开发一个网站要学什么软件,门户网站的设计,网站制作的步骤不包括,wordpress前端会员中心生活中的数据
搜索引擎是对数据的检索#xff0c;所以我们先从生活中的数据说起。
我们生活中的数据总体分为两种#xff1a;结构化数据 和 非结构化数据 。
结构化数据 #xff1a;也称作行数据#xff0c;是由二维表结构来逻辑表达和实现的数据#xff0c;严格地遵循…
生活中的数据
搜索引擎是对数据的检索所以我们先从生活中的数据说起。
我们生活中的数据总体分为两种结构化数据 和 非结构化数据 。
结构化数据 也称作行数据是由二维表结构来逻辑表达和实现的数据严格地遵循数据格式与长度规范主要通过关系型数据库进行存储和管理。指具有固定格式或有限长度的数据如数据库元数据等。
非结构化数据 又可称为全文数据不定长或无固定格式不适于由数据库二维表来表现包括所有格式的办公文档、XML、HTML、word文档邮件各类报表、图片和咅频、视频信息等。 说明如果要更细致的区分的话XML、HTML可划分为 半结构化数据 。因为它们也具有自己特定的标签格式所以既可以根据需要按结构化数据来处理也可抽取出纯文本按非结构化数据来处理。 根据两种数据分类搜索也相应的分为两种结构化数据搜索 和非结构化数据搜索 。
对于结构化数据因为它们具有特定的结构所以我们一般都是可以通过关系型数据库mysqloracle等的 二维表table的方式存储和搜索也可以建立索引。
对于非结构化数据也即对全文数据的搜索主要有两种方法顺序扫描法 全文检索 。
顺序扫描 通过文字名称也可了解到它的大概搜索方式即按照顺序扫描的方式查询特定的关键字。例如给你一张报纸让你找到该报纸中“平安”的文字在哪些地方出现过。你肯定需要从头到尾把报纸阅读扫描一遍然后标记出关键字在哪些版块出现过以及它的出现位置。
这种方式无疑是最耗时的最低效的如果报纸排版字体小而且版块较多甚至有多份报纸等你扫描完你的眼睛也差不多了。
全文搜索 对非结构化数据顺序扫描很慢我们是否可以进行优化把我们的非结构化数据想办法弄得有一定结构不就行了吗将非结构化数据中的一部分信息提取出来重新组织使其变得有一定结构然后对此有一定结构的数据进行搜索从而达到搜索相对较快的目的。
这种方式就构成了全文检索的基本思路。这部分从非结构化数据中提取出的然后重新组织的信息我们称之索引 。这种方式的主要工作量在前期索引的创建但是对于后期搜索却是快速高效的。 先说说 Lucene
通过对生活中数据的类型作了一个简短了解之后我们知道关系型数据库的SQL检索是处理不了这种非结构化数据的。这种非结构化数据的处理需要依赖全文搜索而目前市场上开放源代码的最好全文检索引擎工具包就属于 apache 的 Lucene了。
但是 Lucene 只是一个工具包它不是一个完整的全文检索引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包以方便的在目标系统中实现全文检索的功能或者是以此为基础建立起完整的全文检索引擎。
目前以 Lucene 为基础建立的开源可用全文搜索引擎主要是 Solr 和 Elasticsearch。
Solr 和 Elasticsearch 都是比较成熟的全文搜索引擎能完成的功能和性能也基本一样。但是 ES 本身就具有分布式的特性和易安装使用的特点而Solr的分布式需要借助第三方来实现例如通过使用ZooKeeper来达到分布式协调管理。
不管是 Solr 还是 Elasticsearch 底层都是依赖于 Lucene而 Lucene 能实现全文搜索主要是因为它实现了倒排索引 的查询结构。
如何理解倒排索引呢假如现有三份数据文档文档的内容如下分别是 Java is the best programming language. PHP is the best programming language. Javascript is the best programming language.
