從原理到應用，Elasticsearch詳解

簡介

Elasticsearch（簡稱ES）是一個分佈式、可擴展、實時的搜索與數據分析引擎。ES不僅僅只是全文搜索，還支持結構化搜索、數據分析、複雜的語言處理、地理位置和對象間關聯關係等。

ES的底層依賴Lucene，Lucene可以說是當下最先進、高性能、全功能的搜索引擎庫。但是Lucene僅僅只是一個庫。爲了充分發揮其功能，你需要使用Java並將Lucene直接集成到應用程序中。更糟糕的是，您可能需要獲得信息檢索學位才能瞭解其工作原理，因爲Lucene非常複雜——《ElasticSearch官方權威指南》。

鑑於Lucene如此強大卻難以上手的特點，誕生了ES。ES也是使用Java編寫的，它的內部使用Lucene做索引與搜索，它的目的是隱藏Lucene的複雜性，取而代之的提供一套簡單一致的RESTful API。

總體來說，ES具有如下特點：

• 一個分佈式的實時文檔存儲引擎，每個字段都可以被索引與搜索
• 一個分佈式實時分析搜索引擎，支持各種查詢和聚合操作
• 能勝任上百個服務節點的擴展，並可以支持PB級別的結構化或者非結構化數據

架構

節點類型

ES的架構很簡單，集羣的HA不需要依賴任務外部組件（例如Zookeeper、HDFS等），master節點的主備依賴於內部自建的選舉算法，通過副本分片的方式實現了數據的備份的同時，也提高了併發查詢的能力。

ES集羣的服務器分爲以下四種角色：

1.列表項目master節點，負責保存和更新集羣的一些元數據信息，之後同步到所有節點，所以每個節點都需要保存全量的元數據信息：

• 集羣的配置信息
• 集羣的節點信息
• 模板template設置
• 索引以及對應的設置、mapping、分詞器和別名
• 索引關聯到的分片以及分配到的節點

2.datanode：負責數據存儲和查詢

3.coordinator：

• 路由索引請求
• 聚合搜索結果集
• 分發批量索引請求

4.ingestor：

• 類似於logstash，對輸入數據進行處理和轉換

如何配置節點類型

一個節點的缺省配置是：主節點+數據節點兩屬性爲一身。對於3-5個節點的小集羣來講，通常讓所有節點存儲數據和具有獲得主節點的資格。

專用協調節點（也稱爲client節點或路由節點）從數據節點中消除了聚合/查詢的請求解析和最終階段，隨着集羣寫入以及查詢負載的增大，可以通過協調節點減輕數據節點的壓力，可以讓數據節點更多專注於數據的寫入以及查詢。

master選舉

選舉策略

• 如果集羣中存在master，認可該master，加入集羣
• 如果集羣中不存在master，從具有master資格的節點中選id最小的節點作爲master

選舉時機

集羣啓動：後臺啓動線程去ping集羣中的節點，按照上述策略從具有master資格的節點中選舉出master

現有的master離開集羣：後臺一直有一個線程定時ping master節點，超過一定次數沒有ping成功之後，重新進行master的選舉

選舉流程

避免腦裂

腦裂問題是採用master-slave模式的分佈式集羣普遍需要關注的問題，腦裂一旦出現，會導致集羣的狀態出現不一致，導致數據錯誤甚至丟失。

ES避免腦裂的策略：過半原則，可以在ES的集羣配置中添加一下配置，避免腦裂的發生

#一個節點多久ping一次，默認1s
discovery.zen.fd.ping_interval: 1s
##等待ping返回時間，默認30s
discovery.zen.fd.ping_timeout: 10s
##ping超時重試次數，默認3次
discovery.zen.fd.ping_retries: 3
##選舉時需要的節點連接數，N爲具有master資格的節點數量
discovery.zen.minimum_master_nodes=N/2+1

