分佈式搜索引擎的面試連環炮
- 倒排索引是什麼
- lucene 和 es 的前世今生
- es 的分佈式架構原理能說一下麼（es 是如何實現分佈式的啊）？
- es 寫入數據的工作原理是什麼啊？es 查詢數據的工作原理是什麼啊？底層的 lucene 介紹一下唄？倒排索引瞭解嗎？
- es 在數據量很大的情況下（數十億級別）如何提高查詢效率啊？
- es 生產集羣的部署架構是什麼？每個索引的數據量大概有多少？每個索引大概有多少個分片？
面試題
es 在數據量很大的情況下（數十億級別）如何提高查詢效率啊？
面試官心理分析
這個問題是肯定要問的，說白了，就是看你有沒有實際幹過 es，因爲啥？其實 es 性能並沒有你想象中那麼好的。很多時候數據量大了，特別是有幾億條數據的時候，可能你會懵逼的發現，跑個搜索怎麼一下 5~10s，坑爹了。第一次搜索的時候，是5~10s，後面反而就快了，可能就幾百毫秒。
你就很懵，每個用戶第一次訪問都會比較慢，比較卡麼？所以你要是沒玩兒過 es，或者就是自己玩玩兒 demo，被問到這個問題容易懵逼，顯示出你對 es 確實玩兒的不怎麼樣？
面試題剖析
說實話，es 性能優化是沒有什麼銀彈的，啥意思呢？就是不要期待着隨手調一個參數，就可以萬能的應對所有的性能慢的場景。也許有的場景是你換個參數，或者調整一下語法，就可以搞定，但是絕對不是所有場景都可以這樣。
說實話，es性能優化是沒有什麼銀彈的，啥意思呢？就是不要期待着隨手調一個參數，就可以萬能的應對所有的性能慢的場景。也許有的場景是你換個參數，或者調整一下語法，就可以搞定，但是絕對不是所有場景都可以這樣。
一塊一塊來分析吧
在這個海量數據的場景下，如何提升es搜索的性能，也是我們之前生產環境實踐經驗所得
（1）性能優化的殺手鐗——filesystem cache
os cache，操作系統的緩存
你往es裏寫的數據，實際上都寫到磁盤文件裏去了，磁盤文件裏的數據操作系統會自動將裏面的數據緩存到os cache裏面去
es的搜索引擎嚴重依賴於底層的filesystem cache，你如果給filesystem cache更多的內存，儘量讓內存可以容納所有的indx segment file索引數據文件，那麼你搜索的時候就基本都是走內存的，性能會非常高。
性能差距可以有大，我們之前很多的測試和壓測，如果走磁盤一般肯定上秒，搜索性能絕對是秒級別的，1秒，5秒，10秒。但是如果是走filesystem cache，是走純內存的，那麼一般來說性能比走磁盤要高一個數量級，基本上就是毫秒級的，從幾毫秒到幾百毫秒不等。
之前有個學員，一直在問我，說他的搜索性能，聚合性能，倒排索引，正排索引，磁盤文件，十幾秒。。。。
學員的真實案例
比如說，你，es節點有3臺機器，每臺機器，看起來內存很多，64G，總內存，64 * 3 = 192g
每臺機器給es jvm heap是32G，那麼剩下來留給filesystem cache的就是每臺機器才32g，總共集羣裏給filesystem cache的就是32 * 3 = 96g內存
我就問他，ok，那麼就是你往es集羣裏寫入的數據有多少數據量？
如果你此時，你整個，磁盤上索引數據文件，在3臺機器上，一共佔用了1T的磁盤容量，你的es數據量是1t，每臺機器的數據量是300g
你覺得你的性能能好嗎？filesystem cache的內存才100g，十分之一的數據可以放內存，其他的都在磁盤，然後你執行搜索操作，大部分操作都是走磁盤，性能肯定差
當時他們的情況就是這樣子，es在測試，弄了3臺機器，自己覺得還不錯，64G內存的物理機。自以爲可以容納1T的數據量。
歸根結底，你要讓es性能要好，最佳的情況下，就是你的機器的內存，至少可以容納你的總數據量的一半
比如說，你一共要在es中存儲1T的數據，那麼你的多臺機器留個filesystem cache的內存加起來綜合，至少要到512G，至少半數的情況下，搜索是走內存的，性能一般可以到幾秒鐘，2秒，3秒，5秒
如果最佳的情況下，我們自己的生產環境實踐經驗，所以說我們當時的策略，是僅僅在es中就存少量的數據，就是你要用來搜索的那些索引，內存留給filesystem cache的，就100G，那麼你就控制在100gb以內，相當於是，你的數據幾乎全部走內存來搜索，性能非常之高，一般可以在1秒以內
比如說你現在有一行數據
id name age ....30個字段
