从原理到应用,Elasticsearch详解

Loger 2019-11-03

简介

Elasticsearch(简称ES)是一个分布式、可扩展、实时的搜索与数据分析引擎。ES不仅仅只是全文搜索,还支持结构化搜索、数据分析、复杂的语言处理、地理位置和对象间关联关系等。

ES的底层依赖Lucene,Lucene可以说是当下最先进、高性能、全功能的搜索引擎库。但是Lucene仅仅只是一个库。为了充分发挥其功能,你需要使用Java并将Lucene直接集成到应用程序中。更糟糕的是,您可能需要获得信息检索学位才能了解其工作原理,因为Lucene非常复杂——《ElasticSearch官方权威指南》。

鉴于Lucene如此强大却难以上手的特点,诞生了ES。ES也是使用Java编写的,它的内部使用Lucene做索引与搜索,它的目的是隐藏Lucene的复杂性,取而代之的提供一套简单一致的RESTful API。

总体来说,ES具有如下特点:

  • 一个分布式的实时文档存储引擎,每个字段都可以被索引与搜索
  • 一个分布式实时分析搜索引擎,支持各种查询和聚合操作
  • 能胜任上百个服务节点的扩展,并可以支持PB级别的结构化或者非结构化数据

架构

节点类型

ES的架构很简单,集群的HA不需要依赖任务外部组件(例如Zookeeper、HDFS等),master节点的主备依赖于内部自建的选举算法,通过副本分片的方式实现了数据的备份的同时,也提高了并发查询的能力。

ES集群的服务器分为以下四种角色:

1.列表项目master节点,负责保存和更新集群的一些元数据信息,之后同步到所有节点,所以每个节点都需要保存全量的元数据信息:

  • 集群的配置信息
  • 集群的节点信息
  • 模板template设置
  • 索引以及对应的设置、mapping、分词器和别名
  • 索引关联到的分片以及分配到的节点

2.datanode:负责数据存储和查询

3.coordinator:

  • 路由索引请求
  • 聚合搜索结果集
  • 分发批量索引请求

4.ingestor:

  • 类似于logstash,对输入数据进行处理和转换

如何配置节点类型

一个节点的缺省配置是:主节点+数据节点两属性为一身。对于3-5个节点的小集群来讲,通常让所有节点存储数据和具有获得主节点的资格。

专用协调节点(也称为client节点或路由节点)从数据节点中消除了聚合/查询的请求解析和最终阶段,随着集群写入以及查询负载的增大,可以通过协调节点减轻数据节点的压力,可以让数据节点更多专注于数据的写入以及查询。

master选举

选举策略

  • 如果集群中存在master,认可该master,加入集群
  • 如果集群中不存在master,从具有master资格的节点中选id最小的节点作为master

选举时机

集群启动:后台启动线程去ping集群中的节点,按照上述策略从具有master资格的节点中选举出master

现有的master离开集群:后台一直有一个线程定时ping master节点,超过一定次数没有ping成功之后,重新进行master的选举

选举流程

从原理到应用,Elasticsearch详解

避免脑裂

脑裂问题是采用master-slave模式的分布式集群普遍需要关注的问题,脑裂一旦出现,会导致集群的状态出现不一致,导致数据错误甚至丢失。

ES避免脑裂的策略:过半原则,可以在ES的集群配置中添加一下配置,避免脑裂的发生

#一个节点多久ping一次,默认1s
discovery.zen.fd.ping_interval: 1s
##等待ping返回时间,默认30s
discovery.zen.fd.ping_timeout: 10s
##ping超时重试次数,默认3次
discovery.zen.fd.ping_retries: 3
##选举时需要的节点连接数,N为具有master资格的节点数量
discovery.zen.minimum_master_nodes=N/2+1