注意問題

• 配置文件中加入上述避免腦裂的配置，對於網絡波動比較大的集羣來說，增加ping的時間和ping的次數，一定程度上可以增加集羣的穩定性
• 動態的字段field可能導致元數據暴漲，新增字段mapping映射需要更新mater節點上維護的字段映射信息，master修改了映射信息之後再同步到集羣中所有的節點，這個過程中數據的寫入是阻塞的。所以建議關閉自動mapping，沒有預先定義的字段mapping會寫入失敗
• 通過定時任務在集羣寫入的低峯期，將索引以及mapping映射提前創建好

負載均衡

ES集羣是分佈式的，數據分佈到集羣的不同機器上，對於ES中的一個索引來說，ES通過分片的方式實現數據的分佈式和負載均衡。創建索引的時候，需要指定分片的數量，分片會均勻的分佈到集羣的機器中。分片的數量是需要創建索引的時候就需要設置的，而且設置之後不能更改，雖然ES提供了相應的api來縮減和擴增分片，但是代價是很高的，需要重建整個索引。

考慮到併發響應以及後續擴展節點的能力，分片的數量不能太少，假如你只有一個分片，隨着索引數據量的增大，後續進行了節點的擴充，但是由於一個分片只能分佈在一臺機器上，所以集羣擴容對於該索引來說沒有意義了。

但是分片數量也不能太多，每個分片都相當於一個獨立的lucene引擎，太多的分片意味着集羣中需要管理的元數據信息增多，master節點有可能成爲瓶頸；同時集羣中的小文件會增多，內存以及文件句柄的佔用量會增大，查詢速度也會變慢。

數據副本

ES通過副本分片的方式，保證集羣數據的高可用，同時增加集羣併發處理查詢請求的能力，相應的，在數據寫入階段會增大集羣的寫入壓力。

數據寫入的過程中，首先被路由到主分片，寫入成功之後，將數據發送到副本分片，爲了保證數據不丟失，最好保證至少一個副本分片寫入成功以後才返回客戶端成功。

相關配置

5.0之前通過consistency來設置

consistency參數的值可以設爲 ：

• one ：只要主分片狀態ok就允許執行寫操作
• all：必須要主分片和所有副本分片的狀態沒問題才允許執行寫操作
• quorum：默認值爲quorum，即大多數的分片副本狀態沒問題就允許執行寫操作，副本分片數量計算方式爲int( (primary +
  number_of_replicas) / 2 ) + 1

5.0之後通過wait_for_active_shards參數設置

• 索引時增加參數：?wait_for_active_shards=3
• 給索引增加配置：index.write.wait_for_active_shards=3

數據寫入

寫入過程

幾個概念：

• 內存buffer
• translog
• 文件系統緩衝區
• refresh
• segment（段）
• commit
• flush

translog

寫入ES的數據首先會被寫入translog文件，該文件持久化到磁盤，保證服務器宕機的時候數據不會丟失，由於順序寫磁盤，速度也會很快。

• 同步寫入：每次寫入請求執行的時候，translog在fsync到磁盤之後，纔會給客戶端返回成功
• 異步寫入：寫入請求緩存在內存中，每經過固定時間之後纔會fsync到磁盤，寫入量很大，對於數據的完整性要求又不是非常嚴格的情況下，可以開啓異步寫入

refresh

經過固定的時間，或者手動觸發之後，將內存中的數據構建索引生成segment，寫入文件系統緩衝區

commit/flush

超過固定的時間，或者translog文件過大之後，觸發flush操作：

• 內存的buffer被清空，相當於進行一次refresh
• 文件系統緩衝區中所有segment刷寫到磁盤
• 將一個包含所有段列表的新的提交點寫入磁盤
• 啓動或重新打開一個索引的過程中使用這個提交點來判斷哪些segment隸屬於當前分片
• 刪除舊的translog，開啓新的translog

merge

上面提到，每次refresh的時候，都會在文件系統緩衝區中生成一個segment，後續flush觸發的時候持久化到磁盤。所以，隨着數據的寫入，尤其是refresh的時間設置的很短的時候，磁盤中會生成越來越多的segment：