但是你現在搜索，只需要根據id name age三個字段來搜索
如果你傻乎乎的往es裏寫入一行數據所有的字段，就會導致說70%的數據是不用來搜索的，結果硬是佔據了es機器上的filesystem cache的空間，單挑數據的數據量越大，就會導致filesystem cahce能緩存的數據就越少
僅僅只是寫入es中要用來檢索的少數幾個字段就可以了，比如說，就寫入es id name age三個字段就可以了，然後你可以把其他的字段數據存在mysql裏面，我們一般是建議用es + hbase的這麼一個架構。
hbase的特點是適用於海量數據的在線存儲，就是對hbase可以寫入海量數據，不要做複雜的搜索，就是做很簡單的一些根據id或者範圍進行查詢的這麼一個操作就可以了
從es中根據name和age去搜索，拿到的結果可能就20個doc id，然後根據doc id到hbase裏去查詢每個doc id對應的完整的數據，給查出來，再返回給前端。
你最好是寫入es的數據小於等於，或者是略微大於es的filesystem cache的內存容量
然後你從es檢索可能就花費20ms，然後再根據es返回的id去hbase裏查詢，查20條數據，可能也就耗費個30ms，可能你原來那麼玩兒，1T數據都放es，會每次查詢都是5~10秒，現在可能性能就會很高，每次查詢就是50ms。
elastcisearch減少數據量僅僅放要用於搜索的幾個關鍵字段即可，儘量寫入es的數據量跟es機器的filesystem cache是差不多的就可以了；其他不用來檢索的數據放hbase裏，或者mysql。
所以之前有些學員也是問，我也是跟他們說，儘量在es裏，就存儲必須用來搜索的數據，比如說你現在有一份數據，有100個字段，其實用來搜索的只有10個字段，建議是將10個字段的數據，存入es，剩下90個字段的數據，可以放mysql，hadoop hbase，都可以
這樣的話，es數據量很少，10個字段的數據，都可以放內存，就用來搜索，搜索出來一些id，通過id去mysql，hbase裏面去查詢明細的數據
（2）數據預熱
假如說，哪怕是你就按照上述的方案去做了，es集羣中每個機器寫入的數據量還是超過了filesystem cache一倍，比如說你寫入一臺機器60g數據，結果filesystem cache就30g，還是有30g數據留在了磁盤上。
舉個例子，就比如說，微博，你可以把一些大v，平時看的人很多的數據給提前你自己後臺搞個系統，每隔一會兒，你自己的後臺系統去搜索一下熱數據，刷到filesystem cache裏去，後面用戶實際上來看這個熱數據的時候，他們就是直接從內存裏搜索了，很快。
電商，你可以將平時查看最多的一些商品，比如說iphone 8，熱數據提前後臺搞個程序，每隔1分鐘自己主動訪問一次，刷到filesystem cache裏去。
對於那些你覺得比較熱的，經常會有人訪問的數據，最好做一個專門的緩存預熱子系統，就是對熱數據，每隔一段時間，你就提前訪問一下，讓數據進入filesystem cache裏面去。這樣期待下次別人訪問的時候，一定性能會好一些。
（3）冷熱分離
關於es性能優化，數據拆分，我之前說將大量不搜索的字段，拆分到別的存儲中去，這個就是類似於後面我最後要講的mysql分庫分表的垂直拆分。
es可以做類似於mysql的水平拆分，就是說將大量的訪問很少，頻率很低的數據，單獨寫一個索引，然後將訪問很頻繁的熱數據單獨寫一個索引
你最好是將冷數據寫入一個索引中，然後熱數據寫入另外一個索引中，這樣可以確保熱數據在被預熱之後，儘量都讓他們留在filesystem os cache裏，別讓冷數據給沖刷掉。
你看，假設你有6臺機器，2個索引，一個放冷數據，一個放熱數據，每個索引3個shard
3臺機器放熱數據index；另外3臺機器放冷數據index
然後這樣的話，你大量的時候是在訪問熱數據index，熱數據可能就佔總數據量的10%，此時數據量很少，幾乎全都保留在filesystem cache裏面了，就可以確保熱數據的訪問性能是很高的。
但是對於冷數據而言，是在別的index裏的，跟熱數據index都不再相同的機器上，大家互相之間都沒什麼聯繫了。如果有人訪問冷數據，可能大量數據是在磁盤上的，此時性能差點，就10%的人去訪問冷數據；90%的人在訪問熱數據。
（4）document模型設計
有不少同學問我，mysql，有兩張表
