大家好，非常高興能在這裏給大家分享，感謝InfoQ提供的這個微信的平臺，首先簡單自我介紹一下，我叫曾勇，是Elastic的工程師。
Elastic將在今年秋季的時候發佈一個Elasticsearch V5.0的大版本，這次的微信分享將給大家介紹一下5.0版裏面的一些新的特性和改進。
5.0？ 天啦嚕，你是不是覺得版本跳的太快了。
好吧，先來說說背後的原因吧。
相信大家都聽說ELK吧，是Elasticsearch、Logstash、Kibana三個產品的首字母縮寫，現在Elastic又新增了一個新的開源項目成員：Beats，
有人建議以後這麼叫：ELKB？爲了未來更好的擴展性:) ELKBS？ELKBSU？…..所以我們打算將產品線命名爲ElasticStack,同時由於現在的版本比較混亂，每個產品的版本號都不一樣，Elasticsearch和Logstash目前是2.3.4；Kibana是4.5.3；Beats是1.2.3；
版本號太亂了有沒有，什麼版本的ES用什麼版本的Kibana？有沒有兼容性問題？
所以我們打算將這些的產品版本號也統一一下，即v5.0，爲什麼是5.0，因爲Kibana都4.x了，下個版本就只能是5.0了，其他產品就跟着跳躍一把，第一個5.0正式版將在今年的秋季發佈，目前最新的測試版本是：5.0 Alpha 4
上面就是整個ElasticStack了，其實還是之前的那些啦
目前各團隊正在緊張的開發測試中，每天都有新的功能和改進，本次分享主要介紹一下Elasticsearch的主要變化。
首先來看看5.0裏面都引入了哪些新的功能吧。
首先看看跟性能有關的，第一個就是Lucene 6.x 的支持，
Elasticsearch5.0率先集成了Lucene6版本，其中最重要的特性就是 Dimensional Point Fields，多維浮點字段，ES裏面相關的字段如date, numeric，ip 和 Geospatial 都將大大提升性能，這麼說吧，磁盤空間少一半；索引時間少一半；查詢性能提升25%；IPV6也支持了。
爲什麼快，底層使用的是Block k-d trees，核心思想是將數字類型編碼成定長的字節數組，對定長的字節數組內容進行編碼排序，然後來構建二叉樹，然後依次遞歸構建，目前底層支持8個維度和最多每個維度16個字節，基本滿足大部分場景。
說了這麼多，看圖比較直接
圖中從2015/10/32 total bytes飆升是因爲es啓用了docvalues，我們關注紅線，最近的引入新的數據結構之後，紅色的索引大小隻有原來的一半大小。索引小了之後，merge的時間也響應的減少了，看下圖
相應的Java堆內存佔用只原來的一半：
再看看索引的性能，也是飆升
當然Lucene6裏面還有很多優化和改進，這裏沒有一一列舉。我們再看看索引性能方面的其他優化
ES5.0在Internal engine級別移除了用於避免同一文檔併發更新的競爭鎖，帶來15%-20%的性能提升 #18060
以上截圖來自ES的每日持續性能監控：https://benchmarks.elastic.co/index.html
另一個和aggregation的改進也是非常大，Instant Aggregations
Elasticsearch已經在Shard層面提供了Aggregation緩存，如果你的數據沒有變化，ES能夠直接返回上次的緩存結果，但是有一個場景比較特殊，就是 date histogram，大家kibana上面的條件是不是經常設置的相對時間，如：from:now-30d to:now，好吧，now是一個變量，每時每刻都在變，所以query條件一直在變，緩存也就是沒有利用起來，經過一年時間大量的重構，現在可以做到對查詢做到靈活的重寫，首先now關鍵字最終會被重寫成具體的值，其次，每個shard會根據自己的數據的範圍來重寫查詢爲 match_all或者是match_none查詢，所以現在的查詢能夠被有效的緩存，並且只有個別數據有變化的Shard才需要重新計算，大大提升查詢速度。
另外再看看和Scroll相關的吧，現在新增了一個：Sliced Scroll
用過Scroll接口吧，很慢？如果你數據量很大，用Scroll遍歷數據那確實是接受不了，現在Scroll接口可以併發來進行數據遍歷了，
每個Scroll請求，可以分成多個Slice請求，可以理解爲切片，各Slice獨立並行，利用Scroll重建或者遍歷要快很多倍。
看看這個demo
可以看到兩個scroll請求，id分別是0和1，max是最大可支持的並行任務，可以各自獨立進行數據的遍歷獲取。
我們再看看es在查詢優化這塊做的工作，
新增了一個Profile API