为了创建倒排索引我们通过分词器将每个文档的内容域拆分成单独的词我们称它为词条或 Term创建一个包含所有不重复词条的排序列表然后列出每个词条出现在哪个文档。结果如下所示
CopyTerm Doc_1 Doc_2 Doc_3
-------------------------------------
Java | X | |
is | X | X | X
the | X | X | X
best | X | X | X
programming | x | X | X
language | X | X | X
PHP | | X |
Javascript | | | X
-------------------------------------这种结构由文档中所有不重复词的列表构成对于其中每个词都有一个文档列表与之关联。这种由属性值来确定记录的位置的结构就是倒排索引 。带有倒排索引的文件我们称为倒排文件。
我们将上面的内容转换为图的形式来说明倒排索引的结构信息如下图所示 其中主要有如下几个核心术语需要理解 词条(Term) 索引里面最小的存储和查询单元对于英文来说是一个单词对于中文来说一般指分词后的一个词。 词典(Term Dictionary) 或字典是词条Term的集合。搜索引擎的通常索引单位是单词单词词典是由文档集合中出现过的所有单词构成的字符串集合单词词典内每条索引项记载单词本身的一些信息以及指向“倒排列表”的指针。 倒排表(Post list) 一个文档通常由多个词组成倒排表记录的是某个词在哪些文档里出现过以及出现的位置。每条记录称为一个倒排项(Posting)。倒排表记录的不单是文档编号还存储了词频等信息。 倒排文件(Inverted File) 所有单词的倒排列表往往顺序地存储在磁盘的某个文件里这个文件被称之为倒排文件倒排文件是存储倒排索引的物理文件。
从上图我们可以了解到倒排索引主要由两个部分组成词典 和倒排文件 。词典和倒排表是Lucene中很重要的两种数据结构是实现快速检索的重要基石。词典和倒排文件是分两部分存储的词典在内存中而倒排文件存储在磁盘上。 核心概念
一些基础知识的铺垫之后我们正式进入今天的主角Elasticsearch的介绍 ES是使用Java编写的一种开源搜索引擎它在内部使用Lucene做索引与搜索通过对Lucene的封装隐藏了Lucene的复杂性取而代之的提供一套简单一致的 RESTful API。
然而Elasticsearch 不仅仅是 Lucene并且也不仅仅只是一个全文搜索引擎。它可以被下面这样准确的形容 一个分布式的实时文档存储每个字段可以被索引与搜索。 一个分布式实时分析搜索引擎。 能胜任上百个服务节点的扩展并支持 PB 级别的结构化或者非结构化数据。
官网对Elasticsearch的介绍是Elasticsearch 是一个分布式 、可扩展 、近实时的 搜索与数据分析引擎。我们通过一些核心概念来看下Elasticsearch 是如何做到分布式可扩展和近实时搜索的。
集群Cluster
ES的集群搭建很简单不需要依赖第三方协调管理组件自身内部就实现了集群的管理功能。ES集群由一个或多个Elasticsearch节点组成每个节点配置相同的 cluster.name 即可加入集群默认值为 “elasticsearch”。确保不同的环境中使用不同的集群名称否则最终会导致节点加入错误的集群。
一个Elasticsearch服务启动实例就是一个节点Node。节点通过node.name来设置节点名称如果不设置则在启动时给节点分配一个随机通用唯一标识符作为名称。 发现机制
那么有一个问题ES内部是如何通过一个相同的设置cluster.name 就能将不同的节点连接到同一个集群的答案是Zen Discovery。
Zen Discovery是Elasticsearch的内置默认发现模块发现模块的职责是发现集群中的节点以及选举master节点。它提供单播和基于文件的发现并且可以扩展为通过插件支持云环境和其他形式的发现。Zen Discovery 与其他模块集成例如节点之间的所有通信都使用Transport模块完成。节点使用发现机制通过Ping的方式查找其他节点。
Elasticsearch 默认被配置为使用单播发现以防止节点无意中加入集群。只有在同一台机器上运行的节点才会自动组成集群。
如果集群的节点运行在不同的机器上使用单播你可以为 Elasticsearch 提供一些它应该去尝试连接的节点列表。当一个节点联系到单播列表中的成员时它就会得到整个集群所有节点的状态然后它会联系 master 节点并加入集群。
这意味着单播列表不需要包含集群中的所有节点 它只是需要足够的节点当一个新节点联系上其中一个并且说上话就可以了。如果你使用 master 候选节点作为单播列表你只要列出三个就可以了。这个配置在 elasticsearch.yml 文件中
