Elasticsearch大文件检索性能提升20倍实践（干货）
IceStreamLab 2020-07-27
1、大文件是多大？
ES建立索引完成全文检索的前提是将待检索的信息导入Elaticsearch。
项目中，有时候需要将一些扫描件、PDF文档、Word、Excel、PPT等文档内容导入Elasticsearch。
比如：将《深入理解Elasticsearch》这边书导入ES，而这边书的全文内容被识别后的大小可能为3MB——5MB以上的字节。
存入ES后是一个content字段，对这个content执行全文检索&高亮显示，就存在检索效率低的问题，会耗时30S以上的时间。
这点，作为习惯了搜索引擎极速体验的用户，是不能忍的。
本文，详细记录了大文件的全文检索性能问题排查及提升实践方式。
2、问题描述
从检索症状来看：
1）翻页到1000+页（每页10条数据）以上，响应时间会比较长。
2）当遇到某些文件的时候（事后分析得知是大文件），响应时间尤其长，超过30S以上返回高亮结果。
3、问题排查与定位
步骤1： 限定返回记录条数。不提供直接访问末页的入口。
baidu，360，搜狗等搜索引擎都不提供访问末页的请求方式。都是基于如下的请求方式：
通过点击上一下、下一页逐页访问。
这个从用户的角度也很好理解，搜索引擎返回的前面都是相关度最高的，也是用户最关心的信息。
Elasticsearch的默认支持的数据条数是10000条，可以通过post请求修改。
最终，本步骤将支持ES最大返回值10000条数据，每页10条，也就是共显示1000页数据。
步骤2,from size机制问题 ，大于设定页就会慢。
【from + size机制】：当Elasticsearch响应请求时，它必须确定docs的顺序，排列响应结果。如果请求的页数较少（假设每页10个docs）, Elasticsearch不会有什么问题，但是如果页数较大时，比如请求第100页，Elasticsearch不得不取出第1页到第100页的所有docs，再去除第1页到第99页的docs，得到第100页的docs。
【scroll机制】：相对于from和size的分页来说，使用scroll可以模拟一个传统数据的游标，记录当前读取的文档信息位置。这个分页的用法，不是为了实时查询数据，而是为了一次性查询大量的数据（甚至是全部的数据）。
因为这个scroll相当于维护了一份当前索引段的快照信息，这个快照信息是你执行这个scroll查询时的快照。在这个查询后的任何新索引进来的数据，都不会在这个快照中查询到。但是它相对于from和size，不是查询所有数据然后剔除不要的部分，而是记录一个读取的位置，保证下一次快速继续读取。
from+size方式以及scroll方式优缺点对比：
1）对于from+size方式：当结果足够大的时候，会大大加大内存和CPU的消耗。但，该方式使用非常方便。
2）对于scroll方式： 当结果足够大的时候， scroll 性能更佳。但是不灵活和 scroll_id 难管理问题存在。
【from网络】个人测试：当 结果足够大的时候 产生 scroll_id 性能也不低。如果只是一页页按照顺序，scroll是极好的，但是如果是无规则的翻页，那也是性能消耗极大的。
经过两种机制对比，加之步骤1，限定了分页数，最大1000页。并且用户支持主页翻页的方式，暂定还是采用from+size方式。
如果后面步骤有问题，再考虑换成scorll机制。
步骤3, 查看ES打印日志。
当出现卡顿、卡死等性能低、用户体验差问题时，查看ES的日志。
分析日志如下： 
原因分析：卡顿、卡死都是堆内存不足导致。
根据之间总结的高性能配置建议，果断加堆内存，由16GB增加到最大值31GB。
堆内存使用比率可以通过：cerebro 工具检测性能。
步骤4：类似逆向解析dsl，排查查询慢在哪？
1） 打印出DSL，可以通过接口： searchSourceBuilder.toString()。
2) 新增profile参数，查看到底哪里慢了。
profile API的目的是：将ES高层的ES请求拉平展开，直观的让你看到请求做了什么，每个细分点花了多少时间。
给你改善性能提供相关支撑工作。
使用举例如下：
GET /_search { "profile": true, "query" : { "match" : { "message" : "message number" } } }
3） 换了全文接口api ，query_string改成match query满足要求且速度有提升。
4）删除某些查询条件，在基础数据不变的条件下，查看查询速度是否快了（返回时间短了）。
