Elasticsearch基本概念和索引原理
我是啤酒就辣條。
但行好事,莫問前程。
Elasticsearch是什麼?
Elasticsearch是一個基於文件的NoSQL資料庫,是一個分散式
、RESTful
風格的搜尋和資料分析引擎,同時也是Elastic Stack
的核心,集中儲存資料。Elasticsearch、Logstash、Kibana經常被用作日誌分析系統,俗稱ELK。
說白了,就是一個數據庫,搜尋賊快(但是插入更新較慢,要不然其他資料庫別玩了)。速度快,還可以進行分詞,非常適合做搜尋
,例如商城的商品搜尋。為什麼快,後面講原理的時候會說,不單單是快取的問題,原理非常精彩。而且它是nosql的,資料格式可以隨便造。Elasticsearch還為我們提供了豐富的RESTful風格的API,寫程式碼的成本極低。最後它支援分散式,高效能(搜尋快),高可用(某些節點宕機可以接著用),可伸縮(可以方便的增加節點,解決實體記憶體上線問題),適合分散式系統開發。
Elasticsearch基本概念
為了快速瞭解Elasticsearch(後面可能會簡稱為ES),可以與mysql幾個概念做個對比。
Elasticsearch | Mysql |
---|---|
欄位(Filed) | 屬性(列) |
文件(Document) | 記錄(行) |
型別(Type) | 表 |
索引(Index) | 資料庫 |
是不是清楚多了?我們說Elasticsearch是基於文件的,就是因為記錄元素(被搜尋的最小單位)是文件。例如下面就是一個文件,
{ "email": "[email protected]", "first_name": "John", "last_name": "Smith", "info": { "bio": "Eco-warrior and defender of the weak", "age": 25, "interests": [ "dolphins", "whales" ] }, "join_date": "2014/05/01" }
文件格式看起來很像Json吧。email
、first_name
等等就是Filed
。由於結構是Json,所以value值就很方便放任意型別,這就是nosql的好處。
文件(Document)
ES中的一個物件將來會和Java程式碼中的一個物件對應。文件的每一個Filed
可以是任意型別,但是一旦某索引(Index)
(我們描述的時候,略過Type
,但是Type
依然存在)中插入了一個文件,某Filed
被第一次使用,ES就會設定好此Filed
的型別。例如你插入user的name是字串型別,以後再插入文件,name欄位必須是字串型別。所以,建議在插入文件之前,先設定好每個Filed
的型別。
如果插入文件的時候,不指定id,ES會幫助我們自動生成一個id,建議id是數字型別,這樣搜尋會快速很多。商城系統中的商品id建議使用雪花演算法生成,這樣既避免了自增id的安全性問題,又解決了字串id檢索慢的問題。
型別(Type)
關於Type
,型別概念,在6.x版本中,一個索引(Index)可以擁有多個Type
。在7.x版本(目前最新版本),一個索引只能擁有一個Type
,預設的type就是_doc
,在7.x版本中,已經建議刪除了。在未來的8.x版本會徹底刪除。但是在7.x版本中,一個文件還必須歸屬於一個型別。
索引(Index)
都說ES中的索引類似於mysql中的資料庫,我覺得未來索引有成為mysql中表概念的潛質。我們把相同特徵(Filed數量和型別基本相同)的文件放到同一個索引(index)裡面。這樣方便提前通過mapping來規定各個Filed的型別。另外,索引名稱必須全部小寫,所以不建議寫成駝峰式。
節點(Node)與分片(Shard)
由於生產環境下ES基本都是叢集部署的,所以一定少不了節點
的概念,一個節點就是一個ES例項,就是一個Java程序,這些Java程序部署在不同的伺服器上,增加ES可用性。
ES節點根據功能可以分為三種:
- 主節點:職責是和叢集操作相關的內容,如建立或刪除索引,跟蹤哪些節點是群集的一部分,並決定哪些分片分配給相關的節點。每個節點都可訪問叢集的狀態,但是隻有主節點可以修改叢集的狀態。
- 資料節點:資料節點主要是儲存資料的節點,對文件進行增刪改查,聚合操作等等,資料節點對cpu,記憶體,io要求較高,當資源不夠的時候,可以增加新的節點,很方便的進行資料拓展。
- 客戶端節點:本節點主要處理路由請求,分發索引的操作。實際上主節點和資料節點也有路由轉發的功能,但是為了提高效率,還是建議生產環境單獨建立客戶端節點。
分片類似於mysql中的分表,在一個索引拆分成幾個小索引,分佈在不同的節點(不同伺服器)上,每個小索引都具有完備的功能,當客戶端發來請求的時候,客戶端節點找到合適的分片上的小索引,進行資料查詢,這一過程對於使用者來說都是透明的,使用者表面上看只是在操作一個索引。利用分片,可以避免單個節點的物理限制,還可以增加吞吐量。建議最開始一個索引要用多少分片設計好,因為修改分片數量是個相當麻煩的過程。
作為分散式的資料庫,ES必須為咱們提供資料冗餘功能,這就是分片副本,就是將某個分片copy一份放到其他節點上。注意,這裡分片和分片副本必須在不同的節點上!分片副本也可以提高吞吐量。分片副本不同於分片,可以很方便的進行修改。
說完了所有概念,再去看本節最開始那張圖,有一個索引,分了3分片在三個節點上,並且每個分片在不同的節點上有分片副本。
Elasticsearch索引原理
看完上面的內容,你對Elasticsearch有了基本的認識,再去看基本操作(我後面要寫一篇基操部落格),就可以在專案中使用Elasticsearch了。此刻你可以喘口氣,以放鬆的心態看後面的內容。下面我們就講講索引為什麼快?
