图解ElasticSearch原理，你可收好了!

图解 ElasticSearch 原理&＃xff0c;你可收好了!

&＃xff08;给数据分析与开发加星标&＃xff0c;提升数据技能&＃xff09;

来源&＃xff1a;Richaaaard

Elasticsearch 是一款功能强大的开源分布式搜索与数据分析引擎&＃xff0c;目前国内诸多互联网大厂都在使用&＃xff0c;包括携程、滴滴、今日头条、饿了么、360 安全、小米、vivo 等。

除了搜索之外&＃xff0c;结合 Kibana、Logstash、Beats&＃xff0c;Elastic Stack 还被广泛运用在大数据近实时分析领域&＃xff0c;包括日志分析、指标监控、信息安全等多个领域。

它可以帮助你探索海量结构化、非结构化数据&＃xff0c;按需创建可视化报表&＃xff0c;对监控数据设置报警阈值&＃xff0c;甚至通过使用机器学习技术&＃xff0c;自动识别异常状况。

今天&＃xff0c;我们先自上而下&＃xff0c;后自底向上的介绍ElasticSearch的底层工作原理&＃xff0c;并试图回答以下问题&＃xff1a;

• 为什么我的搜索 *foo-bar* 无法匹配 foo-bar &＃xff1f;

• 为什么增加更多的文件会压缩索引&＃xff08;Index&＃xff09;&＃xff1f;

• 为什么 ElasticSearch 占用很多内存&＃xff1f;

图解 ElasticSearch

elasticsearch 版本: elasticsearch-2.2.0。

①云上的集群

如下图&＃xff1a;

②集群里的盒子

云里面的每个白色正方形的盒子代表一个节点——Node。

③节点之间

在一个或者多个节点直接&＃xff0c;多个绿色小方块组合在一起形成一个 ElasticSearch 的索引。

④索引里的小方块

在一个索引下&＃xff0c;分布在多个节点里的绿色小方块称为分片——Shard。

⑤Shard&＃xff1d;Lucene Index

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

Lucene 是一个 Full Text 搜索库&＃xff08;也有很多其他形式的搜索库&＃xff09;&＃xff0c;ElasticSearch 是建立在 Lucene 之上的。

接下来的故事要说的大部分内容实际上是 ElasticSearch 如何基于 Lucene 工作的。

图解 Lucene

Mini 索引&＃xff1a;Segment

在 Lucene 里面有很多小的 Segment&＃xff0c;我们可以把它们看成 Lucene 内部的 mini-index。

Segment 内部

Segment 内部有着许多数据结构&＃xff0c;如上图&＃xff1a;

• Inverted Index

• Stored Fields

• Document Values

• Cache

最最重要的 Inverted Index

如下图&＃xff1a;

Inverted Index 主要包括两部分&＃xff1a;

• 一个有序的数据字典 Dictionary&＃xff08;包括单词 Term 和它出现的频率&＃xff09;。

• 与单词 Term 对应的 Postings&＃xff08;即存在这个单词的文件&＃xff09;。

当我们搜索的时候&＃xff0c;首先将搜索的内容分解&＃xff0c;然后在字典里找到对应 Term&＃xff0c;从而查找到与搜索相关的文件内容。

①查询“the fury”

如下图&＃xff1a;

②自动补全&＃xff08;AutoCompletion-Prefix&＃xff09;

如果想要查找以字母“c”开头的字母&＃xff0c;可以简单的通过二分查找&＃xff08;Binary Search&＃xff09;在 Inverted Index 表中找到例如“choice”、“coming”这样的词&＃xff08;Term&＃xff09;。

③昂贵的查找

如果想要查找所有包含“our”字母的单词&＃xff0c;那么系统会扫描整个 Inverted Index&＃xff0c;这是非常昂贵的。

在此种情况下&＃xff0c;如果想要做优化&＃xff0c;那么我们面对的问题是如何生成合适的 Term。

④问题的转化

如下图&＃xff1a;

对于以上诸如此类的问题&＃xff0c;我们可能会有几种可行的解决方案&＃xff1a;

• * suffix→xiffus *&＃xff0c;如果我们想以后缀作为搜索条件&＃xff0c;可以为 Term 做反向处理。

• (60.6384, 6.5017)→ u4u8gyykk&＃xff0c;对于 GEO 位置信息&＃xff0c;可以将它转换为 GEO Hash。

• 123→{1-hundreds, 12-tens, 123}&＃xff0c;对于简单的数字&＃xff0c;可以为它生成多重形式的 Term。

⑤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&＃xff0c;解决拼写错误的问题。

⑥Stored Field 字段查找

当我们想要查找包含某个特定标题内容的文件时&＃xff0c;Inverted Index 就不能很好的解决这个问题&＃xff0c;所以 Lucene 提供了另外一种数据结构 Stored Fields 来解决这个问题。

本质上&＃xff0c;Stored Fields 是一个简单的键值对 key-value。默认情况下&＃xff0c;ElasticSearch 会存储整个文件的 JSON source。

⑦Document Values 为了排序&＃xff0c;聚合

即使这样&＃xff0c;我们发现以上结构仍然无法解决诸如&＃xff1a;排序、聚合、facet&＃xff0c;因为我们可能会要读取大量不需要的信息。

所以&＃xff0c;另一种数据结构解决了此种问题&＃xff1a;Document Values。这种结构本质上就是一个列式的存储&＃xff0c;它高度优化了具有相同类型的数据的存储结构。

为了提高效率&＃xff0c;ElasticSearch 可以将索引下某一个 Document Value 全部读取到内存中进行操作&＃xff0c;这大大提升访问速度&＃xff0c;但是也同时会消耗掉大量的内存空间。

