0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

ElasticSearch的原理是什么?

数据分析与开发 来源:Richaaaard 作者:Richaaaard 2020-12-14 11:18 次阅读

Elasticsearch 是一款功能强大的开源分布式搜索与数据分析引擎,目前国内诸多互联网大厂都在使用,包括携程、滴滴、今日头条、饿了么、360 安全、小米、vivo 等。

除了搜索之外,结合 Kibana、Logstash、Beats,Elastic Stack 还被广泛运用在大数据近实时分析领域,包括日志分析、指标监控、信息安全等多个领域。

它可以帮助你探索海量结构化、非结构化数据,按需创建可视化报表,对监控数据设置报警阈值,甚至通过使用机器学习技术,自动识别异常状况。

今天,我们先自上而下,后自底向上的介绍ElasticSearch的底层工作原理,并试图回答以下问题:

为什么我的搜索*foo-bar*无法匹配 foo-bar ?

为什么增加更多的文件会压缩索引(Index)?

为什么 ElasticSearch 占用很多内存?

图解 ElasticSearch

elasticsearch 版本:elasticsearch-2.2.0。

①云上的集群

如下图:

②集群里的盒子

云里面的每个白色正方形的盒子代表一个节点——Node。

③节点之间

在一个或者多个节点直接,多个绿色小方块组合在一起形成一个 ElasticSearch 的索引。

④索引里的小方块

在一个索引下,分布在多个节点里的绿色小方块称为分片——Shard。

⑤Shard=Lucene Index

一个 ElasticSearch 的 Shard 本质上是一个 Lucene Index。

999cf1f8-35a8-11eb-a64d-12bb97331649.png

Lucene 是一个 Full Text 搜索库(也有很多其他形式的搜索库),ElasticSearch 是建立在 Lucene 之上的。

接下来的故事要说的大部分内容实际上是 ElasticSearch 如何基于 Lucene 工作的。

图解 Lucene

Mini 索引:Segment

在 Lucene 里面有很多小的 Segment,我们可以把它们看成 Lucene 内部的 mini-index。

99d6879c-35a8-11eb-a64d-12bb97331649.png

Segment 内部

Segment 内部有着许多数据结构,如上图:

Inverted Index

Stored Fields

Document Values

Cache

最最重要的 Inverted Index

如下图:

9ac06c4a-35a8-11eb-a64d-12bb97331649.png

Inverted Index 主要包括两部分:

一个有序的数据字典 Dictionary(包括单词 Term 和它出现的频率)。

与单词 Term 对应的 Postings(即存在这个单词的文件)。

当我们搜索的时候,首先将搜索的内容分解,然后在字典里找到对应 Term,从而查找到与搜索相关的文件内容。

9bb8e3de-35a8-11eb-a64d-12bb97331649.png

①查询“the fury”

如下图:

9bfe663e-35a8-11eb-a64d-12bb97331649.png

②自动补全(AutoCompletion-Prefix)

如果想要查找以字母“c”开头的字母,可以简单的通过二分查找(Binary Search)在 Inverted Index 表中找到例如“choice”、“coming”这样的词(Term)。

9c6f2a36-35a8-11eb-a64d-12bb97331649.png

③昂贵的查找

如果想要查找所有包含“our”字母的单词,那么系统会扫描整个 Inverted Index,这是非常昂贵的。

9d16248a-35a8-11eb-a64d-12bb97331649.png

在此种情况下,如果想要做优化,那么我们面对的问题是如何生成合适的 Term。

④问题的转化

如下图:

9d8c7fcc-35a8-11eb-a64d-12bb97331649.png

对于以上诸如此类的问题,我们可能会有几种可行的解决方案:

* suffix→xiffus *,如果我们想以后缀作为搜索条件,可以为 Term 做反向处理。

(60.6384, 6.5017)→ u4u8gyykk,对于 GEO 位置信息,可以将它转换为 GEO Hash。

123→{1-hundreds, 12-tens, 123},对于简单的数字,可以为它生成多重形式的 Term。

⑤解决拼写错误

一个 Python 库为单词生成了一个包含错误拼写信息的树形状态机,解决拼写错误的问题。

9dd64238-35a8-11eb-a64d-12bb97331649.png

⑥Stored Field 字段查找

当我们想要查找包含某个特定标题内容的文件时,Inverted Index 就不能很好的解决这个问题,所以 Lucene 提供了另外一种数据结构 Stored Fields 来解决这个问题。

本质上,Stored Fields 是一个简单的键值对 key-value。默认情况下,ElasticSearch 会存储整个文件的 JSON source。

9e2e11de-35a8-11eb-a64d-12bb97331649.png

⑦Document Values 为了排序,聚合

即使这样,我们发现以上结构仍然无法解决诸如:排序、聚合、facet,因为我们可能会要读取大量不需要的信息。

所以,另一种数据结构解决了此种问题:Document Values。这种结构本质上就是一个列式的存储,它高度优化了具有相同类型的数据的存储结构。

9f87e6b8-35a8-11eb-a64d-12bb97331649.png

为了提高效率,ElasticSearch 可以将索引下某一个 Document Value 全部读取到内存中进行操作,这大大提升访问速度,但是也同时会消耗掉大量的内存空间。

