【166期】图解ElasticSearch原理,搞懂它,面试再也不用怕被问到了!

本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer,已开源在github ,欢迎star!

转载声明:转载请注明出处,本技术博客是本人原创文章

本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录,这是我花了6个月总结的一线大厂Java面试总结,本人已拿大厂offer,欢迎star

原文链接:blog.ouyangsihai.cn >> 【166期】图解ElasticSearch原理,搞懂它,面试再也不用怕被问到了!

点击上方“Java面试题精选”,关注公众号

面试刷图,查缺补漏

号外:往期面试题,10篇为一个单位归置到本公众号菜单栏-面试题,有需要的欢迎翻阅

阶段汇总集合:

摘要

先自上而下,后自底向上的介绍ElasticSearch的底层工作原理,试图回答以下问题:

  • 为什么我的搜索 ***foo-bar*** 无法匹配 **foo-bar** ?
  • 为什么增加更多的文件会压缩索引(Index)?
  • 为什么ElasticSearch占用很多内存?
  • 版本

    elasticsearch版本: elasticsearch-2.2.0

    图解ElasticSearch

    云上的集群

    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。

    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。

    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。

    Shard=Lucene Index

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

    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

    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。

    Segment内部

    有着许多数据结构

  • Inverted Index
  • Stored Fields
  • Document Values
  • Cache
  • 最最重要的Inverted Index

    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。

    查询“the fury”
    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)。

    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。

    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

    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。
  • (60.6384, 6.5017) - u4u8gyykk 对于GEO位置信息,可以将它转换为GEO Hash。
  • 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。

    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。

    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。

    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。

    随着时间的增加,我们会有很多segments,

    所以ElasticSearch会将这些segment合并,在这个过程中,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,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

    这两个segment最终会被删除,然后合并成一个新的segment

    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。

    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,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

    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。

    在上种情况下,每个index有两个shards

    如何Scale

    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

    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
  • 路由Routing

    每个节点,每个都存留一份路由表,所以当请求到任何一个节点时,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

    Query

    Query有一个类型filtered,以及一个multi_match的查询

    Aggregation

    根据作者进行聚合,得到top10的hits的top10作者的信息

    请求分发

    这个请求可能被分发到集群里的任意一个节点

    上帝节点

    这时这个节点就成为当前请求的协调者(Coordinator),它决定:

  • 根据索引信息,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
  • 路由

    在真实搜索之前

    ElasticSearch 会将Query转换成Lucene Query

    然后在所有的segment中执行计算

    对于Filter条件本身也会有缓存

    但queries不会被缓存,所以如果相同的Query重复执行,应用程序自己需要做缓存

    所以,

  • filters可以在任何时候使用
  • query只有在需要score的时候才使用
  • 返回

    搜索结束之后,结果会沿着下行的路径向上逐层返回。

    来源:cnblogs.com/richaaaard/p/5226334.html

    与其在网上拼命找题?** 不如马上关注我们~**

    【166期】图解ElasticSearch原理,搞懂它,面试再也不用怕被问到了!

    原文始发于微信公众号(Java面试题精选):

    本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer,已开源在github ,欢迎star!

    转载声明:转载请注明出处,本技术博客是本人原创文章

    本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录,这是我花了6个月总结的一线大厂Java面试总结,本人已拿大厂offer,欢迎star

    原文链接:blog.ouyangsihai.cn >> 【166期】图解ElasticSearch原理,搞懂它,面试再也不用怕被问到了!


     上一篇
    【165期】面试官——你对MySQL分区的知识了解多少? 【165期】面试官——你对MySQL分区的知识了解多少?
    点击上方“Java面试题精选”,关注公众号 面试刷图,查缺补漏 号外:往期面试题,10篇为一个单位归置到本公众号菜单栏-面试题,有需要的欢迎翻阅 阶段汇总集合: 目录 一.InnoDB逻辑存储结构 段 区 页 分区
    2021-04-05
    下一篇 
    【167期】面试官——反射是如何影响性能的,它到底慢在哪里? 【167期】面试官——反射是如何影响性能的,它到底慢在哪里?
    点击上方“Java面试题精选”,关注公众号 面试刷图,查缺补漏 号外:往期面试题,10篇为一个单位归置到本公众号菜单栏-面试题,有需要的欢迎翻阅 阶段汇总集合: 介绍完反射的实现后有朋友问反射具体是怎么影响性能的?这引起了我的反思。是啊,在
    2021-04-05