Elastic Stack-Elasticsearch使用介绍(三)-白红宇

Elastic Stack-Elasticsearch使用介绍(三)

阅读量：5241 次

发布时间：2019-06-14

本文共 3096 字，大约阅读时间需要 10 分钟。

一、前言

上一篇说了这篇要讲解Search机制，但是在这个之前我们要明白下文件是怎么存储的，我们先来讲文件的存储然后再来探究机制；

二、文档存储

之前说过文档是存储在分片上的，这里要思考一个问题:文档是通过什么方式去分配到分片上的?我们来思考如下几种方式:

1.通过文档与分片取模实现，这样做的好处在于可以将文档平均分配到所以的分片上；

2.随机分配当然也可以，这种可能造成分配不均，照成空间浪费；

3.轮询这种是最不可取的，采用这种你需要建立文档与分片的映射关系，这样会导致成本太大；

经过一轮强烈的思考，我们选择方案1，没错你想对了，这里Elasticsearch也和我们思考的是一样的，我们来揭露下他分配的公式:

shard_num = hash（_routing）％num_primary_shards

routing是一个关键参数，默认是文档id，可以自行指定；

number_of_primary_shard 主分片数；

之前我们介绍过节点的类型，接下来我们来介绍下，当文档创建时候的流程:

假设的情况:1个主节点和2个数据节点，1个副本:

文档的创建:

1.客户端向节点发起创建文档的请求；

2.通过routing计算文档存储的分片，查询集群确认分片在数据节点1上，然后转发文档到数据节点1；

3.数据节点1接收到请求创建文档，同时发送请求到该住分片的副本；

4.主分片的副本接收到请求则开始创建文档；

5.副本分片文档完成以后发送成功的通知给主分片;

6.当主分片接收到创建完成的信息以后，发送给节点创建成功的通知；

7.节点返回结果给客户端；

三、Search机制

搜索的类型其实有2种:Query Then Ferch和DFS Query Then Ferch，当我们明白如何存储文件的是时候，再去理解这两种查询方式会很简单；

Query Then Ferch

Search在执行的时候分为两个步骤运作Query(查询)和Fetch(获取)，基本流程如下:

1.将查询分配到每个分片；

2.找到所有匹配的文档，并在当前的分片的文档使用Term/Document Frequency信息进行打分；

3.构建结果的优先级队列（排序，分页等）；

4.将结果的查询到的数据返回给请求节点。请注意，实际文档尚未发送，只是分数；

5.将所有分片的分数在请求节点上合并和排序，根据查询条件选择文档；

6.最后从筛选出的文档所在的各个分片中检索实际的文档;

7.结果将返回给客户端；

DFS Query Then Ferch

DFS是在进行真正的查询之前，先把各个分片的词频率和文档频率收集一下，然后进行词搜索的时候，各分片依据全局的词频率和文档频率进行搜索和排名，基本流程如下:

1.提前查询每个shard，询问Term和Document frequency；

2.将查询分配到每个分片;

3.找到所有匹配到的文档，并且在所有分片的文档使用Term/Document Frequency信息进行打分；

4.构建结果的优先级队列（排序，分页等）；

5.将结果的查询到的数据返回给请求节点。请注意，实际文档尚未发送，只是分数；

6.来自所有分片的分数合并起来，并在请求节点上进行排序，文档被按照查询要求进行选择;

7.最终，实际文档从他们各自所在的独立的分片上检索出来;

8.结果被返回给客户端；

总结下，根据上面的两种查询方式来看的DFS查询得分明显会更接近真实的得分，但是DFS 在拿到所有文档后再从新完整的计算一次相关性算分，耗费更多的cpu和内存，执行性能也比较低下，一般不建议使用。使用方式如下：

另外要是当文档数据不多的时候可以考虑使用一个分片；

这个地方我们在做一些深入的思考:我们搜索的时候是通过倒排索引,但是倒排索引一旦建立是不能修改的，这样做有那些好处坏处？

好处:

1.不用考虑并发写入文件的问题，杜绝锁机制带来的性能问题；

2.文件不再更改，可以充分利用文件系统缓存，只需载入一次，只要内容足够，对该文件的读取都会从内存中读取，性能高；

坏处:

写入新文档时，必须重新构建倒排索引文件，然后替换老文件后，新文档才能被检索，导致文档实时性差;

问题:

对于新插入文档的时候写入倒排索引，导致倒排索引重建的问题，假如根据新文档来重新构建倒排索引文件，然后生成一个新的倒排索引文件，再把用户的原查询切掉，切换到新的倒排索引。这样开销会很大，会导致实时性非常差。

Elasticsearch如何解决文件搜索的实时性问题:

新文档直接生成新的倒排索引文件，查询的时候同时查询所有的倒排文件，然后做结果的汇总计算即可，ES是是通过Lucene构建的，Lucene就是通过这种方案处理的，我们介绍下Luncene构建文档的时候的结构:

1.Luncene中单个倒排索引称为Segment，合在一起称为Index，这个Index与Elasticsearch概念是不相同的，Elasticsearch中的每个Shard对应一个Lucene Index；

2.Lucene会有个专门文件来记录所有的Segment信息，称为Commit Point，用来维护Segment的信息；

Segment写入磁盘的时候过程中也是比较慢的，Elasticsearch提供一个Refresh机制，是通过文件缓存的机制实现的，接下我们介绍这个过程:

1.在refresh之前的文档会先存储在一个Buffer里面，refresh时将Buffer中的所有文档清空，并生成Segment；

2.Elasticsearch默认每1秒执行一次refresh，因此文档的实时性被提高到1秒，这也是Elasticsearch称为近实时（Near Real Time）的原因；

Segment写入磁盘前如果发生了宕机，那么其中的文档就无法恢复了，怎么处理这个问题？

Elasticsearch引入translog(事务日志)机制，translog的写入也可以设置，默认是request，每次请求都会写入磁盘(fsync)，这样就保证所有数据不会丢，但写入性能会受影响；如果改成async,则按照配置触发trangslog写入磁盘，注意这里说的只是trangslog本身的写盘。Elasticsearch启动时会检查translog文件，并从中恢复数据;

还有一种机制flush机制，负责将内存中的segment写入磁盘和删除旧的translog文件；