Copydiscovery.zen.ping.unicast.hosts: [host1, host2:port]节点启动后先 ping 如果discovery.zen.ping.unicast.hosts 有设置则 ping 设置中的 host 否则尝试 ping localhost 的几个端口 Elasticsearch 支持同一个主机启动多个节点 Ping 的 response 会包含该节点的基本信息以及该节点认为的 master 节点。选举开始先从各节点认为的 master 中选规则很简单按照 id 的字典序排序取第一个。如果各节点都没有认为的 master 则从所有节点中选择规则同上。
这里有个限制条件就是 discovery.zen.minimum_master_nodes 如果节点数达不到最小值的限制则循环上述过程直到节点数足够可以开始选举。最后选举结果是肯定能选举出一个 master 如果只有一个 local 节点那就选出的是自己。如果当前节点是 master 则开始等待节点数达到 discovery.zen.minimum_master_nodes然后提供服务。如果当前节点不是 master 则尝试加入 master 。Elasticsearch 将以上服务发现以及选主的流程叫做 ZenDiscovery 。
由于它支持任意数目的集群 1- N 所以不能像 Zookeeper 那样限制节点必须是奇数也就无法用投票的机制来选主而是通过一个规则只要所有的节点都遵循同样的规则得到的信息都是对等的选出来的主节点肯定是一致的。但分布式系统的问题就出在信息不对等的情况这时候很容易出现脑裂 Split-Brain 的问题大多数解决方案就是设置一个 quorum 值要求可用节点必须大于 quorum 一般是超过半数节点才能对外提供服务。而 Elasticsearch 中这个 quorum 的配置就是 discovery.zen.minimum_master_nodes 。 节点的角色
每个节点既可以是候选主节点 也可以是数据节点 通过在配置文件../config/elasticsearch.yml中设置即可默认都为true。
Copynode.master: true //是否候选主节点
node.data: true //是否数据节点数据节点 负责数据的存储和相关的操作例如对数据进行增、删、改、查和聚合等操作所以数据节点data节点对机器配置要求比较高对CPU、内存和I/O的消耗很大。通常随着集群的扩大需要增加更多的数据节点来提高性能和可用性。
候选主节点 可以被选举为主节点master节点集群中只有候选主节点才有选举权和被选举权其他节点不参与选举的工作。主节点负责创建索引、删除索引、跟踪哪些节点是群集的一部分并决定哪些分片分配给相关的节点、追踪集群中节点的状态等稳定的主节点对集群的健康是非常重要的。 一个节点既可以是候选主节点也可以是数据节点但是由于数据节点对CPU、内存核I/0消耗都很大所以如果某个节点既是数据节点又是主节点那么可能会对主节点产生影响从而对整个集群的状态产生影响。
因此为了提高集群的健康性我们应该对Elasticsearch集群中的节点做好角色上的划分和隔离。可以使用几个配置较低的机器群作为候选主节点群。
主节点和其他节点之间通过Ping的方式互检查主节点负责Ping所有其他节点判断是否有节点已经挂掉。其他节点也通过Ping的方式判断主节点是否处于可用状态。
虽然对节点做了角色区分但是用户的请求可以发往任何一个节点并由该节点负责分发请求、收集结果等操作而不需要主节点转发这种节点可称之为协调节点 协调节点是不需要指定和配置的集群中的任何节点都可以充当协调节点的角色。 脑裂现象
同时如果由于网络或其他原因导致集群中选举出多个Master节点使得数据更新时出现不一致这种现象称之为脑裂 即集群中不同的节点对于master的选择出现了分歧出现了多个master竞争。
“脑裂”问题可能有以下几个原因造成 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停止响应假死状态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 主节点的角色既为master又为data当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。
为了避免脑裂现象的发生我们可以从原因着手通过以下几个方面来做出优化措施 适当调大响应时间减少误判通过参数discovery.zen.ping_timeout设置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6sdiscovery.zen.ping_timeout:6可适当减少误判。 选举触发我们需要在候选集群中的节点的配置文件中设置参数discovery.zen.munimum_master_nodes的值这个参数表示在选举主节点时需要参与选举的候选主节点的节点数默认值是1官方建议取值(master_eligibel_nodes/2) 1其中master_eligibel_nodes为候选主节点的个数。这样做既能防止脑裂现象的发生也能最大限度地提升集群的高可用性因为只要不少于discovery.zen.munimum_master_nodes个候选节点存活选举工作就能正常进行。当小于这个值的时候无法触发选举行为集群无法使用不会造成分片混乱的情况。 角色分离即是上面我们提到的候选主节点和数据节点进行角色分离这样可以减轻主节点的负担防止主节点的假死状态发生减少对主节点“已死”的误判。 分片Shards