总之&＃xff0c;这些数据结构 Inverted Index、Stored Fields、Document Values 及其缓存&＃xff0c;都在 segment 内部。

搜索发生时

搜索时&＃xff0c;Lucene 会搜索所有的 Segment 然后将每个 Segment 的搜索结果返回&＃xff0c;最后合并呈现给客户。

Lucene 的一些特性使得这个过程非常重要&＃xff1a;

• Segments 是不可变的&＃xff08;immutable&＃xff09;&＃xff1a;Delete&＃xff1f;当删除发生时&＃xff0c;Lucene 做的只是将其标志位置为删除&＃xff0c;但是文件还是会在它原来的地方&＃xff0c;不会发生改变。

  Update&＃xff1f;所以对于更新来说&＃xff0c;本质上它做的工作是&＃xff1a;先删除&＃xff0c;然后重新索引&＃xff08;Re-index&＃xff09;。

• 随处可见的压缩&＃xff1a;Lucene 非常擅长压缩数据&＃xff0c;基本上所有教科书上的压缩方式&＃xff0c;都能在 Lucene 中找到。

• 缓存所有的所有&＃xff1a;Lucene 也会将所有的信息做缓存&＃xff0c;这大大提高了它的查询效率。

缓存的故事

当 ElasticSearch 索引一个文件的时候&＃xff0c;会为文件建立相应的缓存&＃xff0c;并且会定期&＃xff08;每秒&＃xff09;刷新这些数据&＃xff0c;然后这些文件就可以被搜索到。

随着时间的增加&＃xff0c;我们会有很多 Segments&＃xff0c;如下图&＃xff1a;

所以 ElasticSearch 会将这些 Segment 合并&＃xff0c;在这个过程中&＃xff0c;Segment 会最终被删除掉。

这就是为什么增加文件可能会使索引所占空间变小&＃xff0c;它会引起 Merge&＃xff0c;从而可能会有更多的压缩。

举个栗子

有两个 Segment 将会 Merge&＃xff1a;

这两个 Segment 最终会被删除&＃xff0c;然后合并成一个新的 Segment&＃xff0c;如下图&＃xff1a;

这时这个新的 Segment 在缓存中处于 Cold 状态&＃xff0c;但是大多数 Segment 仍然保持不变&＃xff0c;处于 Warm 状态。

以上场景经常在 Lucene Index 内部发生的&＃xff0c;如下图&＃xff1a;

在 Shard 中搜索

ElasticSearch 从 Shard 中搜索的过程与 Lucene Segment 中搜索的过程类似。

与在 Lucene Segment 中搜索不同的是&＃xff0c;Shard 可能是分布在不同 Node 上的&＃xff0c;所以在搜索与返回结果时&＃xff0c;所有的信息都会通过网络传输。

需要注意的是&＃xff1a;1 次搜索查找 2 个 Shard&＃xff1d;2 次分别搜索 Shard。

对于日志文件的处理&＃xff1a;当我们想搜索特定日期产生的日志时&＃xff0c;通过根据时间戳对日志文件进行分块与索引&＃xff0c;会极大提高搜索效率。

当我们想要删除旧的数据时也非常方便&＃xff0c;只需删除老的索引即可。

在上种情况下&＃xff0c;每个 Index 有两个 Shards。

如何 Scale

如下图&＃xff1a;

Shard 不会进行更进一步的拆分&＃xff0c;但是 Shard 可能会被转移到不同节点上。

所以&＃xff0c;如果当集群节点压力增长到一定的程度&＃xff0c;我们可能会考虑增加新的节点&＃xff0c;这就会要求我们对所有数据进行重新索引&＃xff0c;这是我们不太希望看到的。

所以我们需要在规划的时候就考虑清楚&＃xff0c;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&＃xff1a;

• 为更重要的数据索引节点&＃xff0c;分配性能更好的机器。

• 确保每个 Shard 都有副本信息 Replica。

路由 Routing&＃xff1a;每个节点&＃xff0c;每个都存留一份路由表&＃xff0c;所以当请求到任何一个节点时&＃xff0c;ElasticSearch 都有能力将请求转发到期望节点的 Shard 进一步处理。

一个真实的请求

如下图&＃xff1a;

①Query

如下图&＃xff1a;

Query 有一个类型 filtered&＃xff0c;以及一个 multi_match 的查询。

②Aggregation

如下图&＃xff1a;

根据作者进行聚合&＃xff0c;得到 top10 的 hits 的 top10 作者的信息。

③请求分发

这个请求可能被分发到集群里的任意一个节点&＃xff0c;如下图&＃xff1a;

④上帝节点

如下图&＃xff1a;

这时这个节点就成为当前请求的协调者&＃xff08;Coordinator&＃xff09;&＃xff0c;它决定&＃xff1a;

• 根据索引信息&＃xff0c;判断请求会被路由到哪个核心节点。

• 以及哪个副本是可用的。

• 等等。

⑤路由

如下图&＃xff1a;

⑥在真实搜索之前

ElasticSearch 会将 Query 转换成 Lucene Query&＃xff0c;如下图&＃xff1a;

然后在所有的 Segment 中执行计算&＃xff0c;如下图&＃xff1a;

对于 Filter 条件本身也会有缓存&＃xff0c;如下图&＃xff1a;

但 Queries 不会被缓存&＃xff0c;所以如果相同的 Query 重复执行&＃xff0c;应用程序自己需要做缓存。

所以&＃xff1a;

• Filters 可以在任何时候使用。

• Query 只有在需要 Score 的时候才使用。

⑦返回

搜索结束之后&＃xff0c;结果会沿着下行的路径向上逐层返回&＃xff0c;如下图&＃xff1a;

- EOF -

原文地址&＃xff1a;https://mp.weixin.qq.com/s/8NIwVKs1AFq5qPKOowfJAg