那为何用4096来区分大块仍是小块呢？

我的理解：都说程序员的世界是二进制的，4096*2bytes ＝ 8192bytes < 1KB, 磁盘一次寻道能够顺序把一个小块的内容都读出来，再大一位就超过1KB了，须要两次读。

---

联合索引

上面说了半天都是单field索引，若是多个field索引的联合查询，倒排索引如何知足快速查询的要求呢？

• 利用跳表(Skip list)的数据结构快速作“与”运算，或者
• 利用上面提到的bitset按位“与”

先看看跳表的数据结构：

将一个有序链表level0，挑出其中几个元素到level1及level2，每一个level越往上，选出来的指针元素越少，查找时依次从高level往低查找，好比55，先找到level2的31，再找到level1的47，最后找到55，一共3次查找，查找效率和2叉树的效率至关，但也是用了必定的空间冗余来换取的。

假设有下面三个posting list须要联合索引：

若是使用跳表，对最短的posting list中的每一个id，逐个在另外两个posting list中查找看是否存在，最后获得交集的结果。

若是使用bitset，就很直观了，直接按位与，获得的结果就是最后的交集。

---

总结和思考

Elasticsearch的索引思路:

将磁盘里的东西尽可能搬进内存，减小磁盘随机读取次数(同时也利用磁盘顺序读特性)，结合各类奇技淫巧的压缩算法，用及其苛刻的态度使用内存。

因此，对于使用Elasticsearch进行索引时须要注意:

• 不须要索引的字段，必定要明肯定义出来，由于默认是自动建索引的
• 一样的道理，对于String类型的字段，不须要analysis的也须要明肯定义出来，由于默认也是会analysis的
• 选择有规律的ID很重要，随机性太大的ID(好比java的UUID)不利于查询

关于最后一点，我的认为有多个因素:

其中一个(也许不是最重要的)因素: 上面看到的压缩算法，都是对Posting list里的大量ID进行压缩的，那若是ID是顺序的，或者是有公共前缀等具备必定规律性的ID，压缩比会比较高；

另一个因素: 多是最影响查询性能的，应该是最后经过Posting list里的ID到磁盘中查找Document信息的那步，由于Elasticsearch是分Segment存储的，根据ID这个大范围的Term定位到Segment的效率直接影响了最后查询的性能，若是ID是有规律的，能够快速跳过不包含该ID的Segment，从而减小没必要要的磁盘读次数，具体能够参考这篇如何选择一个高效的全局ID方案(评论也很精彩)

转：http://blog.pengqiuyuan.com/ji-chu-jie-shao-ji-suo-yin-yuan-li-fen-xi/