• segment數目太多會帶來較大的麻煩。 每一個segment都會消耗文件句柄、內存和cpu運行週期。
• 更重要的是，每個搜索請求都必須輪流檢查每個segment，所以segment越多，搜索也就越慢。

merge的過程大致描述如下：

• 磁盤上兩個小segment：A和B，內存中又生成了一個小segment：C
• A,B被讀取到內存中，與內存中的C進行merge，生成了新的更大的segment：D
• 觸發commit操作，D被fsync到磁盤
• 創建新的提交點，刪除A和B，新增D
• 刪除磁盤中的A和B

刪改操作

segment的不可變性的好處

• segment的讀寫不需要加鎖
• 常駐文件系統緩存（堆外內存）
• 查詢的filter緩存可以常駐內存（堆內存）

刪除

磁盤上的每個segment都有一個.del文件與它相關聯。當發送刪除請求時，該文檔未被真正刪除，而是在.del文件中標記爲已刪除。此文檔可能仍然能被搜索到，但會從結果中過濾掉。當segment合併時，在.del文件中標記爲已刪除的文檔不會被包括在新的segment中，也就是說merge的時候會真正刪除被刪除的文檔。

更新

創建新文檔時，Elasticsearch將爲該文檔分配一個版本號。對文檔的每次更改都會產生一個新的版本號。當執行更新時，舊版本在.del文件中被標記爲已刪除，並且新版本在新的segment中寫入索引。舊版本可能仍然與搜索查詢匹配，但是從結果中將其過濾掉。

版本控制

通過添加版本號的樂觀鎖機制保證高併發的時候，數據更新不會出現線程安全的問題，避免數據更新被覆蓋之類的異常出現。

使用內部版本號：刪除或者更新數據的時候，攜帶_version參數，如果文檔的最新版本不是這個版本號，那麼操作會失敗，這個版本號是ES內部自動生成的，每次操作之後都會遞增一。

PUT /website/blog/1?version=1 
{
  "title": "My first blog entry",
  "text":  "Starting to get the hang of this..."
}

使用外部版本號：ES默認採用遞增的整數作爲版本號，也可以通過外部自定義整數（long類型）作爲版本號，例如時間戳。通過添加參數version_type=external，可以使用自定義版本號。內部版本號使用的時候，更新或者刪除操作需要攜帶ES索引當前最新的版本號，匹配上了才能成功操作。但是外部版本號使用的時候，可以將版本號更新爲指定的值。

PUT /website/blog/2?version=5&version_type=external
{
  "title": "My first external blog entry",
  "text":  "Starting to get the hang of this..."
}

原始文檔存儲（行式存儲）

fdt文件

文檔內容的物理存儲文件，由多個chunk組成，Lucene索引文檔時，先緩存文檔，緩存大於16KB時，就會把文檔壓縮存儲。

fdx文件

文檔內容的位置索引，由多個block組成：

• 1024個chunk歸爲一個block
• block記錄chunk的起始文檔ID，以及chunk在fdt中的位置

fnm文件

文檔元數據信息，包括文檔字段的名稱、類型、數量等。

原始文檔的查詢

注意問題：lucene對原始文件的存放是行式存儲，並且爲了提高空間利用率，是多文檔一起壓縮，因此取文檔時需要讀入和解壓額外文檔，因此取文檔過程非常依賴CPU以及隨機IO。

相關設置

壓縮方式的設置

原始文檔的存儲對應_source字段，是默認開啓的，會佔用大量的磁盤空間，上面提到的chunk中的文檔壓縮，ES默認採用的是LZ4，如果想要提高壓縮率，可以將設置改成best_compression。

index.codec: best_compression

特定字段的內容存儲

查詢的時候，如果想要獲取原始字段，需要在_source中獲取，因爲所有的字段存儲在一起，所以獲取完整的文檔內容與獲取其中某個字段，在資源消耗上幾乎相同，只是返回給客戶端的時候，減少了一定量的網絡IO。

ES提供了特定字段內容存儲的設置，在設置mappings的時候可以開啓，默認是false。如果你的文檔內容很大，而其中某個字段的內容有需要經常獲取，可以設置開啓，將該字段的內容單獨存儲。

PUT my_index
{
  "mappings": {
    "_doc": {
      "properties": {
        "title": {
          "type": "text",
          "store": true 
        }
      }
    }
  }
}