ES支持PB级全文搜索当索引上的数据量太大的时候ES通过水平拆分的方式将一个索引上的数据拆分出来分配到不同的数据块上拆分出来的数据库块称之为一个分片 。
这类似于MySql的分库分表只不过Mysql分库分表需要借助第三方组件而ES内部自身实现了此功能。
在一个多分片的索引中写入数据时通过路由来确定具体写入哪一个分片中所以在创建索引的时候需要指定分片的数量并且分片的数量一旦确定就不能修改。
分片的数量和下面介绍的副本数量都是可以通过创建索引时的settings来配置ES默认为一个索引创建5个主分片, 并分别为每个分片创建一个副本。
CopyPUT /myIndex
{settings : {number_of_shards : 5,number_of_replicas : 1}
}ES通过分片的功能使得索引在规模上和性能上都得到提升每个分片都是Lucene中的一个索引文件每个分片必须有一个主分片和零到多个副本。 副本Replicas
副本就是对分片的Copy每个主分片都有一个或多个副本分片当主分片异常时副本可以提供数据的查询等操作。主分片和对应的副本分片是不会在同一个节点上的所以副本分片数的最大值是 n -1其中n为节点数。
对文档的新建、索引和删除请求都是写操作必须在主分片上面完成之后才能被复制到相关的副本分片ES为了提高写入的能力这个过程是并发写的同时为了解决并发写的过程中数据冲突的问题ES通过乐观锁的方式控制每个文档都有一个 _version 版本号当文档被修改时版本号递增。一旦所有的副本分片都报告写成功才会向协调节点报告成功协调节点向客户端报告成功。 从上图可以看出为了达到高可用Master节点会避免将主分片和副本分片放在同一个节点上。
假设这时节点Node1服务宕机了或者网络不可用了那么主节点上主分片S0也就不可用了。幸运的是还存在另外两个节点能正常工作这时ES会重新选举新的主节点而且这两个节点上存在我们的所需要的S0的所有数据我们会将S0的副本分片提升为主分片这个提升主分片的过程是瞬间发生的。此时集群的状态将会为 yellow。
为什么我们集群状态是 yellow 而不是 green 呢虽然我们拥有所有的2个主分片但是同时设置了每个主分片需要对应两份副本分片而此时只存在一份副本分片。所以集群不能为 green 的状态。如果我们同样关闭了 Node2 我们的程序依然可以保持在不丢任何数据的情况下运行因为Node3 为每一个分片都保留着一份副本。
如果我们重新启动Node1 集群可以将缺失的副本分片再次进行分配那么集群的状态又将恢复到原来的正常状态。如果Node1依然拥有着之前的分片它将尝试去重用它们只不过这时Node1节点上的分片不再是主分片而是副本分片了如果期间有更改的数据只需要从主分片上复制修改的数据文件即可。 小结: 1、将数据分片是为了提高可处理数据的容量和易于进行水平扩展为分片做副本是为了提高集群的稳定性和提高并发量。 2、副本是乘法越多消耗越大但也越保险。分片是除法分片越多单分片数据就越少也越分散。 3、副本越多集群的可用性就越高但是由于每个分片都相当于一个Lucene的索引文件会占用一定的文件句柄、内存及CPU并且分片间的数据同步也会占用一定的网络带宽所以索引的分片数和副本数也不是越多越好。 映射Mapping
映射是用于定义ES对索引中字段的存储类型、分词方式和是否存储等信息就像数据库中的 schema 描述了文档可能具有的字段或属性、每个字段的数据类型。只不过关系型数据库建表时必须指定字段类型而ES对于字段类型可以不指定然后动态对字段类型猜测也可以在创建索引时具体指定字段的类型。
对字段类型根据数据格式自动识别的映射称之为动态映射Dynamic mapping 我们创建索引时具体定义字段类型的映射称之为静态映射 或显示映射Explicit mapping 。
在讲解动态映射和静态映射的使用前我们先来了解下ES中的数据有哪些字段类型之后我们再讲解为什么我们创建索引时需要建立静态映射而不使用动态映射。
ESv6.8中字段数据类型主要有以下几类
类别数据类型核心类型text, keywords, long, integer, short, double, data, boolean等等复杂类型Object, Nested地理类型geo_point, geo_shape特殊类型ip, completion, token_count, join等等..........
