rabbitmq面试题,javaio面试题

一.概要1 .为什么要使用电子搜索？ 在互联网APP应用中，搜索功能很常见。 在检索大量数据时，如果使用传统的关系数据库进行搜索，则模糊模糊查询查询会导致查询引擎放弃索引，并在系统查询数据时生成所有表密钥在百万级别的数据库中，查询效率是非常低下的，Elasticsearch是专业的3358www.Sina.com/，使用ES可以大大提高搜索效率。 通过将经常查询的系统功能的几个字段，例如电子商务系统商品表的商品名、说明、价格、以及id等字段放入ES索引库中，可以实现全文搜索引擎2 .核心原理1.elaa提高查询速度是一个或多个节点(服务器)的集合，用于存储整个数据，并跨所有节点索引和搜索。集群是属于群集的单个服务器。 保存数据，参与集群索引和搜索功能。 就像节点关系数据库中的“数据库”。 定义了多种类型的映射。 索引为索引，逻辑名称空间。 类似于映射到一个或多个主分片，并且可以有零个或多个副本分片关系数据库中的一行。 差异是索引文档，但公共字段的数据类型必须相同。每个文档可以具有不同的结构(字段)是索引的逻辑类别/分区，其含义完全取决于用户。 (类型)2. Elasticsearch的倒排索引是什么？ 倒排索引是搜索引擎的核心。 搜索引擎的主要目标是在搜索出现搜索条件的文档时提供快速搜索。 ES的倒排索引实际上是lucene的倒排索引，与传统的前向索引不同，倒排索引是http://www.Sina.com/3.elastic search文档的写入过程

协调节点收到文档后，当路由计算找到相应的片并收到来自协调节点的请求时，Elasticsearch7已删除这一概念，http://www.Sina.com 这称为内存缓冲器到文件系统缓存的过程(65将关键词和数据进行关联，保存到倒排表中，然后查询时，将查询内容进行分词后在倒排表中进行查询，最后匹配数据即可)。在某些情况下，内存缓冲器和文件系统缓存中的数据可能会丢失。 es通过http://www.Sina.com/。 其实现机制为将请求写入到 Memory Buffer，将在文件系统缓存数据写入磁盘时清除。 这个过程称为flush； flush中，内存中的缓冲区被清除。然后定时（默认是每隔 1 秒）写入到 Filesystem Cache，refreshflush触发器的计时可以是定时器触发(默认30分钟)或translog太大)默认值512M 4. Elasticsearch更新和删除文档的过程？ 删除和更新也是写入，但是写入到Filesystemcache后即可被检索到，不能删除或更改以表示更改； 提交磁盘上的translog的机制来保证数据的可靠性删除请求后，不会真正删除文档，接收到请求后，同时也会写入到 translog 中此文档仍然与查询匹配，但http://www.Sina.com 创建新文档后，Elasticsearch会为文档分配版本号，并在执行更新时将新版本的文档索引到新段。 5 .电子搜索搜索流程？

搜索作为两个阶段的过程运行，称为内容被写入一个新段。 在第一个查询阶段，查询为段的 fsync 将创建一个新的提交点，并将内容刷新到磁盘，旧的 translog 将被删除并开始一个新的 translog。。 每个拼贴都在本地执行搜索，并构建匹配文档大小为from size的首选队列。 虽然位于PS:3358www.Sina.com/，但有些数据仍在Memory Buffer中，因此搜索为Elasticsearch 中的段是不可变的

strong>。每个分片返回各自优先队列中 所有文档的 ID 和排序值 给协调节点，它合并这些值到自己的优先队列中来产生一个全局排序后的结果列表。接下来就是取回阶段， **协调节点辨别出哪些文档需要被取回并向相关的分片提交多个 GET 请求。**每个分片加载并丰富文档，如果有需要的话，接着返回文档给协调节点。一旦所有的文档都被取回了，协调节点返回结果给客户端。 Query Then Fetch 的搜索类型在文档相关性打分的时候参考的是本分片的数据，这样在文档数量较少的时候可能不够准确， DFS Query Then Fetch 增加了一个预查询的处理，询问 Term 和 Document frequency，这个评分更准确，但是性能会变差。 三. 集群 1. Elasticsearch 的 master 选举流程？master节点的职责？ 对所有可以成为master的节点（node master: true）根据nodeId字典排序，每次选举每个节点都把自己所知道节点排一次序，然后选出第一个（第0位）节点，暂且认为它是master节点。如果对某个节点的投票数达到一定的值（可以成为master节点数n/2+1）并且该节点自己也选举自己，那这个节点就是master。否则重新选举一直到满足上述条件。master节点的职责主要包括集群、节点和索引的管理，不负责文档级别的管理。 2. Elasticsearch 集群脑裂问题？

“脑裂”问题可能的成因：

网络问题：集群间的网络延迟导致一些节点访问不到master, 认为master 挂掉了从而选举出新的master,并对master上的分片和副本标红，分配新的主分片。节点负载：主节点的角色既为master又为data,访问量较大时可能会导致ES停止响应造成大面积延迟，此时其他节点得不到主节点的响应认为主节点挂掉了，会重新选取主节点。内存回收：data 节点上的ES进程占用的内存较大，引发JVM的大规模内存回收，造成ES进程失去响应。

脑裂问题解决方案：

选举触发：调整discovery.zen.minimum. _master_ nodes参数（默认为1），该参数是用于控制选举行为发生的最小集群主节点数量。当备选主节点的个數大于等于该参数的值，且备选主节点中有该参数个节点认为主节点挂了，进行选举。官方建议为(n / 2) +1（超过半数节点投票才能成为master), n为主节点个数（即有资格成为主节点的节点个数）。减少误判：调整discovery.zen ping_ timeout 节点状态的响应时间，默认为3s，可以适当调大，如果master在该响应时间的范围内没有做出响应应答，判断该节点已经挂掉了。调大参数（如6s，discovery.zen.ping_timeout:6），可适当减少误判。角色分离：即master节点与data节点分离，限制角色
主节点配置为：node master: true，node data: false
从节点配置为：node master: false，node data: true 3. 如何监控 Elasticsearch 集群状态？ elasticsearch-head 插件。通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状态和性能，也可以分析过去的集群、索引和节点指标 四. 优化 1. GC 方面，在使用 Elasticsearch 时要注意什么？ 倒排词典的索引需要常驻内存，无法 GC，需要监控 data node 上 segment memory 增长趋势。各类缓存， field cache, filter cache, indexing cache, bulk queue 等等，要设置合理的大小，并且要应该根据最坏的情况来看 heap 是否够用。避免返回大量结果集的搜索与聚合。确实需要大量拉取数据的场景，可以采用 scan & scroll api 来实现。cluster stats 驻留内存并无法水平扩展，超大规模集群可以考虑分拆成多个集群通过 tribe node 连接。

参考文章：https://www.bilibili.com/video/BV1hh411D7sb?p=62&spm_id_from=pageDriver