Elasticsearch 是一個分佈式可擴展的實時搜索和分析引擎,一個建立在全文搜索引擎 Apache Lucene(TM) 基礎上的搜索引擎.當然 Elasticsearch 並不僅僅是 Lucene 那麼簡單，它不僅包括了全文搜索功能，還可以進行以下工作:
- 分佈式實時文件存儲，並將每一個字段都編入索引，使其可以被搜索。
- 實時分析的分佈式搜索引擎。
- 可以擴展到上百臺服務器，處理PB級別的結構化或非結構化數據。
基本概念
先說Elasticsearch的文件存儲，Elasticsearch是面向文檔型數據庫，一條數據在這裏就是一個文檔，用JSON作爲文檔序列化的格式，比如下面這條用戶數據：
{
"name" : "John",
"sex" : "Male",
"age" : 25,
"birthDate": "1990/05/01",
"about" : "I love to go rock climbing",
"interests": [ "sports", "music" ]
}
用Mysql這樣的數據庫存儲就會容易想到建立一張User表，有balabala的字段等，在Elasticsearch裏這就是一個文檔，當然這個文檔會屬於一個User的類型，各種各樣的類型存在於一個索引當中。這裏有一份簡易的將Elasticsearch和關係型數據術語對照表:
關係數據庫 ⇒ 數據庫 ⇒ 表 ⇒ 行 ⇒ 列(Columns)
Elasticsearch ⇒ 索引(Index) ⇒ 類型(type) ⇒ 文檔(Docments) ⇒ 字段(Fields)
一個 Elasticsearch 集羣可以包含多個索引(數據庫)，也就是說其中包含了很多類型(表)。這些類型中包含了很多的文檔(行)，然後每個文檔中又包含了很多的字段(列)。Elasticsearch的交互，可以使用Java API，也可以直接使用HTTP的Restful API方式，比如我們打算插入一條記錄，可以簡單發送一個HTTP的請求：
PUT /megacorp/employee/1
{
"name" : "John",
"sex" : "Male",
"age" : 25,
"about" : "I love to go rock climbing",
"interests": [ "sports", "music" ]
}
更新，查詢也是類似這樣的操作。
索引
Elasticsearch最關鍵的就是提供強大的索引能力。
Elasticsearch索引的精髓：一切設計都是爲了提高搜索的性能
另一層意思：爲了提高搜索的性能，難免會犧牲某些其他方面，比如插入/更新，否則其他數據庫不用混了。前面看到往Elasticsearch裏插入一條記錄，其實就是直接PUT一個json的對象，這個對象有多個fields，比如上面例子中的name, sex, age, about, interests，那麼在插入這些數據到Elasticsearch的同時，Elasticsearch還默默1的爲這些字段建立索引--倒排索引，因爲Elasticsearch最核心功能是搜索。
Elasticsearch是如何做到快速索引的
Elasticsearch使用的倒排索引比關係型數據庫的B-Tree索引快，爲什麼呢？
什麼是B-Tree索引?
上大學讀書時老師教過我們，二叉樹查找效率是logN，同時插入新的節點不必移動全部節點，所以用樹型結構存儲索引，能同時兼顧插入和查詢的性能。因此在這個基礎上，再結合磁盤的讀取特性(順序讀/隨機讀)，傳統關係型數據庫採用了B-Tree/B+Tree這樣的數據結構：
爲了提高查詢的效率，減少磁盤尋道次數，將多個值作爲一個數組通過連續區間存放，一次尋道讀取多個數據，同時也降低樹的高度。
什麼是倒排索引?
繼續上面的例子，假設有這麼幾條數據(爲了簡單，去掉about, interests這兩個field):
| ID | Name | Age | Sex |
| -- |:------------:| -----:| -----:|
| 1 | Kate | 24 | Female
| 2 | John | 24 | Male
| 3 | Bill | 29 | Male
ID是Elasticsearch自建的文檔id，那麼Elasticsearch建立的索引如下:
Name:
| Term | Posting List |
| -- |:----:|
| Kate | 1 |
| John | 2 |
| Bill | 3 |
Age:
| Term | Posting List |
| -- |:----:|
| 24 | [1,2] |
| 29 | 3 |
Sex:
| Term | Posting List |
| -- |:----:|
| Female | 1 |
| Male | [2,3] |
Posting List
Elasticsearch分別爲每個field都建立了一個倒排索引，Kate, John, 24, Female這些叫term，而[1,2]就是Posting List。Posting list就是一個int的數組，存儲了所有符合某個term的文檔id。
通過posting list這種索引方式似乎可以很快進行查找，比如要找age=24的同學，id是1，2的同學。但是，如果這裏有上千萬的記錄呢？如果是想通過name來查找呢？
Term Dictionary
Elasticsearch爲了能快速找到某個term，將所有的term排個序，二分法查找term，logN的查找效率，就像通過字典查找一樣，這就是Term Dictionary。現在再看起來，似乎和傳統數據庫通過B-Tree的方式類似啊，爲什麼說比B-Tree的查詢快呢？
Term Index
B-Tree通過減少磁盤尋道次數來提高查詢性能，Elasticsearch也是採用同樣的思路，直接通過內存查找term，不讀磁盤，但是如果term太多，term dictionary也會很大，放內存不現實，於是有了Term Index，就像字典裏的索引頁一樣，A開頭的有哪些term，分別在哪頁，可以理解term index是一顆樹：
所以term index不需要存下所有的term，而僅僅是他們的一些前綴與Term Dictionary的block之間的映射關係，再結合FST(Finite State Transducers)的壓縮技術，可以使term index緩存到內存中。從term index查到對應的term dictionary的block位置之後，再去磁盤上找term，大大減少了磁盤隨機讀的次數。
FSTs are finite-state machines that map a term (byte sequence) to an arbitrary output.
