您的位置：首页 > 其它

ElasticSearch 2 (8) - 概览与简介

2016-02-25 18:58 399 查看

ElasticSearch 2 (8) - 概览与简介

摘要

分布式集群架构，具有高扩充性，可随时增加或移除节点，并保证数据正确。

使用Apache Lucene储存JSON文件，提供全文搜索功能

所有操作均可透过RESTful API完成

跨平台，Java写成

版本

elasticsearch版本: elasticsearch-2.2.0

内容

为了搜索，你懂的

有谁在使用？

还有谁在用？

用来做什么？

记录

搜寻

分析

与关系数据库有什么不一样？

索引、类型？
关系数据库＝> 数据库 => 表＝> 行记录 => 列

ElasticSearch ＝> 索引 => 类型＝> 文件 => 字段

如何使用

如何存入？

PUT /megacorp/employee/1
{
“first_name": "John",
"last_name" : "Smith",
"age" : 25,
"about" : "I am hero",
"interests": [ "sports", "music" ]
}

创建megacorp的索引 Index

在里面创建一个employee的类型 Type

在里面建立一个_id是1的JSON文件 Document

如何读取？

GET /megacorp/employee/1

或

GET /megacorp/employee/_search?q=music

或

GET /megacorp/_search?q=hero

如何回传？

{
……
"took": 4,
"hits": {
"total": 1,
"hits": [
{
"_index": "megacorp",
"_type": "employee",
"_id": "1",
"_score": 0.095891505,
"_source": {
"first_name": "John",
……
}
}
]
}
}

