molong0 2020-05-17
es支持集群模式,是一个分布式系统,其好处主要有两个:
es集群由多个es实例组成,不同集群通过集群名字来区分,可通过cluster.name来进行修改,默认为elasticsearch。每个es实例本质上是一个JVM进程,且有自己的名字,可以通过node.name来进行修改
运行如下命令可以快速启动一个es节点的实例( -d 后台隐式启动 无控制台日志输出)
bin/elasticsearch -Ecluster.name=my_cluster -Epath.data=my_cluster_node1 -Enode.name=node1 -Ehttp.port=5100 -d
es 集群相关的数据称为 cluster state,主要记录如下信息:节点信息,比如节点名称、链接地址等索引信息,比如索引名称、配置等 ,可以通过 http://localhost:9200/_cluster/state?pretty 进行查看
master 节点有以下几个特点:
相关配置:node.master:true,对于每一种可视化工具来说,对于各个节点的状态都有对应的标识方式,以 cerebro 来说:
处理请求的节点称为coordinating节点,该节点为所有节点的默认角色,不能取消,路由请求到正确的节点处理,比如创建索引的请求到master节点
存储数据的节点称为 data节点,默认节点都是data类型,相关配置如下:node.data:true
只要保证启动的时候 cluster.name 保持一致,就会自动加入该集群,若不在一个网络下则需要通过 discovery.zen.ping.unicast.hosts: ["127.0.0.1"] 集群的 IP 组,配置主节点 IP 即可。
bin/elasticsearch -Ecluster.name=my_cluster -Epath.data=my_cluster_node2 -Enode.name=node2 -Ehttp.port=5200 -d
通过可视化工具我们可以创建一个索引:
这个时候可以通过控制台查看该索引的分片与副本:
数据扩容:
那么如何将数据分布到所有节点上?
接下去通过es的Rest API来创建索引,其中我们设置分片数为3、副本数为1
如上图此时增加节点是否能够提高test_index的数据容量吗?答案是不能,因为只有3个分片,已经分布到3个节点上,新增的节点无法利用
此时增加副本数是否能提高test_index的读取吞吐量呢?答案是不能,因为新增的副本是分布在3个节点上,还是利用了同样的资源,
如果要增加吞吐量,还需要增加节点。增加数据容量对应增加副本数
分片数的设定非常重要,需要提前规划好,分片数太少,导致后续无法通过增加节点实现水平扩容分片数过大,导致一个节点上分布多个分片,造成资源浪费,同时会影响查询性能
ElasticSearch引擎把文档数据写入到倒排索引(Inverted Index)的数据结构中,倒排索引建立的是分词(Term)和文档(Document)之间的映射关系,在倒排索引中,数据是面向词(Term)而不是面向文档的。一个倒排索引由文档中所有不重复词的列表构成,对于其中每个词,有一个包含它的文档列表示例:
倒排索引-查询过程
倒排索引-组成
单词词典(Term Dictionary)单词词典的实现一般用B+树,如上图所示。
倒排索引一旦生成,不能更改,有如下好处:
坏处:
解决方案:新文档直接生成新的倒排索引文件,查询的时候同时查询所有的倒排文件,然后对查询结果做汇总计算即可.
Lucene采用了这种方案,它构建的单个倒排索引称为segment,合在一起称为Index,与ES中的Index概念不同。ES中的一个Shard对应一个Lucene Index。Lucene会有一个专门的文件来记录所有的segment信息,称为Commit Point
segment写入磁盘的过程依然很耗时,可以借助文件系统缓存的特性,先将segment在缓存中创建并开放查询来进一步提升实时性,该过程在es中被称为refresh。在refresh之前文档会先存储在一个buffer中,refresh时将buffer中的所有文档清空并生成segmentes默认每1秒执行一次refresh,因此文档的实时性被提高到1秒,这也是es被称为近实时(Near Real Time)的真正原因
如果在内存中的segment还没有写入磁盘前发生了宕机,那么内存中的文档就无法恢复了。那么如何解决这个问题呢?es引入translog机制。写入文档到buffer时,同时将该操作写入translog。translog 文件会即时写入磁盘(fsync),6.x默认每个请求都会落盘,可以修改为每5秒写一次,这样风险便是丢失5秒内的数据,相关配置为index.translog.*es重新启动时会自动检查translog文件,并从中恢复数据
flush负责将内存中的segment写入磁盘,主要做如下的工作:
refresh发生的时机主要有以下几种情况:
segment一旦生成就不能更改,那么如果要删除文档该如何操作?
lucene会专门维护一个.del的文件,记录所有已经删除的文档,注意.del上记录的是文档在Lucene的内部id,在查询结果返回前会过滤掉.del中所有的文档
更新文档如何进行呢?