假設我們現在要將mop, moth, pop, star, stop and top(term index裏的term前綴)映射到序號：0，1，2，3，4，5(term dictionary的block位置)。最簡單的做法就是定義個Map<string, integer="">，大家找到自己的位置對應入座就好了，但從內存佔用少的角度想想，有沒有更優的辦法呢？答案就是：FST。
FST以字節的方式存儲所有的term，這種壓縮方式可以有效的縮減存儲空間，使得term index足以放進內存，但這種方式也會導致查找時需要更多的CPU資源。
壓縮技巧
Elasticsearch裏除了上面說到用FST壓縮term index外，對posting list也有壓縮技巧。
嗯，我們再看回最開始的例子，如果Elasticsearch需要對同學的性別進行索引(這時傳統關係型數據庫已經哭暈在廁所……)，會怎樣？如果有上千萬個同學，而世界上只有男/女這樣兩個性別，每個posting list都會有至少百萬個文檔id。 Elasticsearch是如何有效的對這些文檔id壓縮的呢？
Frame Of Reference
增量編碼壓縮，將大數變小數，按字節存儲
首先，Elasticsearch要求posting list是有序的(爲了提高搜索的性能，再任性的要求也得滿足)，這樣做的一個好處是方便壓縮，看下面這個圖例：
原理就是通過增量，將原來的大數變成小數僅存儲增量值，再精打細算按bit排好隊，最後通過字節存儲，而不是大大咧咧的儘管是2也是用int(4個字節)來存儲。
Roaring bitmaps
說到Roaring bitmaps，就必須先從bitmap說起。Bitmap是一種數據結構，假設有某個posting list：
[1,3,4,7,10]
對應的bitmap就是：
[1,0,1,1,0,0,1,0,0,1]
非常直觀，用0/1表示某個值是否存在，比如10這個值就對應第10位，對應的bit值是1，這樣用一個字節就可以代表8個文檔id，舊版本(5.0之前)的Lucene就是用這樣的方式來壓縮的，但這樣的壓縮方式仍然不夠高效，如果有1億個文檔，那麼需要12.5MB的存儲空間，這僅僅是對應一個索引字段(我們往往會有很多個索引字段)。於是有人想出了Roaring bitmaps這樣更高效的數據結構。
Bitmap的缺點是存儲空間隨着文檔個數線性增長，Roaring bitmaps需要打破這個魔咒就一定要用到某些指數特性：
將posting list按照65535爲界限分塊，比如第一塊所包含的文檔id範圍在0~65535之間，第二塊的id範圍是65536~131071，以此類推。再用<商，餘數>的組合表示每一組id，這樣每組裏的id範圍都在0~65535內了，剩下的就好辦了，既然每組id不會變得無限大，那麼我們就可以通過最有效的方式對這裏的id存儲。
聯合索引
上面說了半天都是單field索引，如果多個field索引的聯合查詢，倒排索引如何滿足快速查詢的要求呢？
- 利用跳錶(Skip list)的數據結構快速做“與”運算，或者
- 利用上面提到的bitset按位“與”
先看看跳錶的數據結構：
將一個有序鏈表level0，挑出其中幾個元素到level1及level2，每個level越往上，選出來的指針元素越少，查找時依次從高level往低查找，比如55，先找到level2的31，再找到level1的47，最後找到55，一共3次查找，查找效率和2叉樹的效率相當，但也是用了一定的空間冗餘來換取的。
假設有下面三個posting list需要聯合索引：
如果使用跳錶，對最短的posting list中的每個id，逐個在另外兩個posting list中查找看是否存在，最後得到交集的結果。
如果使用bitset，就很直觀了，直接按位與，得到的結果就是最後的交集。
總結和思考
Elasticsearch的索引思路:
將磁盤裏的東西儘量搬進內存，減少磁盤隨機讀取次數(同時也利用磁盤順序讀特性)，結合各種奇技淫巧的壓縮算法，用及其苛刻的態度使用內存。
所以，對於使用Elasticsearch進行索引時需要注意:
- 不需要索引的字段，一定要明確定義出來，因爲默認是自動建索引的
- 同樣的道理，對於String類型的字段，不需要analysis的也需要明確定義出來，因爲默認也是會analysis的
- 選擇有規律的ID很重要，隨機性太大的ID(比如java的UUID)不利於查詢
關於最後一點，個人認爲有多個因素:
其中一個(也許不是最重要的)因素: 上面看到的壓縮算法，都是對Posting list裏的大量ID進行壓縮的，那如果ID是順序的，或者是有公共前綴等具有一定規律性的ID，壓縮比會比較高；
另外一個因素: 可能是最影響查詢性能的，應該是最後通過Posting list裏的ID到磁盤中查找Document信息的那步，因爲Elasticsearch是分Segment存儲的，根據ID這個大範圍的Term定位到Segment的效率直接影響了最後查詢的性能，如果ID是有規律的，可以快速跳過不包含該ID的Segment，從而減少不必要的磁盤讀次數。