注意问题

  • 配置文件中加入上述避免脑裂的配置,对于网络波动比较大的集群来说,增加ping的时间和ping的次数,一定程度上可以增加集群的稳定性
  • 动态的字段field可能导致元数据暴涨,新增字段mapping映射需要更新mater节点上维护的字段映射信息,master修改了映射信息之后再同步到集群中所有的节点,这个过程中数据的写入是阻塞的。所以建议关闭自动mapping,没有预先定义的字段mapping会写入失败
  • 通过定时任务在集群写入的低峰期,将索引以及mapping映射提前创建好

负载均衡

ES集群是分布式的,数据分布到集群的不同机器上,对于ES中的一个索引来说,ES通过分片的方式实现数据的分布式和负载均衡。创建索引的时候,需要指定分片的数量,分片会均匀的分布到集群的机器中。分片的数量是需要创建索引的时候就需要设置的,而且设置之后不能更改,虽然ES提供了相应的api来缩减和扩增分片,但是代价是很高的,需要重建整个索引。

考虑到并发响应以及后续扩展节点的能力,分片的数量不能太少,假如你只有一个分片,随着索引数据量的增大,后续进行了节点的扩充,但是由于一个分片只能分布在一台机器上,所以集群扩容对于该索引来说没有意义了。

但是分片数量也不能太多,每个分片都相当于一个独立的lucene引擎,太多的分片意味着集群中需要管理的元数据信息增多,master节点有可能成为瓶颈;同时集群中的小文件会增多,内存以及文件句柄的占用量会增大,查询速度也会变慢。

数据副本

ES通过副本分片的方式,保证集群数据的高可用,同时增加集群并发处理查询请求的能力,相应的,在数据写入阶段会增大集群的写入压力。

数据写入的过程中,首先被路由到主分片,写入成功之后,将数据发送到副本分片,为了保证数据不丢失,最好保证至少一个副本分片写入成功以后才返回客户端成功。

相关配置

5.0之前通过consistency来设置

consistency参数的值可以设为 :

  • one :只要主分片状态ok就允许执行写操作
  • all:必须要主分片和所有副本分片的状态没问题才允许执行写操作
  • quorum:默认值为quorum,即大多数的分片副本状态没问题就允许执行写操作,副本分片数量计算方式为int( (primary +
    number_of_replicas) / 2 ) + 1

5.0之后通过wait_for_active_shards参数设置

  • 索引时增加参数:?wait_for_active_shards=3
  • 给索引增加配置:index.write.wait_for_active_shards=3

数据写入

写入过程

几个概念:

  • 内存buffer
  • translog
  • 文件系统缓冲区
  • refresh
  • segment(段)
  • commit
  • flush

从原理到应用,Elasticsearch详解

translog

写入ES的数据首先会被写入translog文件,该文件持久化到磁盘,保证服务器宕机的时候数据不会丢失,由于顺序写磁盘,速度也会很快。

  • 同步写入:每次写入请求执行的时候,translog在fsync到磁盘之后,才会给客户端返回成功
  • 异步写入:写入请求缓存在内存中,每经过固定时间之后才会fsync到磁盘,写入量很大,对于数据的完整性要求又不是非常严格的情况下,可以开启异步写入

refresh

经过固定的时间,或者手动触发之后,将内存中的数据构建索引生成segment,写入文件系统缓冲区

commit/flush

超过固定的时间,或者translog文件过大之后,触发flush操作:

  • 内存的buffer被清空,相当于进行一次refresh
  • 文件系统缓冲区中所有segment刷写到磁盘
  • 将一个包含所有段列表的新的提交点写入磁盘
  • 启动或重新打开一个索引的过程中使用这个提交点来判断哪些segment隶属于当前分片
  • 删除旧的translog,开启新的translog

merge

上面提到,每次refresh的时候,都会在文件系统缓冲区中生成一个segment,后续flush触发的时候持久化到磁盘。所以,随着数据的写入,尤其是refresh的时间设置的很短的时候,磁盘中会生成越来越多的segment:

  • segment数目太多会带来较大的麻烦。 每一个segment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segment,所以segment越多,搜索也就越慢。

merge的过程大致描述如下:

  • 磁盘上两个小segment:A和B,内存中又生成了一个小segment:C
  • A,B被读取到内存中,与内存中的C进行merge,生成了新的更大的segment:D
  • 触发commit操作,D被fsync到磁盘
  • 创建新的提交点,删除A和B,新增D
  • 删除磁盘中的A和B

删改操作

segment的不可变性的好处

  • segment的读写不需要加锁
  • 常驻文件系统缓存(堆外内存)
  • 查询的filter缓存可以常驻内存(堆内存)

删除

磁盘上的每个segment都有一个.del文件与它相关联。当发送删除请求时,该文档未被真正删除,而是在.del文件中标记为已删除。此文档可能仍然能被搜索到,但会从结果中过滤掉。当segment合并时,在.del文件中标记为已删除的文档不会被包括在新的segment中,也就是说merge的时候会真正删除被删除的文档。

更新

创建新文档时,Elasticsearch将为该文档分配一个版本号。对文档的每次更改都会产生一个新的版本号。当执行更新时,旧版本在.del文件中被标记为已删除,并且新版本在新的segment中写入索引。旧版本可能仍然与搜索查询匹配,但是从结果中将其过滤掉。

版本控制

通过添加版本号的乐观锁机制保证高并发的时候,数据更新不会出现线程安全的问题,避免数据更新被覆盖之类的异常出现。

使用内部版本号:删除或者更新数据的时候,携带_version参数,如果文档的最新版本不是这个版本号,那么操作会失败,这个版本号是ES内部自动生成的,每次操作之后都会递增一。

PUT /website/blog/1?version=1 
{
  "title": "My first blog entry",
  "text":  "Starting to get the hang of this..."
}

使用外部版本号:ES默认采用递增的整数作为版本号,也可以通过外部自定义整数(long类型)作为版本号,例如时间戳。通过添加参数version_type=external,可以使用自定义版本号。内部版本号使用的时候,更新或者删除操作需要携带ES索引当前最新的版本号,匹配上了才能成功操作。但是外部版本号使用的时候,可以将版本号更新为指定的值。

PUT /website/blog/2?version=5&version_type=external
{
  "title": "My first external blog entry",
  "text":  "Starting to get the hang of this..."
}

原始文档存储(行式存储)

从原理到应用,Elasticsearch详解

fdt文件

文档内容的物理存储文件,由多个chunk组成,Lucene索引文档时,先缓存文档,缓存大于16KB时,就会把文档压缩存储。

从原理到应用,Elasticsearch详解

fdx文件

文档内容的位置索引,由多个block组成:

  • 1024个chunk归为一个block
  • block记录chunk的起始文档ID,以及chunk在fdt中的位置

从原理到应用,Elasticsearch详解

fnm文件

文档元数据信息,包括文档字段的名称、类型、数量等。

原始文档的查询

从原理到应用,Elasticsearch详解

注意问题:lucene对原始文件的存放是行式存储,并且为了提高空间利用率,是多文档一起压缩,因此取文档时需要读入和解压额外文档,因此取文档过程非常依赖CPU以及随机IO。

相关设置

压缩方式的设置

原始文档的存储对应_source字段,是默认开启的,会占用大量的磁盘空间,上面提到的chunk中的文档压缩,ES默认采用的是LZ4,如果想要提高压缩率,可以将设置改成best_compression。

index.codec: best_compression

特定字段的内容存储

查询的时候,如果想要获取原始字段,需要在_source中获取,因为所有的字段存储在一起,所以获取完整的文档内容与获取其中某个字段,在资源消耗上几乎相同,只是返回给客户端的时候,减少了一定量的网络IO。

ES提供了特定字段内容存储的设置,在设置mappings的时候可以开启,默认是false。如果你的文档内容很大,而其中某个字段的内容有需要经常获取,可以设置开启,将该字段的内容单独存储。

PUT my_index
{
  "mappings": {
    "_doc": {
      "properties": {
        "title": {
          "type": "text",
          "store": true 
        }
      }
    }
  }
}