首先删除文档,然后再创建新的文档
随着segment的增多,由于一次查询的segment数增多,查询速度会变慢,es会定时在后台进行segment merge的操作,减少segment的 数量,通过force_merge api可以手动强制做segment merge的操作
通过如下api可以查看集群健康状况,包括以下三种:
三种状态只是代表分片的工作状态,并不是代表整个es集群是否能够对外提供服务,可以通过 GET _cluster/health 获取集群状态:
集群由3个节点组成,如下所示,此时集群状态是green
master 所在机器宕机导致服务终止,此时集群会如何处理?
脑裂问题,英文为split-brain,是分布式系统中的经典网络问题,如下图所示:
此时master断开了,slave-1与slave-2会重新选举master,比如slave-1成为了新master,此时会更新cluster state。而此时此刻,master复活了。自己组成集群后,也会更新cluster state。同一个集群有两个master,而维护不同的cluster state,网络恢复后无法选择正确的master,这就是脑裂问题,一个身体有两个大脑,不知道听谁的了
解决方案为仅在可选举master-eligible节点数据大于等于quorum时才可以进行master选举,quorum = master-eligible 节点数/2 + 1,例如 3个master-eligible节点时,quorum为2。
解决:配置 discovery.zen.mininum_master_nodes为quorum即可避免脑裂。
比如执行以下插入操作,这个doc会落到那个分片上呢?:
假设doc/1最终存储在分片1上,那么是如何存储到分片1的呢?选择1的依据是什么呢?这里就需要文档到分片的映射算法
目的:使得文档均匀分布在所有分片上,以充分利用资源
es通过如下公司计算文档对应的分片:shard = hash(routing) % number_of_primary_shards
该算法与主分片数相关,这也是分片数一旦确定后便不能更改的根本原因。看到这里是不是想到了 kafka Topic消息的路由规则呢?可以说是一模一样的效果。
文档的创建流程:
文档读取请求流程:
Search执行的时候实际分两个步骤运行的
Query阶段:
Fetch阶段:
node3根据Query阶段获取到文档Id列表对应的shard上获取文档详情数据
相关性算分在shard与shard间是相互独立的,也就意味着同一个Tearm的IDF等值在不同shard上是不同的。文档的相关性算法和它所处的shard相关在文档数量不多时,会导致相关性算分严重不准的情况发生
解决思路有两个:
DFS Query-then-Fetch是拿到所有文档后再重新完整的计算一次相关性算法,耗费更多的cpu和内存,执行性能也比较低下,一般不建议使用。操作方式如下:
如果不采用DFS Query-then-Fetch,则结果的顺序就不尽人意了:
创建非结构化的索引:
创建结构化的索引,当然也可以通过 postman操作:
这里需要注意的是在6.0.0或者更高版本中仅支持单Mapping。对于5.X版本中多个Mapping依旧可以使用。计划在7.0.0中完全移除Mapping【移除是符合情理的,你看现在就只支持单Mapping,跟直接访问index没啥区别了】
插入数据,自动生成文档 ID 插入:
指定文档 ID 插入
修改文档:
删除文档:
基础查询,先创建一个索引,对应一个 type,然后3个属性:
然后初始化一批数据:
查询所有:book/_search,默认显示10条,可以通过 "from" : 0, "size" : 20,来修改
条件查询: book/_search,然后编辑如下内容:查询书籍中包含 spring关键字,且按发版日期降序排序。
聚合查询: book/_search,然后编辑如下内容:根据书籍价格和发版日期进行分组
{ "aggs": { "group_by_price": { "terms": { "field": "price" } }, "group_by_publication_date": { "terms": { "field": "publication_date" } } } }
结果如下,结果很长,我就截取了一部分:
聚合统计:book/_search,然后如下内容:根据书籍的价格进行聚合统计。
{ "aggs": { "grades_price": { "stats": { "field": "price" } } } }
结果如下,结果很长,我就截取了一部分:
模糊匹配,book/_search,查询标题中包含”spri”和”j”关键字的书籍
多字段匹配 查询价格和标题中都是”100”的书籍
Query 语法查询,查询名称和价格中同时包含 100和 200,或者包含 300的书籍。
{ "query": { "query_string": { "query": "(100 AND 200) OR 300", "fields": [ "name", "price" ] } } }
查询价格在 120到 200之间的数据
查询 2018-01-01 至今发版的所有书籍
filter 条件:筛选出符合条件的数据
复合查询:
另外一部分,则需要先做聚类、分类处理,将聚合出的分类结果存入ES集群的聚类索引中。数据处理层的聚合结果存入ES中的指定索引,同时将每个聚合主题相关的数据存入每个document下面的某个field下。