倒排索引

倒排索引中記錄的信息主要有：

• 文檔編號：segment內部文檔編號從0開始，最大值爲int最大值，文檔寫入之後會分配這樣一個順序號
• 字典：字段內容經過分詞、歸一化、還原詞根等操作之後，得到的所有單詞
• 單詞出現位置：分詞字段默認開啓，提供對於短語查詢的支持；對於非常常見的詞，例如the，位置信息可能佔用很大空間，短語查詢需要讀取的數據量很大，查詢速度慢
• 單詞出現次數：單詞在文檔中出現的次數，作爲評分的依據
• 單詞結束字符到開始字符的偏移量：記錄在文檔中開始與結束字符的偏移量，提供高亮使用，默認是禁用的
• 規範因子：對字段長度進行規範化的因子，給予較短字段更多權重

倒排索引的查找過程本質上是通過單詞找對應的文檔列表的過程，因此倒排索引中字典的設計決定了倒排索引的查詢速度，字典主要包括前綴索引（.tip文件）和後綴索引（.tim）文件。

字典前綴索引（.tip文件）

一個合格的詞典結構一般有以下特點：

-查詢速度快 -內存佔用小 -內存+磁盤相結合

Lucene採用的前綴索引數據結構爲FST，它的優點有：

詞查找複雜度爲O(len(str))

• 共享前綴、節省空間、內存佔用率低，壓縮率高，模糊查詢支持好
• 內存存放前綴索引，磁盤存放後綴詞塊
• 缺點：結構複雜、輸入要求有序、更新不易

字典後綴（.tim文件）

後綴詞塊主要保存了單詞後綴，以及對應的文檔列表的位置。

文檔列表（.doc文件）

lucene對文檔列表存儲進行了很好的壓縮，來保證緩存友好：

• 差分壓縮：每個ID只記錄跟前面的ID的差值
• 每256個ID放入一個block中
• block的頭信息存放block中每個ID佔用的bit位數，因爲經過上面的差分壓縮之後，文檔列表中的文檔ID都變得不大，佔用的bit位數變少

上圖經過壓縮之後將6個數字從原先的24bytes壓縮到7bytes。

文檔列表的合併

ES的一個重要的查詢場景是bool查詢，類似於mysql中的and操作，需要將兩個條件對應的文檔列表進行合併。爲了加快文檔列表的合併，lucene底層採用了跳錶的數據結構，合併過程中，優先遍歷較短的鏈表，去較長的列表中進行查詢，如果存在，則該文檔符合條件。

倒排索引的查詢過程

• 內存加載tip文件，通過FST匹配前綴找到後綴詞塊位置
• 根據詞塊位置，讀取磁盤中tim文件中後綴塊並找到後綴和相應的倒排表位置信息
• 根據倒排表位置去doc文件中加載倒排表
• 藉助跳錶結構，對多個文檔列表進行合併

filter查詢的緩存

對於filter過濾查詢的結果，ES會進行緩存，緩存採用的數據結構是RoaringBitmap，在match查詢中配合filter能有效加快查詢速度。

• 普通bitset的缺點：內存佔用大，RoaringBitmap有很好的壓縮特性
• 分桶：解決文檔列表稀疏的情況下，過多的0佔用內存，每65536個docid分到一個桶，桶內只記錄docid%65536
• 桶內壓縮：4096作爲分界點，小余這個值用short數組，大於這個值用bitset，每個short佔兩字節，4096個short佔用65536bit，所以超過4096個文檔id之後，是bitset更節省空間。

DocValues（正排索引&列式存儲）

倒排索引保存的是詞項到文檔的映射，也就是詞項存在於哪些文檔中，DocValues保存的是文檔到詞項的映射，也就是文檔中有哪些詞項。

相關設置

keyword字段默認開啓

ES6.0（lucene7.0）之前

DocValues採用的數據結構是bitset，bitset對於稀疏數據的支持不好：

• 對於稀疏的字段來說，絕大部分的空間都被0填充，浪費空間
• 由於字段的值之間插入了0，可能本來連續的值被0間隔開來了，不利於數據的壓縮
• 空間被一堆0佔用了，緩存中緩存的有效數據減少，查詢效率也會降低