text 用于索引全文值的字段例如电子邮件正文或产品说明。这些字段是被分词的它们通过分词器传递 以在被索引之前将字符串转换为单个术语的列表。分析过程允许Elasticsearch搜索单个单词中每个完整的文本字段。文本字段不用于排序很少用于聚合。
keyword 用于索引结构化内容的字段例如电子邮件地址主机名状态代码邮政编码或标签。它们通常用于过滤排序和聚合。keyword字段只能按其确切值进行搜索。
通过对字段类型的了解我们知道有些字段需要明确定义的例如某个字段是text类型还是keword类型差别是很大的时间字段也许我们需要指定它的时间格式还有一些字段我们需要指定特定的分词器等等。如果采用动态映射是不能精确做到这些的自动识别常常会与我们期望的有些差异。
所以创建索引给的时候一个完整的格式应该是指定分片和副本数以及Mapping的定义如下
CopyPUT my_index
{settings : {number_of_shards : 5,number_of_replicas : 1}mappings: {_doc: {properties: {title: { type: text },name: { type: text },age: { type: integer },created: {type: date,format: strict_date_optional_time||epoch_millis}}}}
}基本使用
在决定使用 Elasticsearch 的时候首先要考虑的是版本问题Elasticsearch 排除 0.x 和 1.x目前有如下常用的稳定的主版本2.x5.x6.x7.xcurrent。你可能会发现没有 3.x 和 4.xES 从 2.4.6 直接跳到了 5.0.0。
其实是为了ELKElasticSearch, logstash, kibana技术栈的版本统一免的给用户带来混乱。在 Elasticsearch 是 2.x 2.x 的最后一版 2.4.6 的发布时间是 July 25, 2017 的情况下kibana 已经是 4.xKibana 4.6.5 的发布时间是 July 25, 2017那么在 kibana 的下一主版本肯定是 5.x 了所以 Elasticsearch 直接将自己的主版本发布为 5.0.0 了。统一之后我们选版本就不会犹豫困惑了我们选定 elasticsearch 的版本后再选择相同版本的 kibana 就行了不用担忧版本不兼容的问题。
Elasticsearch是使用Java构建所以除了注意 ELK 技术的版本统一我们在选择 Elasticsearch 的版本的时候还需要注意 JDK的版本。因为每个大版本所依赖的 JDK版本也不同目前7.2版本已经可以支持 jdk11。 安装使用
1、下载和解压Elasticsearch无需安装解压后即可用解压后目录如下。 bin二进制系统指令目录包含启动命令和安装插件命令等。 config配置文件目录。 data数据存储目录。 lib依赖包目录。 logs日志文件目录。 modules模块库例如x-pack的模块。 plugins插件目录。
2、安装目录下运行 bin/elasticsearch来启动 ES。3、默认在9200端口运行请求curl http://localhost:9200/ 或者浏览器输入http://localhost:9200得到一个 JSON 对象其中包含当前节点、集群、版本等信息。
Copy{name : U7fp3O9,cluster_name : elasticsearch,cluster_uuid : -Rj8jGQvRIelGd9ckicUOA,version : {number : 6.8.1,build_flavor : default,build_type : zip,build_hash : 1fad4e1,build_date : 2019-06-18T13:16:52.517138Z,build_snapshot : false,lucene_version : 7.7.0,minimum_wire_compatibility_version : 5.6.0,minimum_index_compatibility_version : 5.0.0},tagline : You Know, for Search
}集群健康状态
要检查群集运行状况我们可以在 Kibana 控制台中运行以下命令 GET /_cluster/health得到如下信息
Copy{cluster_name : wujiajian,status : yellow,timed_out : false,number_of_nodes : 1,number_of_data_nodes : 1,active_primary_shards : 9,active_shards : 9,relocating_shards : 0,initializing_shards : 0,unassigned_shards : 5,delayed_unassigned_shards : 0,number_of_pending_tasks : 0,number_of_in_flight_fetch : 0,task_max_waiting_in_queue_millis : 0,active_shards_percent_as_number : 64.28571428571429