訂單表：id order_code total_price
1 測試訂單 5000
訂單條目表：id order_id goods_id purchase_count price
1 1 1 2 2000
2 1 2 5 200
我在mysql裏，都是select * from order join order_item on order.id=order_item.order_id where order.id=1
1 測試訂單 5000 1 1 1 2 2000
1 測試訂單 5000 2 1 2 5 200
在es裏該怎麼玩兒，es裏面的複雜的關聯查詢，複雜的查詢語法，儘量別用，一旦用了性能一般都不太好
設計es裏的數據模型
寫入es的時候，搞成兩個索引，order索引，orderItem索引
order索引，裏面就包含id order_code total_price
orderItem索引，裏面寫入進去的時候，就完成join操作，id order_code total_price id order_id goods_id purchase_count price
寫入es的java系統裏，就完成關聯，將關聯好的數據直接寫入es中，搜索的時候，就不需要利用es的搜索語法去完成join來搜索了
document模型設計是非常重要的，很多操作，不要在搜索的時候纔想去執行各種複雜的亂七八糟的操作。es能支持的操作就是那麼多，不要考慮用es做一些它不好操作的事情。如果真的有那種操作，儘量在document模型設計的時候，寫入的時候就完成。另外對於一些太複雜的操作，比如join，nested，parent-child搜索都要儘量避免，性能都很差的。
很多同學在問我，很多複雜的亂七八糟的一些操作，如何執行
兩個思路，在搜索/查詢的時候，要執行一些業務強相關的特別複雜的操作：
1）在寫入數據的時候，就設計好模型，加幾個字段，把處理好的數據寫入加的字段裏面
2）自己用java程序封裝，es能做的，用es來做，搜索出來的數據，在java程序裏面去做，比如說我們，基於es，用java封裝一些特別複雜的操作
（5）分頁性能優化
es的分頁是較坑的，爲啥呢？舉個例子吧，假如你每頁是10條數據，你現在要查詢第100頁，實際上是會把每個shard上存儲的前1000條數據都查到一個協調節點上，如果你有個5個shard，那麼就有5000條數據，接着協調節點對這5000條數據進行一些合併、處理，再獲取到最終第100頁的10條數據。
分佈式的，你要查第100頁的10條數據，你是不可能說從5個shard，每個shard就查2條數據？最後到協調節點合併成10條數據？你必須得從每個shard都查1000條數據過來，然後根據你的需求進行排序、篩選等等操作，最後再次分頁，拿到裏面第100頁的數據。
你翻頁的時候，翻的越深，每個shard返回的數據就越多，而且協調節點處理的時間越長。非常坑爹。所以用es做分頁的時候，你會發現越翻到後面，就越是慢。
我們之前也是遇到過這個問題，用es作分頁，前幾頁就幾十毫秒，翻到10頁之後，幾十頁的時候，基本上就要5~10秒才能查出來一頁數據了
1）不允許深度分頁/默認深度分頁性能很慘
你係統不允許他翻那麼深的頁，pm，默認翻的越深，性能就越差
2）類似於app裏的推薦商品不斷下拉出來一頁一頁的
類似於微博中，下拉刷微博，刷出來一頁一頁的，你可以用scroll api，自己百度
scroll會一次性給你生成所有數據的一個快照，然後每次翻頁就是通過遊標移動，獲取下一頁下一頁這樣子，性能會比上面說的那種分頁性能也高很多很多
針對這個問題，你可以考慮用scroll來進行處理，scroll的原理實際上是保留一個數據快照，然後在一定時間內，你如果不斷的滑動往後翻頁的時候，類似於你現在在瀏覽微博，不斷往下刷新翻頁。那麼就用scroll不斷通過遊標獲取下一頁數據，這個性能是很高的，比es實際翻頁要好的多的多。
但是唯一的一點就是，這個適合於那種類似微博下拉翻頁的，不能隨意跳到任何一頁的場景。同時這個scroll是要保留一段時間內的數據快照的，你需要確保用戶不會持續不斷翻頁翻幾個小時。
無論多少頁，性能基本上都是毫秒級的
因爲scroll api是隻能一頁一頁往後翻的，是不能說，先進入第10頁，然後去120頁，回到58頁，不能隨意亂跳頁。所以現在很多產品，都是不允許你隨意翻頁的，app，也有一些網站，做的就是你只能往下拉，一頁一頁的翻