集群里的日子

Cluster由一个或以上具有相同cluster.name的ElasticSearch节点所组成。当有节点加入或移除时，cluster会自动平均分配数据。

Cluster中会自动选出一个主节点负责cluster的变动，例如新增节点或创建新的Index。

主节点可以不参与文件操作或搜索，因此只有一个主节点不会导致瓶颈。

我们可以发送请求到任一节点，它会清楚在cluster中该如何处理，并回传给我们最终结果。

Cluster的健康状态

GET /_cluster/health

GREEN 所有的主要（master）与复制（replica）的shard都是启动的。

YELLOW 所有的主要shard都是启动的，但复制的没有。

RED 所有的主要与复制的shard都没有启动。

创建索引

PUT /blogs
{
"settings" : {
"number_of_shards" : 3,
"number_of_replicas" : 1
}
}

创建一个名为blogs的Index，并设定它有3个主shard每个主shard总共要有一个副本shard在其他机器。

一个节点的时候

此时cluster健康状态为黄色，因为没有分配副本shard到其他机器。此时ElasticSearch可以正常运作，但是数据若遭到硬件问题时无法复原。

加入第二、第三个节点

此时cluster健康状态为绿色，因所有shard都启动了。此时其中一个节点遇到硬件问题都不会有影响。

增加复制的shard

PUT /blogs/_settings
{
"number_of_replicas" : 2
}

如此一来，坏掉两个节点也不影响。

数据如何分配到shard？

shard = hash(routing) % number_of_primary_shards

当有文件要储存进入Index时，ElasticSearch经过上面的计算后决定要把该文件存储到哪一个shard。

routing为任意字符串，预设为文件上的_id，可被改为其他的值。透过改变routing可以决定文件要储存到哪个shard。

当新增或删除文件的时候

Node 1 收到新增或删除请求。

Node 1 算出请求的文件是属于Shard 0，因此将请求转给Node 3。

Node 3 完成请求时，会再将请求转给复制的shard所在的Node 1与Node 2，并确定他们也都完成，此请求才算是成功。

当取得指定文件的时候

Node 1 收到获取请求。

Node 1 算出请求的文件是在Shard 0，而三台机器都有Shard 0，以上图为例，它会将请求转给Node 2。

Node 2 将文件回传给Node 1，再回传给使用者。

问题：当多个Node上都具有相同shard时，主Node如何转发请求？

当更新文件的时候

Node 1 收到更新的请求。

Node 1 算出请求的文件属于Shard 0，因此将请求转给Node 3。

Node 3 将文件取出后更新_source并尝试重新索引。此步骤可能重复retry_on_conflict次数。

Node 3 完成请求时，会再将新的文件传给复制的shard所在的Node 1与Node 2，并确定他们也都完成，此请求才算是成功。

问题：此种情况Node 1是否会优先将请求转给主Shard所在Node？

问题：如果超过重复次数，系统行为如何？

分布式文件存储

如何制作索引？

假如有12条date是2014-xx-xx的文件。但只有一个文件的date是2014-09-15。那我们发送以下请求：

GET /_search?q=2014

# 12 results

GET /_search?q=2014-09-15

# 12 results !

GET /_search?q=date:2014-09-15

# 1 result

GET /_search?q=date:2014

# 0 results !

结果为什么这么奇怪？

映射与分析

跨字段搜索

当存储文件时，ElasticSearch预设会另外存储一个_all字段。该字段预设由所有字段串接而成，并使用inverted index制作索引提供全文搜索。例如：

{
"tweet": "However did I manage before Elasticsearch?",
"date": "2014-09-14",
"name": "Mary Jones",
"user_id": 1
}

该文件的_all如下：

"However did I manage before Elasticsearch? 2014-09-14 Mary Jones 1"

映射

当有文件存储进来时，ElasticSearch预设会为该type自动生成mapping，用来决定如何制作索引以提供搜索。

{
"gb": {
"mappings": {
"tweet": {
"properties": {
"date": {
"type": "date",
"format": "dateOptionalTime"
},
"name": {
"type": "string"
},
"tweet": {
"type": "string"
},
"user_id": {
"type": "long"
}
}
}
}
}
}

exact value 与full text

ElasticSearch把值分成两类：exact value 与full text。

当针对exact value的字段搜索时，使用布尔判断，例如：Foo != foo。

当针对full text的字段搜索时，则是计算相关程度，例如：UK与United Kingdom相关、jumping与leap也相关。

Inverted Index

ElasticSearch用inverted index建立索引，提供全文搜索。考虑以下两份文件：

The quick brown fox jumped over the lazy dog

与

Quick brown foxes leap over lazy dogs in summer

建立出来的inverted index看起来大概如下表。

---------------------------------------
Term    |   Doc_1   |   Doc_2
---------------------------------------
Quick   |           |   X
The     |   X       |
brown   |   X       |   X
dog     |   X       |
dogs    |           |   X
fox     |   X       |
foxes   |           |   X
in      |           |   X
jumped  |   X       |
lazy    |   X       |   X
leap    |           |   X
over    |   X       |   X
quick   |   X       |
summer  |           |   X
the     |   X       |
---------------------------------------

搜索“quick brown”的结果如下表。

---------------------------------------
Term    |   Doc_1   |   Doc_2
---------------------------------------
brown   |   X       |   X
---------------------------------------
quick   |   X       |
---------------------------------------
Total   |   2       |   1
---------------------------------------

此表还可以优化，例如

Quick可以变成quick

foxes，dogs可以变成fox与dog

jumped，leap可以变成jump

这种分词（tokenization）、正规化（normalization）过程叫做analysis

优化结果如下

---------------------------------------
Term    |   Doc_1   |   Doc_2
---------------------------------------
brown   |   X       |   X
dog     |   X       |   X
fox     |   X       |   X
in      |           |   X
jump    |   X       |   X
lazy    |   X       |   X
over    |   X       |   X
quick   |   X       |   X
summer  |           |   X
the     |   X       |   X
---------------------------------------