验证发现，当不返回content字段（_source控制）时，速度会变快。
当取消高亮字段处理，速度会更快。0.5秒之内返回结果。
至此，初步断定和高亮处理有关系。
步骤5：高亮问题排查及优化。
通过论坛中网友的建议来看，都推荐对于大文件高亮使用： fast-vector-highlighter。
查询官网文档得知：
Elasticsearch高亮分为三种方式：
方式1：传统plain高亮方式。
官网明确支持，该方式匹配慢，如果出现性能问题，请考虑其他高亮方式。
方式2： postings 高亮方式。
支持postings高亮方式，需要在mapping下添加如下信息：
"type": "text",
"index_options" : "offsets"
添加完毕后，posting高亮方式将取代传统的高亮方式。
posting高亮方式的特点：
1）速度快，不需要对高亮的文档再分析。文档越大，获得越高 性能 。
2）比fvh高亮方式需要的磁盘空间少。
3）将text文件分割成语句并对其高亮处理。对于自然语言发挥作用明显，但对于html则不然。
4）将文档视为整个语料库，并 使用BM25算法 为该语料库中的文档打分。
使用举例：
PUT /example
{
"mappings": {
"doc" : {
"properties": {
"comment" : {
"type": "text",
"index_options" : "offsets"
}
}
}}
}
方式3： fast-vector-highlighter 简称fvh高亮方式。
如果在mapping中的text类型字段下添加了如下信息：
"type": "text",
"term_vector" : "with_positions_offsets"
fvh高亮方式将取代传统的plain高亮方式。
fvh高亮方式的特点如下：
1）当文件>1MB(大文件）时候，尤其适合fvh高亮方式。
2）自定义为 boundary_scanner的扫描方式。
3) 设定了 term_vector to with_positions_offsets会增加索引的大小。
4）能联合多字段匹配返回一个结果，详见matched_fields。
5）对于不同的匹配类型分配不同的权重，如：pharse匹配比term匹配高。
举例：
PUT /example
{
"mappings": {
"doc" : {
"properties": {
"comment" : {
"type": "text",
"term_vector" : "with_positions_offsets"
}
}
}}
}
最终选型：fvh高亮方式。首先：新建了索引，按照fvh的方式对content字段新设置了mapping；其次通过如下方式进行索引数据同步：
POST /_reindex { "source": { "index": "test_index" }, "dest": { "index": "test_index_new" } }
实践结果表明，同样的大文件，原本检索>40S，现在2S之内返回结果。
没有改一行代码，只修改了mapping，效率提升了近20倍。
步骤5 小结
清醒认知，一切bug都是纸老虎。
多年开发经验让我深深认知到：
1,敢于暴露问题是开发者责任的体现。
这里包括所有技术问题，尤其是在测试人员、用户之前发现的问题。
2,出了bug，定位bug、根查bug是关键。
少瞎bb，少踢皮球。那些是市井“小市民”的专利，我们要敬而远之，也不要成为那样的人。
“出淤泥而不染”是程序员恪守的宝贵品格。
3,项目负责人要稳定军心。
你TM乱了，军心就焕然了。
不要板着脸，没有程序员亏欠你的，就事说事，对事不对人。
4,不同阶段说不同阶段的事，不马后炮。
到了上线阶段，说选型不合理、架构不合理，打谁的脸？
平时务必及时关注项目动态，提前关注技术难点和风险点，协调架构师等技术专家，和大家一起克服。
一切马后炮都是管理无能的体现！
5,拆解细化问题，并逐条列举排查思路是王道！
6,行胜于言！去做就是了。
解决问题的方法肯定比问题多。
[1] scroll和from size性能对比：
http://www.cnblogs.com/xing901022/archive/2016/03/16/5284902.html
[2]分解请求时间方式：
https://www.elastic.co/guide/en/elasticsearch/reference/5.4/search-profile.html
阅读原文
相关推荐
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。