倒排索引

从原理到应用,Elasticsearch详解

倒排索引中记录的信息主要有:

  • 文档编号:segment内部文档编号从0开始,最大值为int最大值,文档写入之后会分配这样一个顺序号
  • 字典:字段内容经过分词、归一化、还原词根等操作之后,得到的所有单词
  • 单词出现位置:分词字段默认开启,提供对于短语查询的支持;对于非常常见的词,例如the,位置信息可能占用很大空间,短语查询需要读取的数据量很大,查询速度慢
  • 单词出现次数:单词在文档中出现的次数,作为评分的依据
  • 单词结束字符到开始字符的偏移量:记录在文档中开始与结束字符的偏移量,提供高亮使用,默认是禁用的
  • 规范因子:对字段长度进行规范化的因子,给予较短字段更多权重

倒排索引的查找过程本质上是通过单词找对应的文档列表的过程,因此倒排索引中字典的设计决定了倒排索引的查询速度,字典主要包括前缀索引(.tip文件)和后缀索引(.tim)文件。

字典前缀索引(.tip文件)

一个合格的词典结构一般有以下特点:

-查询速度快 -内存占用小 -内存+磁盘相结合

从原理到应用,Elasticsearch详解

Lucene采用的前缀索引数据结构为FST,它的优点有:

词查找复杂度为O(len(str))

  • 共享前缀、节省空间、内存占用率低,压缩率高,模糊查询支持好
  • 内存存放前缀索引,磁盘存放后缀词块
  • 缺点:结构复杂、输入要求有序、更新不易

字典后缀(.tim文件)

后缀词块主要保存了单词后缀,以及对应的文档列表的位置。

文档列表(.doc文件)

从原理到应用,Elasticsearch详解

lucene对文档列表存储进行了很好的压缩,来保证缓存友好:

  • 差分压缩:每个ID只记录跟前面的ID的差值
  • 每256个ID放入一个block中
  • block的头信息存放block中每个ID占用的bit位数,因为经过上面的差分压缩之后,文档列表中的文档ID都变得不大,占用的bit位数变少

上图经过压缩之后将6个数字从原先的24bytes压缩到7bytes。

文档列表的合并

从原理到应用,Elasticsearch详解

ES的一个重要的查询场景是bool查询,类似于mysql中的and操作,需要将两个条件对应的文档列表进行合并。为了加快文档列表的合并,lucene底层采用了跳表的数据结构,合并过程中,优先遍历较短的链表,去较长的列表中进行查询,如果存在,则该文档符合条件。

从原理到应用,Elasticsearch详解

倒排索引的查询过程

从原理到应用,Elasticsearch详解

  • 内存加载tip文件,通过FST匹配前缀找到后缀词块位置
  • 根据词块位置,读取磁盘中tim文件中后缀块并找到后缀和相应的倒排表位置信息
  • 根据倒排表位置去doc文件中加载倒排表
  • 借助跳表结构,对多个文档列表进行合并

filter查询的缓存

对于filter过滤查询的结果,ES会进行缓存,缓存采用的数据结构是RoaringBitmap,在match查询中配合filter能有效加快查询速度。

  • 普通bitset的缺点:内存占用大,RoaringBitmap有很好的压缩特性
  • 分桶:解决文档列表稀疏的情况下,过多的0占用内存,每65536个docid分到一个桶,桶内只记录docid%65536
  • 桶内压缩:4096作为分界点,小余这个值用short数组,大于这个值用bitset,每个short占两字节,4096个short占用65536bit,所以超过4096个文档id之后,是bitset更节省空间。

从原理到应用,Elasticsearch详解

DocValues(正排索引&列式存储)

从原理到应用,Elasticsearch详解

倒排索引保存的是词项到文档的映射,也就是词项存在于哪些文档中,DocValues保存的是文档到词项的映射,也就是文档中有哪些词项。

相关设置

keyword字段默认开启

ES6.0(lucene7.0)之前

DocValues采用的数据结构是bitset,bitset对于稀疏数据的支持不好:

  • 对于稀疏的字段来说,绝大部分的空间都被0填充,浪费空间
  • 由于字段的值之间插入了0,可能本来连续的值被0间隔开来了,不利于数据的压缩
  • 空间被一堆0占用了,缓存中缓存的有效数据减少,查询效率也会降低

查询逻辑很简单,类似于数组通过下标进行索引,因为每个value都是固定长度,所以读取文档id为N的value直接从N*固定长度位置开始读取固定长度即可。

从原理到应用,Elasticsearch详解

ES6.0(lucene7.0)

  • docid的存储的通过分片加快映射到value的查询速度
  • value存储的时候不再给空的值分配空间

因为value存储的时候,空值不再分配空间,所以查询的时候不能通过上述通过文档id直接映射到在bitset中的偏移量来获取对应的value,需要通过获取docid的位置来找到对应的value的位置。

所以对于DocValues的查找,关键在于DocIDSet中ID的查找,如果按照简单的链表的查找逻辑,那么DocID的查找速度将会很慢。lucene7借用了RoaringBitmap的分片的思想来加快DocIDSet的查找速度:

从原理到应用,Elasticsearch详解

  • 分片容量为2的16次方,最多可以存储65536个docid
  • 分片包含的信息:分片ID;存储的docid的个数(值不为空的DocIDSet);DocIDSet明细,或者标记分片类型(ALL或者NONE)
  • 根据分片的容量,将分片分为四种不同的类型,不同类型的查找逻辑不通:ALL:该分片内没有不存在值的DocID;NONE:该分片内所有的DocID都不存在值;SPARSE:该分片内存在值的DocID的个数不超过4096,DocIDSet以short数组的形式存储,查找的时候,遍历数组,找到对应的ID的位置;DENSE:该分片内存在值的DocID的个数超过4096,DocIDSet以bitset的形式存储,ID的偏移量也就是在该分片中的位置

最终DocIDSet的查找逻辑为:

  • 计算DocID/65536,得到所在的分片N
  • 计算前面N-1个分片的DocID的总数
  • 找到DocID在分片N内部的位置,从而找到所在位置之前的DocID个数M
  • 找到N+M位置的value即为该DocID对应的value

数据查询

查询过程(query then fetch)

  • 协调节点将请求发送给对应分片
  • 分片查询,返回from+size数量的文档对应的id以及每个id的得分
  • 汇总所有节点的结果,按照得分获取指定区间的文档id
  • 根据查询需求,像对应分片发送多个get请求,获取文档的信息
  • 返回给客户端

get查询更快

默认根据id对文档进行路由,所以指定id的查询可以定位到文档所在的分片,只对某个分片进行查询即可。当然非get查询,只要写入和查询的时候指定routing,同样可以达到该效果。

主分片与副本分片

ES的分片有主备之分,但是对于查询来说,主备分片的地位完全相同,平等的接收查询请求。这里涉及到一个请求的负载均衡策略,6.0之前采用的是轮询的策略,但是这种策略存在不足,轮询方案只能保证查询数据量在主备分片是均衡的,但是不能保证查询压力在主备分片上是均衡的,可能出现慢查询都路由到了主分片上,导致主分片所在的机器压力过大,影响了整个集群对外提供服务的能力。

新版本中优化了该策略,采用了基于负载的请求路由,基于队列的耗费时间自动调节队列长度,负载高的节点的队列长度将减少,让其他节点分摊更多的压力,搜索和索引都将基于这种机制。

get查询的实时性

ES数据写入之后,要经过一个refresh操作之后,才能够创建索引,进行查询。但是get查询很特殊,数据实时可查。

ES5.0之前translog可以提供实时的CRUD,get查询会首先检查translog中有没有最新的修改,然后再尝试去segment中对id进行查找。5.0之后,为了减少translog设计的负责性以便于再其他更重要的方面对translog进行优化,所以取消了translog的实时查询功能。

get查询的实时性,通过每次get查询的时候,如果发现该id还在内存中没有创建索引,那么首先会触发refresh操作,来让id可查。

查询方式

两种查询上下文:

  • query:例如全文检索,返回的是文档匹配搜索条件的相关性,常用api:match
  • filter:例如时间区间的限定,回答的是是否,要么是,要么不是,不存在相似程度的概念,常用api:term、range

过滤(filter)的目标是减少那些需要进行评分查询(scoring queries)的文档数量。

分析器(analyzer)

当索引一个文档时,它的全文域被分析成词条以用来创建倒排索引。当进行分词字段的搜索的时候,同样需要将查询字符串通过相同的分析过程,以保证搜索的词条格式与索引中的词条格式一致。当查询一个不分词字段时,不会分析查询字符串,而是搜索指定的精确值。

可以通过下面的命令查看分词结果:

GET /_analyze
{
  "analyzer": "standard",
  "text": "Text to analyze"
}

相关性

默认情况下,返回结果是按相关性倒序排列的。每个文档都有相关性评分,用一个正浮点数字段score来表示。score的评分越高,相关性越高。

ES的相似度算法被定义为检索词频率/反向文档频率(TF/IDF),包括以下内容:

  • 检索词频率:检索词在该字段出现的频率,出现频率越高,相关性也越高。字段中出现过5次要比只出现过1次的相关性高。
  • 反向文档频率:每个检索词在索引中出现的频率,频率越高,相关性越低。检索词出现在多数文档中会比出现在少数文档中的权重更低。
  • 字段长度准则:字段的长度是多少,长度越长,相关性越低。
    检索词出现在一个短的title要比同样的词出现在一个长的content字段权重更大。

查询的时候可以通过添加?explain参数,查看上述各个算法的评分结果。

ES在Ad Tracking的应用

日志查询工具

TalkingData 移动广告监测产品Ad Tracking(简称ADT)的系统会接收媒体发过来的点击数据以及SDK发过来的激活和各种效果点数据,这些数据的处理过程正确与否至关重要。例如,设备的一条激活数据为啥没有归因到点击,这类问题的排查在Ad Tracking中很常见,通过将数据流中的各个处理环节的重要日志统一发送到ES,可以很方便的进行查询,技术支持的同事可以通过拼写简单的查询条件排查客户的问题。

  • 索引按天创建:定时关闭历史索引,释放集群资源
  • 别名查询:数据量增大之后,可以通过拆分索引减轻写入压力,拆分之后的索引采用相同的别名,查询服务不需要修改代码
  • 索引重要的设置:
{
  
  "settings": {
        "index": {
            "refresh_interval": "120s",
            "number_of_shards": "12",
            "translog": {
                "flush_threshold_size": "2048mb"
            },
            "merge": {
                "scheduler": {
                    "max_thread_count": "1"
                }
            },
            "unassigned": {
                "node_left": {
                    "delayed_timeout": "180m"
                }
            }
        }
    }
}
  • 索引mapping的设置

    {
    
     "properties": {
           "action_content": {
               "type": "string",
               "analyzer": "standard"
           },
           "time": {
               "type": "long"
           },
           "trackid": {
               "type": "string",
               "index": "not_analyzed"
           }
       }
       }
  • sql插件,通过拼sql的方式,比起拼json更简单

点击数据存储(kv存储场景)

Ad Tracking收集的点击数据是与广告投放直接相关的数据,应用安装之后,SDK会上报激活事件,系统会去查找这个激活事件是否来自于之前用户点击的某个广告,如果是,那么该激活就是一个推广量,也就是投放的广告带来的激活。激活后续的效果点数据也都会去查找点击,从点击中获取广告投放的一些信息,所以点击查询在Ad Tracking的业务中至关重要。

业务的前期,点击数据是存储在Mysql中的,随着后续点击量的暴增,由于Mysql不能横向扩展,所以需要更换为新的存储。由于ES拥有横向扩展和强悍的搜索能力,并且之前日志查询工具中也一直使用ES,所以决定使用ES来进行点击的存储。