查詢邏輯很簡單，類似於數組通過下標進行索引，因爲每個value都是固定長度，所以讀取文檔id爲N的value直接從N*固定長度位置開始讀取固定長度即可。

ES6.0（lucene7.0）

• docid的存儲的通過分片加快映射到value的查詢速度
• value存儲的時候不再給空的值分配空間

因爲value存儲的時候，空值不再分配空間，所以查詢的時候不能通過上述通過文檔id直接映射到在bitset中的偏移量來獲取對應的value，需要通過獲取docid的位置來找到對應的value的位置。

所以對於DocValues的查找，關鍵在於DocIDSet中ID的查找，如果按照簡單的鏈表的查找邏輯，那麼DocID的查找速度將會很慢。lucene7借用了RoaringBitmap的分片的思想來加快DocIDSet的查找速度：

• 分片容量爲2的16次方，最多可以存儲65536個docid
• 分片包含的信息：分片ID；存儲的docid的個數（值不爲空的DocIDSet）；DocIDSet明細，或者標記分片類型（ALL或者NONE）
• 根據分片的容量，將分片分爲四種不同的類型，不同類型的查找邏輯不通：ALL：該分片內沒有不存在值的DocID；NONE：該分片內所有的DocID都不存在值；SPARSE：該分片內存在值的DocID的個數不超過4096，DocIDSet以short數組的形式存儲，查找的時候，遍歷數組，找到對應的ID的位置；DENSE：該分片內存在值的DocID的個數超過4096，DocIDSet以bitset的形式存儲，ID的偏移量也就是在該分片中的位置

最終DocIDSet的查找邏輯爲：

• 計算DocID/65536，得到所在的分片N
• 計算前面N-1個分片的DocID的總數
• 找到DocID在分片N內部的位置，從而找到所在位置之前的DocID個數M
• 找到N+M位置的value即爲該DocID對應的value

數據查詢

查詢過程（query then fetch）

• 協調節點將請求發送給對應分片
• 分片查詢，返回from+size數量的文檔對應的id以及每個id的得分
• 彙總所有節點的結果，按照得分獲取指定區間的文檔id
• 根據查詢需求，像對應分片發送多個get請求，獲取文檔的信息
• 返回給客戶端

get查詢更快

默認根據id對文檔進行路由，所以指定id的查詢可以定位到文檔所在的分片，只對某個分片進行查詢即可。當然非get查詢，只要寫入和查詢的時候指定routing，同樣可以達到該效果。

主分片與副本分片

ES的分片有主備之分，但是對於查詢來說，主備分片的地位完全相同，平等的接收查詢請求。這裏涉及到一個請求的負載均衡策略，6.0之前採用的是輪詢的策略，但是這種策略存在不足，輪詢方案只能保證查詢數據量在主備分片是均衡的，但是不能保證查詢壓力在主備分片上是均衡的，可能出現慢查詢都路由到了主分片上，導致主分片所在的機器壓力過大，影響了整個集羣對外提供服務的能力。

新版本中優化了該策略，採用了基於負載的請求路由，基於隊列的耗費時間自動調節隊列長度，負載高的節點的隊列長度將減少，讓其他節點分攤更多的壓力，搜索和索引都將基於這種機制。

get查詢的實時性

ES數據寫入之後，要經過一個refresh操作之後，才能夠創建索引，進行查詢。但是get查詢很特殊，數據實時可查。

ES5.0之前translog可以提供實時的CRUD，get查詢會首先檢查translog中有沒有最新的修改，然後再嘗試去segment中對id進行查找。5.0之後，爲了減少translog設計的負責性以便於再其他更重要的方面對translog進行優化，所以取消了translog的實時查詢功能。

get查詢的實時性，通過每次get查詢的時候，如果發現該id還在內存中沒有創建索引，那麼首先會觸發refresh操作，來讓id可查。

查詢方式

兩種查詢上下文：

• query：例如全文檢索，返回的是文檔匹配搜索條件的相關性，常用api：match
• filter：例如時間區間的限定，回答的是是否，要麼是，要麼不是，不存在相似程度的概念，常用api：term、range

