Java面试重点中的重点之Elasticsearch核心原理
作者：慕枫技术笔记
Elasticsearch简介
Elasticsearch是什么？它能干什么？
Elasticsearch（以下称之为ES）是一款基于Lucene的分布式全文搜索引擎，擅长海量数据存储、数据分析以及全文检索查询，它是一款非常优秀的数据存储与数据分析中间件，广泛应用于日志分析以及全文检索等领域，目前很多大厂都基于Elasticsearch开发了自己的存储中间件以及数据分析平台。
从核心概念开始
Lucence
Lucene是Apache下的一个子项目，是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，它是ES实现全文检索的核心基础，索引文档以及搜索索引的的核心流程都是在Lucene中完成的。
核心数据结构
Document
我们都说ES是面向document的，这句话什么意思呢？实际就是表示ES是基于document进行数据操作的，操作主要包括数据搜索以及索引（这里的索引时数据写入的意思）。因此可以说document是ES的基础数据结构，它会被序列化之后保存到ES中。那么这个document到底是个什么东东呢？相信大家都对Mysql还是比较熟悉的，因此我们用Mysql中的数据库与表的概念与ES的index进行对比，可能并不是十分的恰当和吻合，但是可以有助于大家对于这些概念的理解。另外type也在ES6.x版本之后逐渐取消了。
Index
在ES之前的版本中，是有type这个概念的，类比数据库中的表，那上文中所说的document就会放在type中。但是在ES后面的版本中为了提高数据存储的效率逐渐取消了type，因此index实际上在现在的ES中既有库的概念也有表的概念。简单理解就是index就是文档的容器，它是一类文档的集合，但是这里需要注意的是index是逻辑空间的分类，实际数据是存在物理空间的分片上的。
另外需要说明的是，在ES中索引是有不同上下文含义的，它既可以是名词也可以是动词。索引为名词是就是上文中提到的它是document的集合，索引为动词的时候表示将document数据保存到ES中，也就是数据写入。
在ES中，为了屏蔽语言的交互差异，ES直接对外的交互都是通过Rest API进行的。
倒排索引
我们都知道索引存在的意义就是为了加速数据的查询。在关系型数据库中如果没有索引的话，为了查找数据我们需要每条数据去进行比对，运气不好的话可能需要扫描全表才能查找到想要的数据。以Mysql为例，它使用了B+树作为索引来加速数据的查询。假设有这样的一种场景，周末在路上逛的时候突然听到一首非常好听的歌曲，你记住了其中两句歌词，想着赶快拿手机到QQ音乐中查一下是什么歌。如果你是QQ音乐的程序猿，你该怎么实现根据歌词查询歌曲的功能呢？ 用B+树作为索引行不行呢？全文索引就是需要支持对大文本进行索引的，从空间上来说 B+ 树不适合作为全文索引，同时 B+ 树因为每次搜索都是从根节点开始往下搜索，所以会遵循最左匹配原则，而我们使用全文搜索时，往往不会遵循最左匹配原则，所以可能会导致索引失效。这时候倒排索引就派上用场了。 所谓正排索引就像书中的目录一样，根据页码查询内容，但是倒排索引确实相反的，它是通过对内容的分词，建立内容到文档ID的关联关系。这样在进行全文检索的时候，根据词典的内容便可以精确以及模糊查询，非常符合全文检索的要求。
倒排索引的结构主要包括了两大部分一个是Term Dictionary（单词词典），另一个是Posting List（倒排列表）。Term Dictionary（单词词典）记录了所用文档的单词以及单词和倒排列表的关系。Posting List（倒排列表）则是记录了term在文档中的位置以及其他信息，主要包括文档ID,词频（term在文档中出现的次数，用来计算相关性评分），位置以及偏移（实现搜索高亮）。
FST