都說要致富先修路，要調優當然需要先監控啦，elasticsearch在很多層面都提供了stats方便你來監控調優，但是還不夠，其實很多情況下查詢速度慢很大一部分原因是糟糕的查詢引起的，玩過SQL的人都知道，數據庫服務的執行計劃（execution plan）非常有用，可以看到那些查詢走沒走索引和執行時間，用來調優，elasticsearch現在提供了Profile API來進行查詢的優化，只需要在查詢的時候開啓profile：true就可以了，一個查詢執行過程中的每個組件的性能消耗都能收集到。
那個子查詢耗時多少，佔比多少，一目瞭然,同時支持search和aggregation的profile
還有一個和翻頁相關的問題，就是深度分頁，是個老大難的問題，因爲需要全局排序（number_of_shards * (from + size)），所以需要消耗大量內存，以前的es沒有限制，有些同學翻到幾千頁發現es直接內存溢出掛了，後面elasticsearch加上了限制，from+size不能超過1w條，並且如果需要深度翻頁，建議使用scroll來做，但是scroll有幾個問題，第一個是沒有順序，直接從底層segment進行遍歷讀取，第二個實時性沒法保證，scroll操作有狀態，es會維持scroll請求的上下文一段時間，超時後才釋放，另外你在scroll過程中對索引數據進行了修改了，這個時候scroll接口是拿不到的，靈活性較差，現在有一個新的 Search After 機制，其實和scroll類似，也是遊標的機制，它的原理是對文檔按照多個字段進行排序，然後利用上一個結果的最後一個文檔作爲起始值，拿size個文檔，一般我們建議使用_uid這個字段，它的值是唯一的id。來看一個Search After 的demo 吧，比較直觀的理解一下
上面的demo，search_after後面帶的兩個參數，就是sort的兩個結果，根據你的排序條件來的，三個排序條件，就傳三個參數
再看看跟索引與分片管理相關的新功能吧，新增了一個Shrink API
相信大家都知道elasticsearch索引的shard數是固定的，設置好了之後不能修改，如果發現shard太多或者太少的問題，之前如果要設置Elasticsearch的分片數，只能在創建索引的時候設置好，並且數據進來了之後就不能進行修改，如果要修改，只能重建索引，現在有了Shrink接口，它可將分片數進行收縮成它的因數，如之前你是15個分片，你可以收縮成5個或者3個又或者1個，那麼我們就可以想象成這樣一種場景，在寫入壓力非常大的收集階段，設置足夠多的索引，充分利用shard的並行寫能力，索引寫完之後收縮成更少的shard，提高查詢性能。
這裏是一個API調用的例子
上面的例子對my_source_index伸縮成一個分片的my_targe_index,使用了最佳壓縮. 有人肯定會問慢不慢？非常快！ Shrink的過程會藉助操作系統的Hardlink進行索引文件的鏈接，這個操作是非常快的，毫秒級Shrink就可收縮完成，當然windows不支持hard link，需要拷貝文件，可能就會很慢了。
再來看另外一個比較有意思的新特性，除了有意思，當然還很強大,新增了一個Rollover API
前面說的這種場景對於日誌類的數據非常有用，一般我們按天來對索引進行分割（數據量更大還能進一步拆分），我們以前是在程序裏設置一個自動生成索引的模板，大家用過logstash應該就記得有這麼一個模板logstash-[YYYY-MM-DD]這樣的模板，現在es5.0裏面提供了一個更加簡單的方式：Rollover API, API調用方式如下：
從上面可以看到，首先創建一個logs-0001的索引，它有一個別名是logs_write,然後我們給這個logs_write創建了一個rollover規則, 即這個索引文檔不超過1000個或者最多保存7天的數據，超過會自動切換別名到logs-0002,你也可以設置索引的setting、mapping等參數,剩下的es會自動幫你處理。這個特性對於存放日誌數據的場景是極爲友好的。
另外關於索引數據，大家之前經常重建，數據源在各種場景，重建起來很是頭痛，那就不得不說說現在新加的Reindex接口了，Reindex可以直接在Elasticsearch集羣裏面對數據進行重建，如果你的mapping因爲修改而需要重建，又或者索引設置修改需要重建的時候，藉助Reindex可以很方便的異步進行重建，並且支持跨集羣間的數據遷移。
比如按天創建的索引可以定期重建合併到以月爲單位的索引裏面去。
當然索引裏面要啓用_source。
來看看這個demo吧，重建過程中，還能對數據就行加工。
再看看跟Java開發者最相關的吧，就是 RestClient了
5.0裏面提供了第一個Java原生的REST客戶端SDK，相比之前的TransportClient，版本依賴綁定，集羣升級麻煩，不支持跨Java版本的調用等問題，新的基於HTTP協議的客戶端對Elasticsearch的依賴解耦，沒有jar包衝突，提供了集羣節點自動發現、日誌處理、節點請求失敗自動進行請求輪詢，充分發揮Elasticsearch的高可用能力，並且性能不相上下。 #19055