過濾（filter）的目標是減少那些需要進行評分查詢（scoring queries）的文檔數量。

分析器(analyzer)

當索引一個文檔時，它的全文域被分析成詞條以用來創建倒排索引。當進行分詞字段的搜索的時候，同樣需要將查詢字符串通過相同的分析過程，以保證搜索的詞條格式與索引中的詞條格式一致。當查詢一個不分詞字段時，不會分析查詢字符串，而是搜索指定的精確值。

可以通過下面的命令查看分詞結果：

GET /_analyze
{
  "analyzer": "standard",
  "text": "Text to analyze"
}

相關性

默認情況下，返回結果是按相關性倒序排列的。每個文檔都有相關性評分，用一個正浮點數字段score來表示。score的評分越高，相關性越高。

ES的相似度算法被定義爲檢索詞頻率/反向文檔頻率(TF/IDF)，包括以下內容：

• 檢索詞頻率：檢索詞在該字段出現的頻率，出現頻率越高，相關性也越高。字段中出現過5次要比只出現過1次的相關性高。
• 反向文檔頻率：每個檢索詞在索引中出現的頻率，頻率越高，相關性越低。檢索詞出現在多數文檔中會比出現在少數文檔中的權重更低。
• 字段長度準則：字段的長度是多少，長度越長，相關性越低。
  檢索詞出現在一個短的title要比同樣的詞出現在一個長的content字段權重更大。

查詢的時候可以通過添加?explain參數，查看上述各個算法的評分結果。

ES在Ad Tracking的應用

日誌查詢工具

TalkingData 移動廣告監測產品Ad Tracking（簡稱ADT）的系統會接收媒體發過來的點擊數據以及SDK發過來的激活和各種效果點數據，這些數據的處理過程正確與否至關重要。例如，設備的一條激活數據爲啥沒有歸因到點擊，這類問題的排查在Ad Tracking中很常見，通過將數據流中的各個處理環節的重要日誌統一發送到ES，可以很方便的進行查詢，技術支持的同事可以通過拼寫簡單的查詢條件排查客戶的問題。

• 索引按天創建：定時關閉歷史索引，釋放集羣資源
• 別名查詢：數據量增大之後，可以通過拆分索引減輕寫入壓力，拆分之後的索引採用相同的別名，查詢服務不需要修改代碼

• 索引重要的設置：

  {

     "settings": {
         "index": {
             "refresh_interval": "120s",
             "number_of_shards": "12",
             "translog": {
                 "flush_threshold_size": "2048mb"
             },
             "merge": {
                 "scheduler": {
                     "max_thread_count": "1"
                 }
             },
             "unassigned": {
                 "node_left": {
                     "delayed_timeout": "180m"
                 }
             }
         }
     }

  }

• 索引mapping的設置

  {

     "properties": {
         "action_content": {
             "type": "string",
             "analyzer": "standard"
         },
         "time": {
             "type": "long"
         },
         "trackid": {
             "type": "string",
             "index": "not_analyzed"
         }
     }

  }

• sql插件，通過拼sql的方式，比起拼json更簡單

點擊數據存儲（kv存儲場景）

Ad Tracking收集的點擊數據是與廣告投放直接相關的數據，應用安裝之後，SDK會上報激活事件，系統會去查找這個激活事件是否來自於之前用戶點擊的某個廣告，如果是，那麼該激活就是一個推廣量，也就是投放的廣告帶來的激活。激活後續的效果點數據也都會去查找點擊，從點擊中獲取廣告投放的一些信息，所以點擊查詢在Ad Tracking的業務中至關重要。

業務的前期，點擊數據是存儲在Mysql中的，隨着後續點擊量的暴增，由於Mysql不能橫向擴展，所以需要更換爲新的存儲。由於ES擁有橫向擴展和強悍的搜索能力，並且之前日誌查詢工具中也一直使用ES，所以決定使用ES來進行點擊的存儲。