如上文所述，在进行全文检索的时候，通过倒排索引中term与docId的关联关系获取到原始数据。但是这里有一个问题，ES底层依赖Lucene实现倒排索引的，因此在进行数据写入的时候，Lucene会为原始数据中的每个term生成对应的倒排索引，因此造成的结果就是倒排索引的数据量就会很大。而倒排索引对应的倒排表文件是存储在硬盘上的。如果每次查询都直接去磁盘中读取倒排索引数据，在通过获取的docId再去查询原始数据的话，肯定会造成多次的磁盘IO，严重影响全文检索的效率。因此我们需要一种方式可以快速定位到倒排索引中的term。大家想想使用什么方式比较好呢？可以考虑HashMap， TRIE， Binary Search Tree或者Tenary Search Tree等数据结构，实际上Lucene实际是使用了FST（Finite State Transducer）有限状态传感器来实现二级索引的设计，它其实就是一种有限状态机。
我们先来看下 trie树的结构，在Lucene中是这样做的，将倒排索引中具有公共前缀的term组成一个block，如下图所示的cool以及copy，它们拥有co的公共前缀，按照类似前缀树的逻辑来构成trie树，对应节点中携带block的首地址。我们来分析下trie树相比hashmap有什么优点？hashmap实现的是精准查找，但是trie树不仅可以实现精准查找，另外由于其公共前缀的特性还可以实现模糊查找。那我们再看trie树有什么地方可以再进行优化的地方？
如上如所示，term中的school以及cool的后面字符是一致的，因此我们可以通过将原先的trie树中的后缀字符进行合并来进一步的压缩空间。优化后的trie树就是FST。
因此通过建立FST这个二级索引，可以实现倒排索引的快速定位，不需要经过多次的磁盘IO，搜索效率大大提高了。不过需要注意的是FST是存储在堆内存中的，而且是常驻内存，大概占用50%-70%的堆内存，因此这里也是我们在生产中可以进行堆内存优化的地方。
集群相关概念
为了增强ES的数据存储可靠性以及高可用，ES支持进行集群部署，集群后的ES即便是某些节点出现故障，也不会导致真个ES集群不可用，同时通过水平扩容增强了ES的数据存储能力。
节点
所谓的节点实际就是ES的实例，我们通常在一台服务器部署一个ES实例，其实就是一个Java进程。虽然都是ES实例，但是实际上的ES集群，不同节点承担着不同的能力角色，有的是data node，主要负责保存分片的数据的，承担着数据横向扩展的重要作用，有的是coordinating node负责将用户请求进行转发以及将查询的结果进行合并返回。当然还有master节点，负责对真个集群状态进行管理和维护。
分片
单个ES节点的数据存储毕竟有限，没法实现海量数据的存储要求。那么怎么才能满足海量数据的存储要求呢？一个核心思想就是拆分，比如总共10亿条数据，如果都放在一个节点中不仅查询以及数据写入的速度回很慢，页存在单点问题。在传统关系型数据库中，采用分库分表的方式，用更多的数据库实例来承接大量的数据存储。那么在ES中，也是采取类似的设计思想，既然一个ES的实例存在数据存储的上线，那么就用多个实例来进行存储。在每个实例中存在的数据集合就是分片。如下图所示，index被切分成三个分片，三个分片分别存储在三个ES实例中，同时为了提升数据的高可用性，每个主分片都有两个副本分片，这些副本分片是主分片的数据拷贝。
put /article
{
"settings": {
"number_of_shards":3,
"number_of_replicas":3
}
}
这里需要注意的是，分片不是随意进行设定的，而是需要根据实际的生产环境提前进行数据存储的容量规划，否则分片设置的过大或者过小都会影响ES集群的整体性能。如果分片设置的过小，那么单个分片的数据量可能会很大，影响数据检索效率，也会影响数据的横向扩展。如果分片设置的过大就会影响搜索结果的数据相关性评分，影响数据检索的准确性。
总结
本文对ES的核心概念进行了全面的梳理与阐述，相信大家对于ES有了初步的了解，下篇文章中再带大家好好理解下ES的核心业务流程的原理以及优秀的设计思想，只有理解了ES的核心概念以及核心流程，那么在生产中遇到一些搜索优化、节点JVM优化等才会有对应的排查方向，另外ES中的一些优秀的设计思想，也是非常值得我们学习的，当我们在设计软件平台的时候有时可以借鉴这些优秀的设计思想。
到此这篇关于Java面试重点中的重点之Elasticsearch核心原理的文章就介绍到这了,更多相关Java Elasticsearch内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！