然後我們再看看其他的特性吧：
新增了一個Wait for refresh功能，簡單來說相當於是提供了文檔級別的Refresh, 索引操作新增refresh參數，大家知道elasticsearch可以設置refresh時間來保證數據的實時性，refresh時間過於頻繁會造成很大的開銷，太小會造成數據的延時，之前提供了索引層面的_refresh接口，但是這個接口工作在索引層面，我們不建議頻繁去調用，如果你有需要修改了某個文檔，需要客戶端實時可見怎麼辦？
在 5.0中，Index、Bulk、Delete、Update這些數據新增和修改的接口能夠在單個文檔層面進行refresh控制了，有兩種方案可選，一種是創建一個很小的段，然後進行刷新保證可見和消耗一定的開銷，另外一種是請求等待es的定期refresh之後再返回。
調用例子：
再一個比較重要的特性就是IngestNode了，
大家之前如果需要對數據進行加工，都是在索引之前進行處理，比如logstash可以對日誌進行結構化和轉換，現在直接在es就可以處理了，
目前es提供了一些常用的諸如convert、grok之類的處理器，在使用的時候，先定義一個pipeline管道，裏面設置文檔的加工邏輯，在建索引的時候指定pipeline名稱，那麼這個索引就會按照預先定義好的pipeline來處理了；
Demo again.
上圖首先創建了一個名爲my-pipeline-id的處理管道，然後接下來的索引操作就可以直接使用這個管道來對foo字段進行操作了，上面的例子是設置foo字段爲bar值。
上面的還不太酷，我們再來看另外一個例子，現在有這麼一條原始的日誌，內容如下：
{
“message”: “55.3.244.1 GET /index.html 15824 0.043”
}
google之後得知其Grok的pattern如下：）
%{IP:client} %{WORD:method} %{URIPATHPARAM:request} %{NUMBER:bytes} %{NUMBER:duration}
那麼我們使用Ingest就可以這麼定義一個pipeline：
那麼通過我們的pipeline處理之後的文檔長什麼樣呢，我們獲取這個文檔的內容看看：
很明顯，原始字段message被拆分成了更加結構化的對象了。
再看看腳本方面的改變
還記得Groove腳本的漏洞吧，Groove腳本開啓之後，如果被人誤用可能帶來的漏洞，爲什麼呢，主要是這些外部的腳本引擎太過於強大，什麼都能做，用不好或者設置不當就會引起安全風險，基於安全和性能方面，我們自己開發了一個新的腳本引擎，名字就叫Painless，顧名思義，簡單安全，無痛使用，和Groove的沙盒機制不一樣，Painless使用白名單來限制函數與字段的訪問，針對es的場景來進行優化，只做es數據的操作，更加輕量級，速度要快好幾倍，並且支持Java靜態類型，語法保持Groove類似，還支持Java的lambda表達式。
我們對比一下性能，看下圖
Groovy是弱弱的綠色的那根。
再看看如何使用：
def first = input.doc.first_name.0;
def last = input.doc.last_name.0;
return first + " " + last;是不是和之前的寫法差不多, 或者還可以是強類型（10倍速度於上面的動態類型）
String first = (String)((List)((Map)input.get("doc")).get("first_name")).get(0);
String last = (String)((List)((Map)input.get("doc")).get("last_name")).get(0);
return first + " " + last;腳本可以在很多地方使用，比如搜索自定義評分；更新時對字段進行加工等, 如：
再來看看基礎架構方面的變化
新增：Task Manager
這個是5.0 引入任務調度管理機制，用來做
離線任務的管理，比如長時間運行的reindex和update_by_query等都是運行在TaskManager機制之上的，並且任務是可管理的，你可以隨時cancel掉，並且任務狀態持久化，支持故障恢復；
還新增一個：Depreated logging
大家在用ES的時候，其實有些接口可能以及打上了Depreated標籤，即廢棄了，在將來的某個版本中就會移除，你當前能用是因爲一般廢棄的接口都不會立即移除，給足夠的時間遷移，但是也是需要知道哪些不能用了，要改應用代碼了，所以現在有了Depreated日誌，當打開這個日誌之後，你調用的接口如果已經是廢棄的接口，就會記錄下日誌，那麼接下來的事情你就知道你應該怎麼做了。
新增一個: Cluster allocation explain API