Analysis与Analyzers

Analysis程序由Analyzer完成，Analyzer由下面三个功能组成：

Character filters

首先，字符串先依次经过character filters处理过，再进行分词。例如可能将html标签移除，或将 & 转换为 and。

Tokenizer

分词器就是将字符串切为许多有意义的单词。

Token filters

每个单词再依序经过token filters做最后处理。例如可能将Quick变成quick、把leap换成jump。

中文分词

ik分词器或mmseg分词器

https://github.com/medcl/elasticsearch-analysis-ik

https://github.com/medcl/elasticsearch-analysis-mmseg

Lucene Smart Chinese Analysis

回答之前的问题

假如有12条date是2014-xx-xx的文件。但只有一个文件的date是2014-09-15。那我们发送以下请求：

用2014去全文搜索_all字段

GET /_search?q=2014

# 12 results

2014-09-05经过分析后变成使用2014,09,15去全文搜索_all字段，由于每份文件都有2014所以全部相关。

GET /_search?q=2014-09-15

# 12 results !

针对date字段搜索exact value

GET /_search?q=date:2014-09-15

# 1 result

针对date字段搜索exact value，没有文件的date是2014

GET /_search?q=date:2014

# 0 results !

数据是分布式存储的

分布式搜索

ElasticSearch将搜索分成两个阶段，来完成在分布式系统中的搜索与排序：query与fetch。

排序的其中一个目的是为了分页，考虑一下请求：

GET /_search
{
"from": 90,
"size": 10
}

query阶段

Node 3 收到搜索请求后制作一个大小为from + size = 100的priority queue来排序。

Node 3 将搜索请求转给其他每个shard，此例为0号与1号。每个shard将自己搜索，并用priority queue排序出前from + size = 100个结果。

每个shard将各自结果的IDs与排序值回传给Node 3，Node 3再将这些结果加入priority queue中。

问题：为什么每个Node都是from + size = 100个结果？

fetch阶段

Node 3 将排序完的IDs取出需要的部分，即最后10笔，再发送Multi-GET请求跟文件所在的shard取得完整的文件。

shard 各自收到请求后，取出文件，若需要的话再经过处理，例如加上metadata与片段高亮，再回传给Node 3。

Node 3 取得所有结果后再回传给客户端。

在分布式系统中的排序与分页

ElasticSearch搜索结果预设只会回传10个经过_score排序的文件。

我们可以透过size与from参数，取得其他分页的结果。例如

GET /_search?size=10&from=10000

但是在分布式系统中分页的成本非常高。预设一个Index有5个shard，若要取出第1000页的内容，必须从每个shard取出前10010个文件。再将总共50050个结果重新排序取出10个（10001 ～ 100010）。因此若要取出大量数据，不建议使用排序与分页的功能。

scan与scroll

GET /old_index/_search?search_type=scan&scroll=1m
{
"query": { "match_all": {}},
"size": 1000
}

设定 search_type = scan，这样一来ElasticSearch不会对结果进行排序。

设定scroll ＝ 1m，将会对这个搜索建立快照，并维持一分钟。根据回传的_scroll_id可以取得下一批的结果。经由size参数可以设定一个shard一批最多取多少文件，因此每一批取得的数量最多为

size * number_of_primary_shards

透过scan与scroll，我们可以批次取得大量的文件，而且不会有分页成本。若有需要重新索引整个index时，可以使用此方法完成。

最佳化Index

Index 设定

虽然ElasticSearch在存入文件的时候就会自动创建Index，但使用预设设定可能不是个好主意。例如：

主要的shard数量不能够被修改

自动mapping可能会猜错

使用不符需求的Analyzer

这些设定都需要在存储数据之前设定完成，否则将会需要重新索引整个index。

除了手动设定index之外，也可以使用index template自动套用设定。

mapping的部分则可以设定dynamic_templates自动套用。

别名零宕机Zero downtime

若想要改变已经既有字段的索引方式，例如改变Analyzer。将需要重新索引整个index，否则既有的数据与新索引的不一致。

利用Index别名，可以做到Zero downtime的重新索引。

Application请求的index叫做my_index。实际上my_index是个别名，指到的是my_index_v1。

若要重新索引，则创建新的my_index_v2，并套用新的设定。再透过scan与scroll将文件从my_index_v1放入my_index_v2。

最后将my_index别名导向my_index_v2即可。