重要的設置

• "refresh_interval": "1s"
• "translog.flush_threshold_size": "2048mb"
• "merge.scheduler.max_thread_count": 1
• "unassigned.node_left.delayed_timeout": "180m"

結合業務進行系統優化

結合業務定期關閉索引釋放資源：Ad Tracking的點擊數據具有有效期的概念，超過有效期的點擊，激活不會去歸因。點擊有效期最長一個月，所以理論上每天創建的索引在一個月之後才能關閉。但是用戶配置的點擊有效期大部分都是一天，這大部分點擊在集羣中保存30天是沒有意義的，而且會佔用大部分的系統資源。所以根據點擊的這個業務特點，將每天創建的索引拆分成兩個，一個是有效期是一天的點擊，一個是超過一天的點擊，有效期一天的點擊的索引在一天之後就可以關閉，從而保證集羣中打開的索引的數據量維持在一個較少的水平。

結合業務將熱點數據單獨索引：激活和效果點數據都需要去ES中查詢點擊，但是兩者對於點擊的查詢場景是有差異的，因爲效果點事件（例如登錄、註冊等）歸因的時候不是去直接查找點擊，而是查找激活進而找到點擊，效果點要找的點擊一定是之前激活歸因到的，所以激活歸因到的這部分點擊也就是熱點數據。激活歸因到點擊之後，將這部分點擊單獨存儲到單獨的索引中，由於這部分點擊量少很多，所以效果點查詢的時候很快。

索引拆分：Ad Tracking的點擊數據按天進行存儲，但是隨着點擊量的增大，單天的索引大小持續增大，尤其是晚上的時候，merge需要合併的segment數量以及大小都很大，造成了很高的IO壓力，導致集羣的寫入受限。後續採用了拆分索引的方案，每天的索引按照上午9點和下午5點兩個時間點將索引拆分成三個，由於索引之間的segment合併是相互獨立的，只會在一個索引內部進行segment的合併，所以在每個小索引內部，segment合併的壓力就會減少。

其他調優

分片的數量

經驗值：

• 每個節點的分片數量保持在低於每1GB堆內存對應集羣的分片在20-25之間。
• 分片大小爲50GB通常被界定爲適用於各種用例的限制。

JVM設置

• 堆內存設置：不要超過32G，在Java中，對象實例都分配在堆上，並通過一個指針進行引用。對於64位操作系統而言，默認使用64位指針，指針本身對於空間的佔用很大，Java使用一個叫作內存指針壓縮（compressed
  oops）的技術來解決這個問題，簡單理解，使用32位指針也可以對對象進行引用，但是一旦堆內存超過32G，這個壓縮技術不再生效，實際上失去了更多的內存。
• 預留一半內存空間給lucene用，lucene會使用大量的堆外內存空間。
• 如果你有一臺128G的機器，一半內存也是64G，超過了32G，可以通過一臺機器上啓動多個ES實例來保證ES的堆內存小於32G。
• ES的配置文件中加入bootstrap.mlockall: true，關閉內存交換。

通過_cat api獲取任務執行情況

GET http://localhost:9201/_cat/thread_pool?v&h=host,search.active,search.rejected,search.completed

• 完成(completed)
• 進行中(active)
• 被拒絕(rejected)：需要特別注意，說明已經出現查詢請求被拒絕的情況，可能是線程池大小配置的太小，也可能是集羣性能瓶頸，需要擴容。

小技巧

• 重建索引或者批量想ES寫歷史數據的時候，寫之前先關閉副本，寫入完成之後，再開啓副本。
• ES默認用文檔id進行路由，所以通過文檔id進行查詢會更快，因爲能直接定位到文檔所在的分片，否則需要查詢所有的分片。
• 使用ES自己生成的文檔id寫入更快，因爲ES不需要驗證一次自定義的文檔id是否存在。

參考資料

https://www.elastic.co/guide/...

https://github.com/Neway6655/...

https://www.elastic.co/blog/f...

https://blog.csdn.net/zteny/a...

https://www.elastic.co/blog/m...

---

作者：TalkingData戰鵬弘

封面圖來源於網絡，如有侵權，請聯繫刪除