『誰能給我一個shard不能分配的理由』，現在有了，大家如果之前遇到過分片不能正常分配的問題，但是不知道是什麼原因，只能嘗試手動路由或者重啓節點，但是不一定能解決，其實裏面有很多原因，現在提供的這個explain接口就是告訴你目前爲什麼不能正常分配的原因，方便你去解決。
另外在數據結構這塊，新增: half_float 類型
只使用 16 位 足夠滿足大部分存儲監控數值類型的場景，支持範圍：2負24次方 到 65504，但是隻佔用float一半的存儲空間。
Aggregation新增: Matrix Stats Aggregation #18300
金融領域非常有用的，可計算多個向量元素協方差矩陣、相關係數矩陣等等
另外一個重要的特性：爲索引寫操作添加順序號 #10708
大家知道es是在primary上寫完然後同步寫副本，這些請求都是併發的，雖然可以通過version來控制衝突，
但是沒法保證其他副本的操作順序，通過寫的時候產生順序號，並且在本地也寫入checkpoint來記錄操作點, 這樣在副本恢復的時候也可以知道當前副本的數據位置，而只需要從指定的數據開始恢復就行了，而不是像以前的粗暴的做完整的文件同步，另外這些順序號也是持久化的，重啓後也可以快速恢復副本信息，想想以前的大量無用拷貝吧和來回倒騰數據吧。
我們再看看mapping這塊的改進吧
引入新的字段類型Text/Keyword 來替換 String
以前的string類型被分成Text和Keyword兩種類型，keyword類型的數據只能完全匹配，適合那些不需要分詞的數據，
對過濾、聚合非常友好，text當然就是全文檢索需要分詞的字段類型了。將類型分開的好處就是使用起來更加簡單清晰，以前需要設置analyzer和index，並且有很多都是自定義的分詞器，從名稱根本看不出來到底分詞沒有，用起來很麻煩。另外string類型暫時還在的，6.0會移除
還有關於Index Settings 的改進
Elasticsearch的配置實在太多，在以前的版本間，還移除過很多無用的配置，經常弄錯有沒有？現在，配置驗證更加嚴格和保證原子性，如果其中一項失敗，那個整個都會更新請求都會失敗，不會一半成功一半失敗。下面主要說兩點：
- 設置可以重設會默認值，只需要設置爲
null即可 - 獲取設置接口新增參數
?include_defaults,可以直接返回所有設置和默認值
集羣處理的改進: Deleted Index Tombstones
在以前的es版本中，如果你的舊節點包含了部分索引數據，但是這個索引可能後面都已經刪掉了，你啓動這個節點之後，會把索引重新加到集羣中，是不是覺得有點陰魂不散，現在es5.0會在集羣狀態信息裏面保留500個刪除的索引信息，所以如果發現這個索引是已經刪除過的就會自動清理，不會再重複加進來了。
文檔對象的改進: 字段名重新支持英文句號，再2.0的時候移除過dot在字段名中的支持，現在問題解決了，又重新支持了。
es會認爲下面兩個文檔的內容一樣:
還有其他的一些改進,快速過一下吧，時間有限
- Cluster state的修改現在會和所有節點進行ack確認
- Shard的一個副本如果失敗了，Primary標記失敗的時候會和Master節點確認完畢再返回。
- 使用UUID來作爲索引的物理的路徑名，有很多好處，避免命名的衝突
- _timestamp 和 _ttl已經移除，需要在Ingest或者程序端處理。
- ES可直接用HDFS來進行備份還原（Snapshot/Restore ）了 #15191
- Delete-by-query和Update-by-query重新回到core，以前是插件，現在可以直接使用了，也是構建在Reindex機制之上
- HTTP請求默認支持壓縮，當然http調用端需要在header信息裏面傳對應的支持信息。
- 創建索引不會再讓集羣變紅了，不會因爲這個卡死集羣了
- 默認使用BM25評分算法，效果更佳，之前是TF/IDF
- 快照Snapshots添加UUID解決衝突 #18156
- 限制索引請求大小，避免大量併發請求壓垮ES #16011
- 限制單個請求的shards數量，默認1000個，避免誤用 #17396
- 移除 site plugins，就是說head、bigdesk都不能直接裝es裏面了，不過可以部署獨立站點（反正都是靜態文件）或開發kibana插件 #16038
- 允許現有parent類型新增child類型 #17956
這個功能對於使用parent-child特性的人應該非常有用
支持分號（；）來分割url參數，與符號（&）一樣 #18175
比如下面這個例子
curl http://localhost:9200/_cluster/health?level=indices;pretty=true
好吧，貌似很多，其實上面說的還只是衆多特性和改進的一部分，es5.0做了非常非常多工作，本來還打算講講bug修復的，但是太多了，時間有限，一些重要的bug在2.x都已經第一時間解決了，