}集群状态通过 绿黄红 来标识 绿色 集群健康完好一切功能齐全正常所有分片和副本都可以正常工作。 黄色 预警状态所有主分片功能正常但至少有一个副本是不能正常工作的。此时集群是可以正常工作的但是高可用性在某种程度上会受影响。 红色 集群不可正常使用。某个或某些分片及其副本异常不可用这时集群的查询操作还能执行但是返回的结果会不准确。对于分配到这个分片的写入请求将会报错最终会导致数据的丢失。
当集群状态为红色时它将会继续从可用的分片提供搜索请求服务但是你需要尽快修复那些未分配的分片。 机制原理 ES的基本概念和基本操作介绍完了之后我们可能还有很多疑惑它们内部是如何运行的主分片和副本分片是如何同步的创建索引的流程是什么样的ES如何将索引数据分配到不同的分片上的以及这些索引数据是如何存储的为什么说ES是近实时 搜索引擎而文档的 CRUD (创建-读取-更新-删除) 操作是实时的以及Elasticsearch 是怎样保证更新被持久化在断电时也不丢失数据还有为什么删除文档不会立刻释放空间带着这些疑问我们进入接下来的内容。 写索引原理
下图描述了3个节点的集群共拥有12个分片其中有4个主分片S0、S1、S2、S3和8个副本分片R0、R1、R2、R3每个主分片对应两个副本分片节点1是主节点Master节点负责整个集群的状态。 写索引是只能写在主分片上然后同步到副本分片。这里有四个主分片一条数据ES是根据什么规则写到特定分片上的呢这条索引数据为什么被写到S0上而不写到S1或S2上那条数据为什么又被写到S3上而不写到S0上了
首先这肯定不会是随机的否则将来要获取文档的时候我们就不知道从何处寻找了。实际上这个过程是根据下面这个公式决定的
Copyshard hash(routing) % number_of_primary_shardsrouting 是一个可变值默认是文档的 _id 也可以设置成一个自定义的值。routing 通过 hash 函数生成一个数字然后这个数字再除以 number_of_primary_shards 主分片的数量后得到余数 。这个在 0 到 number_of_primary_shards-1 之间的余数就是我们所寻求的文档所在分片的位置。
这就解释了为什么我们要在创建索引的时候就确定好主分片的数量并且永远不会改变这个数量因为如果数量变化了那么所有之前路由的值都会无效文档也再也找不到了。
由于在ES集群中每个节点通过上面的计算公式都知道集群中的文档的存放位置所以每个节点都有处理读写请求的能力。在一个写请求被发送到某个节点后该节点即为前面说过的协调节点协调节点会根据路由公式计算出需要写到哪个分片上再将请求转发到该分片的主分片节点上。
假如此时数据通过路由计算公式取余后得到的值是 shard hash(routing) % 4 0则具体流程如下 客户端向ES1节点协调节点发送写请求通过路由计算公式得到值为0则当前数据应被写到主分片S0上。 ES1节点将请求转发到S0主分片所在的节点ES3ES3接受请求并写入到磁盘。 并发将数据复制到两个副本分片R0上其中通过乐观并发控制数据的冲突。一旦所有的副本分片都报告成功则节点ES3将向协调节点报告成功协调节点向客户端报告成功。
存储原理
上面介绍了在ES内部索引的写处理流程这个流程是在ES的内存中执行的数据被分配到特定的分片和副本上之后最终是存储到磁盘上的这样在断电的时候就不会丢失数据。具体的存储路径可在配置文件../config/elasticsearch.yml中进行设置默认存储在安装目录的data文件夹下。建议不要使用默认值因为若ES进行了升级则有可能导致数据全部丢失。
Copypath.data: /path/to/data //索引数据
path.logs: /path/to/logs //日志记录分段存储
索引文档以段的形式存储在磁盘上何为段 索引文件被拆分为多个子文件则每个子文件叫作段 每一个段本身都是一个倒排索引并且段具有不变性一旦索引的数据被写入硬盘就不可再修改。在底层采用了分段的存储模式使它在读写时几乎完全避免了锁的出现大大提升了读写性能。
段被写入到磁盘后会生成一个提交点 提交点是一个用来记录所有提交后段信息的文件。一个段一旦拥有了提交点就说明这个段只有读的权限失去了写的权限。相反当段在内存中时就只有写的权限而不具备读数据的权限意味着不能被检索。 段 的概念提出主要是因为在早期全文检索中为整个文档集合建立了一个很大的倒排索引并将其写入磁盘中。如果索引有更新就需要重新全量创建一个索引来替换原来的索引。这种方式在数据量很大时效率很低并且由于创建一次索引的成本很高所以对数据的更新不能过于频繁也就不能保证时效性。