首先,我們知道mysql底層資料結構使用的是B+Tree
,這種BTree
,將搜尋時間複雜度變成了logN,已經很快了,我們Elasticsearch要比它還快。Elasticsearch是怎麼做的呢?首先儲存結構要優化,然後再提高下和磁碟的互動效率。
先說Elasticsearch索引結構,叫做倒排索引
,啥是倒排索引呢?它的大概邏輯如下:
為了講清楚這個概念,我們先看個例子,如下為我們user的資料:
ID | Name | Age |
---|---|---|
1 | Kate | 24 |
2 | John | 24 |
3 | Bill | 29 |
4 | Kate | 26 |
5 | Brand | 29 |
Elasticsearch會為以上資料建立兩個索引樹:
Term | Posting List |
---|---|
Kate | 1,4 |
Brand | 5 |
John | 2 |
Bill | 3 |
Term | Posting List |
---|---|
24 | 1,2 |
26 | 4 |
29 | 3,5 |
以上的索引樹就叫做倒排索引,每個Filed
欄位對應著一組Term
,每個Term
後面跟著的id(還記著嗎,這個主鍵使用者不指定就會自動生成,所以一定存在)就是Posting List
,它是一組id,有了id再去磁碟中對應的文件就so fast了。
你有沒有發現,Term
如果按序找會快點,將Term
按序排,在進行二分查詢,是不是速度就跟BTree
一樣了,時間複雜度為LogN。這個有序的Term
組就是Term Dictionary
。
那麼問題又來了,比如說資料庫中有name字首為A的同學1000萬個,字首為Z的同學有3個,我要查字首為Z的同學,那二分查詢不也很多次嗎,所以,Elasticsearch把每個開頭的地方標記一下,拿出來,再放到一顆樹裡,速度不是就快了嘛。這棵樹就是Term Index
。Term Index
字首不一定是第一個字元,比如A、Ab、Abz,這種都可以在Term Index
樹裡。並且Term Dictionary
可能會太大,會被放到磁碟中,避免記憶體佔用太多。
再看下面這張結構圖是不是清楚多了。
由於Term Index
被放到記憶體中,所以最好壓縮一下,減少記憶體使用,壓縮使用的是FST
,這個東西講起來比較複雜,反正就是能壓縮,記憶體變小就好了。
Term
壓縮完了,那麼Posting List
是不是也可以壓縮一下,省省空間啊?既然都是id,使用過redis的同學瞬間會想到bitMap
,就是有個巨大的陣列,儲存著0或1,有就是1,沒有就是0。例如上面的3、5放在BitMap中就是 1,0,1,0,0,0。雖說空間已經明顯小多了,但是如果一個Posting List
只儲存著1,10000001這兩個id,最後產生的數字是不是過大呢。於是乎,Roaring bitmaps
就出來了,進行了一次指數降級,簡單點說就是取商和餘數儲存,被除數是65535。例如 1000,62101,131385,196658
, 這幾個id,首先分組,分組規則就是商一樣,例如上面id可分組為[(0,1000),(0,62101)],[],[(2,6915)],[(3,53)]。注意,沒有商為1的值,我用空陣列表示。此時,將某個組中的數字放到一個bitmap中。