大家可以查看下面的鏈接瞭解更多更詳細的更新日誌：
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha1-2x.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha1.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha2.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha3.html
- https://www.elastic.co/guide/en/elasticsearch/reference/master/release-notes-5.0.0-alpha4.html
下載體驗最新的版本：https://www.elastic.co/v5
升級嚮導：https://github.com/elastic/elasticsearch-migration/blob/2.x/README.asciidoc
如果有es相關的問題也歡迎前往 Elastic中文社區：http://elasticsearch.cn
進行交流和討論
謝謝大家，今天的分享內容就是上面這些，再次感謝大家參與這次分享活動，感謝聊聊架構社羣提供的免費交流機會。
有問到是否有用es做hbase的二級索引的，這種案例說實話比較少，因爲成本比較高，在兩套分佈式系統裏面做結合，並且要滿足足夠的性能，有點難度，不建議這樣去做。
批量更新數據 會出現少量數據更新不成功
這個首先要看少量失敗的原因是什麼，es的返回信息裏面會包含具體的信息，如果json格式不合法也是會失敗的
問：ik插件有沒有計劃支持同義詞，專有名詞熱更新？對於詞庫更新比較頻繁的應用場景，只能採取全部重新建立索引的方式嗎？
同義詞有單獨的filter，可以和ik結合一起使用的，關於熱更新這個確實是需要重建，詞庫變化之後，分詞產生的term不一樣了，不重建的話，倒排很可能匹配不上，查詢會失敗。
問：老師，你好，我有個問題想諮詢一下，我們原來的商品基本數據，商品評價數據，收藏量這些都在mysql裏，但我們現在想上es，我們想把商品的基本數據放es，收藏、評價這些實時數據，還是放mysql，但做排序功能的時候，會參考一個商品的收藏量，評價量，這時候在還涉及數據分頁的情況下，怎麼結合es和mysql的數據進行排序呢？
這個問題得具體看業務場景，如果更新頻繁，但是還在es承受能力範圍和業務響應指標內，可以直接放es裏面，在es裏面做排序，如果太大，建議放外部存儲，外部存儲和es的結合方式又有很多種，收藏評價是否真的需要那麼實時？另外es的評分機制是可以擴展的，在評分階段使用自定義插件讀取外部數據源，進行混合打分也是可行的。
問：現在大agg查詢可以cancel嗎
現在還不能,目前暫時還沒計劃
問：128g內存的機器，官方建議機器上放兩個es實例，目前也是推薦這樣做嗎
這個其實看場景的，單臺機器上面的索引比較大的話，建議多留一點給操作系統來做緩存，多個實例可以提供足夠吞吐。
問：請問用於計算unique count的算法有變化嗎？
有的，elasticsearch裏面叫cardinality
這裏有篇文章：https://www.elastic.co/blog/count-elasticsearch
問：請問在es5中，每個服務器有256G內存，那每個服務器帶的存儲多少比較合適？是24T，48T還是可以更多？
這個看場景啦，有超過48T的
問：請問下Elastic Stack是隻要安裝一次這個就行，還是要像原來elk一樣，分別安裝不同的組件？
安裝方式和之前一樣的
問：請問es中的如何做到按某個字段去重？具體問題是這樣的，我們有一個文章索引，其中有2億數據量，每次搜索的結果總是存在大量重複的title，我們希望在查詢時能根據title進行去重。也就是Field Collapsing特性，官方有一個通過terms aggregation進行去重的方案，但效果不是很理想，仍然會有很多重複，我們希望哪怕是按title嚴格相等來去重也可以接受。 另外我們有一個通過simhash來去重的思路，就是計算title的simhash，一併存入索引，在搜索階段通過simhash計算相似性，但這需要全量重新計算，數據量太大。所以還是希望能在不動現有索引的情況下，通過某種技巧，實現這個功能。
直接去重，這個目前沒有比較好的方案，不過很多變通的做法，首先你的場景需要確認，title重複是不是不允許的，如果是，那麼建索引的時候就可以hash掉作爲主鍵，這樣就不會有重複的了，如果你覺得原始數據也要，那麼索引階段產生一個獨立的去除title的索引，來做join，當然還是要看你業務的場景具體研究。
問：硬件受限的情況下，清理過期數據的策略
如果你的數據結構固定，結合5.0的Rollover接口，估計能夠承載的最大索引，定期檢測刪索引就行了。