索引文件分段存储并且不可修改那么新增、更新和删除如何处理呢 新增新增很好处理由于数据是新的所以只需要对当前文档新增一个段就可以了。 删除由于不可修改所以对于删除操作不会把文档从旧的段中移除而是通过新增一个.del文件文件中会列出这些被删除文档的段信息。这个被标记删除的文档仍然可以被查询匹配到 但它会在最终结果被返回前从结果集中移除。 更新不能修改旧的段来进行反映文档的更新其实更新相当于是删除和新增这两个动作组成。会将旧的文档在.del文件中标记删除然后文档的新版本被索引到一个新的段中。可能两个版本的文档都会被一个查询匹配到但被删除的那个旧版本文档在结果集返回前就会被移除。
段被设定为不可修改具有一定的优势也有一定的缺点优势主要表现在 不需要锁。如果你从来不更新索引你就不需要担心多进程同时修改数据的问题。 一旦索引被读入内核的文件系统缓存便会留在哪里由于其不变性。只要文件系统缓存中还有足够的空间那么大部分读请求会直接请求内存而不会命中磁盘。这提供了很大的性能提升。 其它缓存(像filter缓存)在索引的生命周期内始终有效。它们不需要在每次数据改变时被重建因为数据不会变化。 写入单个大的倒排索引允许数据被压缩减少磁盘 I/O 和 需要被缓存到内存的索引的使用量。
段的不变性的缺点如下 当对旧数据进行删除时旧数据不会马上被删除而是在.del文件中被标记为删除。而旧数据只能等到段更新时才能被移除这样会造成大量的空间浪费。 若有一条数据频繁的更新每次更新都是新增新的标记旧的则会有大量的空间浪费。 每次新增数据时都需要新增一个段来存储数据。当段的数量太多时对服务器的资源例如文件句柄的消耗会非常大。 在查询的结果中包含所有的结果集需要排除被标记删除的旧数据这增加了查询的负担。
延迟写策略
介绍完了存储的形式那么索引是写入到磁盘的过程是这怎样的是否是直接调 fsync 物理性地写入磁盘 答案是显而易见的如果是直接写入到磁盘上磁盘的I/O消耗上会严重影响性能那么当写数据量大的时候会造成ES停顿卡死查询也无法做到快速响应。如果真是这样ES也就不会称之为近实时 全文搜索引擎了。 为了提升写的性能ES并没有每新增一条数据就增加一个段到磁盘上而是采用延迟写 的策略。
每当有新增的数据时就将其先写入到内存中在内存和磁盘之间是文件系统缓存当达到默认的时间1秒钟或者内存的数据达到一定量时会触发一次刷新Refresh将内存中的数据生成到一个新的段上并缓存到文件缓存系统 上稍后再被刷新到磁盘中并生成提交点 。
这里的内存使用的是ES的JVM内存而文件缓存系统使用的是操作系统的内存。新的数据会继续的被写入内存但内存中的数据并不是以段的形式存储的因此不能提供检索功能。由内存刷新到文件缓存系统的时候会生成了新的段并将段打开以供搜索使用而不需要等到被刷新到磁盘。
在 Elasticsearch 中写入和打开一个新段的轻量的过程叫做 refresh 即内存刷新到文件缓存系统。默认情况下每个分片会每秒自动刷新一次。这就是为什么我们说 Elasticsearch 是近实时搜索 因为文档的变化并不是立即对搜索可见但会在一秒之内变为可见。我们也可以手动触发 refreshPOST /_refresh 刷新所有索引POST /nba/_refresh刷新指定的索引。 Tips 尽管刷新是比提交轻量很多的操作它还是会有性能开销。当写测试的时候 手动刷新很有用但是不要在生产 环境下每次索引一个文档都去手动刷新。而且并不是所有的情况都需要每秒刷新。可能你正在使用 Elasticsearch 索引大量的日志文件 你可能想优化索引速度而不是 近实时搜索 这时可以在创建索引时在settings中通过调大refresh_interval 30s 的值 降低每个索引的刷新频率设值时需要注意后面带上时间单位否则默认是毫秒。当refresh_interval -1时表示关闭索引的自动刷新。 虽然通过延时写的策略可以减少数据往磁盘上写的次数提升了整体的写入能力但是我们知道文件缓存系统也是内存空间属于操作系统的内存只要是内存都存在断电或异常情况下丢失数据的危险。
为了避免丢失数据Elasticsearch添加了事务日志Translog 事务日志记录了所有还没有持久化到磁盘的数据。添加了事务日志后整个写索引的流程如下图所示。 一个新文档被索引之后先被写入到内存中但是为了防止数据的丢失会追加一份数据到事务日志中。不断有新的文档被写入到内存同时也都会记录到事务日志中。这时新数据还不能被检索和查询。 当达到默认的刷新时间或内存中的数据达到一定量后会触发一次 refresh将内存中的数据以一个新段形式刷新到文件缓存系统中并清空内存。这时虽然新段未被提交到磁盘但是可以提供文档的检索功能且不能被修改。 随着新文档索引不断被写入当日志数据大小超过512M或者时间超过30分钟时会触发一次 flush。内存中的数据被写入到一个新段同时被写入到文件缓存系统文件系统缓存中数据通过 fsync 刷新到磁盘中生成提交点日志文件被删除创建一个空的新日志。
通过这种方式当断电或需要重启时ES不仅要根据提交点去加载已经持久化过的段还需要工具Translog里的记录把未持久化的数据重新持久化到磁盘上避免了数据丢失的可能。
段合并
由于自动刷新流程每秒会创建一个新的段 这样会导致短时间内的段数量暴增。而段数目太多会带来较大的麻烦。每一个段都会消耗文件句柄、内存和cpu运行周期。更重要的是每个搜索请求都必须轮流检查每个段然后合并查询结果所以段越多搜索也就越慢。