重要的设置

  • "refresh_interval": "1s"
  • "translog.flush_threshold_size": "2048mb"
  • "merge.scheduler.max_thread_count": 1
  • "unassigned.node_left.delayed_timeout": "180m"

结合业务进行系统优化

结合业务定期关闭索引释放资源:Ad Tracking的点击数据具有有效期的概念,超过有效期的点击,激活不会去归因。点击有效期最长一个月,所以理论上每天创建的索引在一个月之后才能关闭。但是用户配置的点击有效期大部分都是一天,这大部分点击在集群中保存30天是没有意义的,而且会占用大部分的系统资源。所以根据点击的这个业务特点,将每天创建的索引拆分成两个,一个是有效期是一天的点击,一个是超过一天的点击,有效期一天的点击的索引在一天之后就可以关闭,从而保证集群中打开的索引的数据量维持在一个较少的水平。

结合业务将热点数据单独索引:激活和效果点数据都需要去ES中查询点击,但是两者对于点击的查询场景是有差异的,因为效果点事件(例如登录、注册等)归因的时候不是去直接查找点击,而是查找激活进而找到点击,效果点要找的点击一定是之前激活归因到的,所以激活归因到的这部分点击也就是热点数据。激活归因到点击之后,将这部分点击单独存储到单独的索引中,由于这部分点击量少很多,所以效果点查询的时候很快。

索引拆分:Ad Tracking的点击数据按天进行存储,但是随着点击量的增大,单天的索引大小持续增大,尤其是晚上的时候,merge需要合并的segment数量以及大小都很大,造成了很高的IO压力,导致集群的写入受限。后续采用了拆分索引的方案,每天的索引按照上午9点和下午5点两个时间点将索引拆分成三个,由于索引之间的segment合并是相互独立的,只会在一个索引内部进行segment的合并,所以在每个小索引内部,segment合并的压力就会减少。

其他调优

分片的数量

经验值:

  • 每个节点的分片数量保持在低于每1GB堆内存对应集群的分片在20-25之间。
  • 分片大小为50GB通常被界定为适用于各种用例的限制。

JVM设置

  • 堆内存设置:不要超过32G,在Java中,对象实例都分配在堆上,并通过一个指针进行引用。对于64位操作系统而言,默认使用64位指针,指针本身对于空间的占用很大,Java使用一个叫作内存指针压缩(compressed
    oops)的技术来解决这个问题,简单理解,使用32位指针也可以对对象进行引用,但是一旦堆内存超过32G,这个压缩技术不再生效,实际上失去了更多的内存。
  • 预留一半内存空间给lucene用,lucene会使用大量的堆外内存空间。
  • 如果你有一台128G的机器,一半内存也是64G,超过了32G,可以通过一台机器上启动多个ES实例来保证ES的堆内存小于32G。
  • ES的配置文件中加入bootstrap.mlockall: true,关闭内存交换。

通过_cat api获取任务执行情况

GET http://localhost:9201/_cat/thread_pool?v&h=host,search.active,search.rejected,search.completed
  • 完成(completed)
  • 进行中(active)
  • 被拒绝(rejected):需要特别注意,说明已经出现查询请求被拒绝的情况,可能是线程池大小配置的太小,也可能是集群性能瓶颈,需要扩容。

小技巧

  • 重建索引或者批量想ES写历史数据的时候,写之前先关闭副本,写入完成之后,再开启副本。
  • ES默认用文档id进行路由,所以通过文档id进行查询会更快,因为能直接定位到文档所在的分片,否则需要查询所有的分片。
  • 使用ES自己生成的文档id写入更快,因为ES不需要验证一次自定义的文档id是否存在。

参考资料

https://www.elastic.co/guide/...

https://github.com/Neway6655/...

https://www.elastic.co/blog/f...

https://blog.csdn.net/zteny/a...

https://www.elastic.co/blog/m...


作者:TalkingData战鹏弘

封面图来源于网络,如有侵权,请联系删除

相关推荐