图解es

  • 云上的集群

image.png

  • 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
image.png

  • 节点之间

在一个或者多个节点直接，多个绿色小方块组合在一起形成一个ElasticSearch的索引
image.png

  • 索引里的小方块

在一个索引下，分布在多个节点里的绿色小方块称为分片——Shard
image.png

  • Shard＝Lucene Index

一个ElasticSearch的Shard本质上是一个Lucene Index。
image.png
Lucene是一个Full Text 搜索库（也有很多其他形式的搜索库），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

Segment

  • Mini索引——segment

在Lucene里面有很多小的segment，我们可以把它们看成Lucene内部的mini-index
image.png

  • Segment内部（有着许多数据结构）
    • Inverted Index
    • Stored Fields
    • Document Values
    • Cache

image.png

Inverted Index

最最重要的Inverted Index
image.png
Inverted Index主要包括两部分：

  • 一个有序的数据字典Dictionary（包括单词Term和它出现的频率）。
  • 与单词Term对应的Postings（即存在这个单词的文件）。

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

  • 查询“the fury”

image.png

  • 自动补全（AutoCompletion-Prefix）

如果想要查找以字母“c”开头的字母，可以简单的通过二分查找（Binary Search）在Inverted Index表中找到例如“choice”、“coming”这样的词（Term）。
image.png

  • 昂贵的查找

如果想要查找所有包含“our”字母的单词，那么系统会扫描整个Inverted Index，这是非常昂贵的。
image.png
在此种情况下，如果想要做优化，那么我们面对的问题是如何生成合适的Term。

  • 问题的转化

image.png
对于以上诸如此类的问题，我们可能会有几种可行的解决方案：

    • suffix -> xiffus *

如果我们想以后缀作为搜索条件，可以为Term做反向处理。

  1. (60.6384, 6.5017) -> u4u8gyykk

对于GEO位置信息，可以将它转换为GEO Hash。

  1. 123 -> {1-hundreds, 12-tens, 123}

对于简单的数字，可以为它生成多重形式的Term

  • 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，解决拼写错误的问题。
image.png

Stored 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，Inverted Index就不能很好的解决这个问题，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，Stored Fields是一个简单的键值对key-value。默认情况下，ElasticSearch会存储整个文件的JSON source。
image.png

Document Values为了排序，聚合

即使这样，我们发现以上结构仍然无法解决诸如：排序、聚合、facet，因为我们可能会要读取大量不需要的信息。
所以，另一种数据结构解决了此种问题：Document Values。这种结构本质上就是一个列式的存储，它高度优化了具有相同类型的数据的存储结构。
image.png
为了提高效率，ElasticSearch可以将索引下某一个Document Value全部读取到内存中进行操作，这大大提升访问速度，但是也同时会消耗掉大量的内存空间。
总之，这些数据结构Inverted Index、Stored Fields、Document Values及其缓存，都在segment内部。

搜索发生时

搜索时，Lucene会搜索所有的segment然后将每个segment的搜索结果返回，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：

  • Segments是不可变的（immutable）
    • Delete? 当删除发生时，Lucene做的只是将其标志位置为删除，但是文件还是会在它原来的地方，不会发生改变
    • Update? 所以对于更新来说，本质上它做的工作是：先删除，然后重新索引（Re-index）
  • 随处可见的压缩
    • Lucene非常擅长压缩数据，基本上所有教科书上的压缩方式，都能在Lucene中找到。

  • 缓存所有的所有

    • Lucene也会将所有的信息做缓存，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，会为文件建立相应的缓存，并且会定期（每秒）刷新这些数据，然后这些文件就可以被搜索到。
      image.png
      随着时间的增加，我们会有很多segments，
      image.png
      所以ElasticSearch会将这些segment合并，在这个过程中，segment会最终被删除掉
      image.png
      这就是为什么增加文件可能会使索引所占空间变小，它会引起merge，从而可能会有更多的压缩。

  • 举个栗子

有两个segment将会merge
image.png
这两个segment最终会被删除，然后合并成一个新的segment
image.png
这时这个新的segment在缓存中处于cold状态，但是大多数segment仍然保持不变，处于warm状态。
以上场景经常在Lucene Index内部发生的。
image.png

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
image.png
与在Lucene Segment中搜索不同的是，Shard可能是分布在不同Node上的，所以在搜索与返回结果时，所有的信息都会通过网络传输。
需要注意的是：
1次搜索查找2个shard ＝ 2次分别搜索shard
image.png

  • 对于日志文件的处理

当我们想搜索特定日期产生的日志时，通过根据时间戳对日志文件进行分块与索引，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，只需删除老的索引即可。
image.png
在上种情况下，每个index有两个shards

  • 如何Scale

image.png
shard不会进行更进一步的拆分，但是shard可能会被转移到不同节点上
image.png
所以，如果当集群节点压力增长到一定的程度，我们可能会考虑增加新的节点，这就会要求我们对所有数据进行重新索引，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，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

    • 为更重要的数据索引节点，分配性能更好的机器
    • 确保每个shard都有副本信息replica

      Lucene处理流程

      上文图解过程，还需要理解Lucene处理流程, 这将帮助你更好的索引文档和搜索文档。
      image.png
      创建索引的过程：

  • 准备待索引的原文档，数据来源可能是文件、数据库或网络

  • 对文档的内容进行分词组件处理，形成一系列的Term
  • 索引组件对文档和Term处理，形成字典和倒排表

搜索索引的过程：

  • 对查询语句进行分词处理，形成一系列Term
  • 根据倒排索引表查找出包含Term的文档，并进行合并形成符合结果的文档集
  • 比对查询语句与各个文档相关性得分，并按照得分高低返回