Elasticsearch通过在后台定期进行段合并来解决这个问题。小的段被合并到大的段然后这些大的段再被合并到更大的段。段合并的时候会将那些旧的已删除文档从文件系统中清除。被删除的文档不会被拷贝到新的大段中。合并的过程中不会中断索引和搜索。 段合并在进行索引和搜索时会自动进行合并进程选择一小部分大小相似的段并且在后台将它们合并到更大的段中这些段既可以是未提交的也可以是已提交的。合并结束后老的段会被删除新的段被 flush 到磁盘同时写入一个包含新段已排除旧的被合并的段的新提交点新的段被打开可以用来搜索。
段合并的计算量庞大 而且还要吃掉大量磁盘 I/O段合并会拖累写入速率如果任其发展会影响搜索性能。Elasticsearch在默认情况下会对合并流程进行资源限制所以搜索仍然有足够的资源很好地执行。 性能优化
存储设备
磁盘在现代服务器上通常都是瓶颈。Elasticsearch 重度使用磁盘你的磁盘能处理的吞吐量越大你的节点就越稳定。这里有一些优化磁盘 I/O 的技巧 使用 SSD。就像其他地方提过的 他们比机械磁盘优秀多了。 使用 RAID 0。条带化 RAID 会提高磁盘 I/O代价显然就是当一块硬盘故障时整个就故障了。不要使用镜像或者奇偶校验 RAID 因为副本已经提供了这个功能。 另外使用多块硬盘并允许 Elasticsearch 通过多个 path.data 目录配置把数据条带化分配到它们上面。 不要使用远程挂载的存储比如 NFS 或者 SMB/CIFS。这个引入的延迟对性能来说完全是背道而驰的。 如果你用的是 EC2当心 EBS。即便是基于 SSD 的 EBS通常也比本地实例的存储要慢。
内部索引优化 Elasticsearch为了能快速找到某个term先将所有的term排个序然后根据二分法查找term时间复杂度为logN就像通过字典查找一样这就是Term Dictionary 。现在再看起来似乎和传统数据库通过B-Tree的方式类似。
但是如果term太多term dictionary也会很大放内存不现实于是有了Term Index 就像字典里的索引页一样A开头的有哪些term分别在哪页可以理解term index是一颗树。这棵树不会包含所有的term它包含的是term的一些前缀。通过term index可以快速地定位到term dictionary的某个offset然后从这个位置再往后顺序查找。
在内存中用FST方式压缩term indexFST以字节的方式存储所有的term这种压缩方式可以有效的缩减存储空间使得term index足以放进内存但这种方式也会导致查找时需要更多的CPU资源。演示地址Build your own FST
对于存储在磁盘上的倒排表同样也采用了压缩技术减少存储所占用的空间更多可以阅读 Frame of Reference and Roaring Bitmaps。 调整配置参数 给每个文档指定有序的具有压缩良好的序列模式ID避免随机的UUID-4 这样的 ID这样的ID压缩比很低会明显拖慢 Lucene。 对于那些不需要聚合和排序的索引字段禁用Doc values。Doc Values是有序的基于document field value的映射列表 不需要做模糊检索的字段使用 keyword类型代替 text 类型这样可以避免在建立索引前对这些文本进行分词。 如果你的搜索结果不需要近实时的准确度考虑把每个索引的 index.refresh_interval 改到 30s 。如果你是在做大批量导入导入期间你可以通过设置这个值为 -1 关掉刷新还可以通过设置 index.number_of_replicas: 0关闭副本。别忘记在完工的时候重新开启它。 避免深度分页查询建议使用Scroll进行分页查询。普通分页查询时会创建一个from size的空优先队列每个分片会返回from size 条数据默认只包含文档id和得分score给协调节点如果有n个分片则协调节点再对from size× n 条数据进行二次排序然后选择需要被取回的文档。当from很大时排序过程会变得很沉重占用CPU资源严重。 减少映射字段只提供需要检索聚合或排序的字段。其他字段可存在其他存储设备上例如Hbase在ES中得到结果后再去Hbase查询这些字段。 创建索引和查询时指定路由routing值这样可以精确到具体的分片查询提升查询效率。路由的选择需要注意数据的分布均衡。 JVM调优 确保堆内存最小值 Xms 与最大值 Xmx 的大小是相同的防止程序在运行时改变堆内存大小。Elasticsearch 默认安装后设置的堆内存是 1 GB。可通过../config/jvm.option文件进行配置但是最好不要超过物理内存的50%和超过32GB。 GC 默认采用CMS的方式并发但是有STW的问题可以考虑使用G1收集器。 ES非常依赖文件系统缓存Filesystem Cache快速搜索。一般来说应该至少确保物理上有一半的可用内存分配到文件系统缓存。 文章来源https://www.cnblogs.com/jajian/p/11223992.html