总之,这些数据结构 Inverted Index、Stored Fields、Document Values 及其缓存,都在 segment 内部。

搜索发生时

搜索时,Lucene 会搜索所有的 Segment 然后将每个 Segment 的搜索结果返回,最后合并呈现给客户。

Lucene 的一些特性使得这个过程非常重要:

Segments 是不可变的(immutable):Delete?当删除发生时,Lucene 做的只是将其标志位置为删除,但是文件还是会在它原来的地方,不会发生改变。

Update?所以对于更新来说,本质上它做的工作是:先删除,然后重新索引(Re-index)。

随处可见的压缩:Lucene 非常擅长压缩数据,基本上所有教科书上的压缩方式,都能在 Lucene 中找到。

缓存所有的所有:Lucene 也会将所有的信息做缓存,这大大提高了它的查询效率。

缓存的故事

当 ElasticSearch 索引一个文件的时候,会为文件建立相应的缓存,并且会定期(每秒)刷新这些数据,然后这些文件就可以被搜索到。

a00bb60a-35a8-11eb-a64d-12bb97331649.png

随着时间的增加,我们会有很多 Segments,如下图:

a1061640-35a8-11eb-a64d-12bb97331649.png

所以 ElasticSearch 会将这些 Segment 合并,在这个过程中,Segment 会最终被删除掉。

a176fe46-35a8-11eb-a64d-12bb97331649.png

这就是为什么增加文件可能会使索引所占空间变小,它会引起 Merge,从而可能会有更多的压缩。

举个栗子

有两个 Segment 将会 Merge:

a1e9b3d2-35a8-11eb-a64d-12bb97331649.png

这两个 Segment 最终会被删除,然后合并成一个新的 Segment,如下图:

a2228478-35a8-11eb-a64d-12bb97331649.png

这时这个新的 Segment 在缓存中处于 Cold 状态,但是大多数 Segment 仍然保持不变,处于 Warm 状态。

以上场景经常在 Lucene Index 内部发生的,如下图:

在 Shard 中搜索

ElasticSearch 从 Shard 中搜索的过程与 Lucene Segment 中搜索的过程类似。

与在 Lucene Segment 中搜索不同的是,Shard 可能是分布在不同 Node 上的,所以在搜索与返回结果时,所有的信息都会通过网络传输。

需要注意的是:1 次搜索查找 2 个 Shard=2 次分别搜索 Shard。

对于日志文件的处理:当我们想搜索特定日期产生的日志时,通过根据时间戳对日志文件进行分块与索引,会极大提高搜索效率。

当我们想要删除旧的数据时也非常方便,只需删除老的索引即可。

a42fa2a0-35a8-11eb-a64d-12bb97331649.png

在上种情况下,每个 Index 有两个 Shards。

如何 Scale

如下图:

a4fccd20-35a8-11eb-a64d-12bb97331649.png

Shard 不会进行更进一步的拆分,但是 Shard 可能会被转移到不同节点上。

a544eb28-35a8-11eb-a64d-12bb97331649.png

所以,如果当集群节点压力增长到一定的程度,我们可能会考虑增加新的节点,这就会要求我们对所有数据进行重新索引,这是我们不太希望看到的。 所以我们需要在规划的时候就考虑清楚,如何去平衡足够多的节点与不足节点之间的关系。

节点分配与 Shard 优化:

为更重要的数据索引节点,分配性能更好的机器。

确保每个 Shard 都有副本信息 Replica。

a5728042-35a8-11eb-a64d-12bb97331649.png

路由 Routing:每个节点,每个都存留一份路由表,所以当请求到任何一个节点时,ElasticSearch 都有能力将请求转发到期望节点的 Shard 进一步处理。

a73ca18c-35a8-11eb-a64d-12bb97331649.png

一个真实的请求

如下图:

aae90c44-35a8-11eb-a64d-12bb97331649.png

①Query

如下图:

aeceda00-35a8-11eb-a64d-12bb97331649.png

Query 有一个类型 filtered,以及一个 multi_match 的查询。

②Aggregation

如下图:

b276438c-35a8-11eb-a64d-12bb97331649.png

根据作者进行聚合,得到 top10 的 hits 的 top10 作者的信息。

③请求分发

这个请求可能被分发到集群里的任意一个节点,如下图:

④上帝节点

如下图:

b7968200-35a8-11eb-a64d-12bb97331649.png

这时这个节点就成为当前请求的协调者(Coordinator),它决定:

根据索引信息,判断请求会被路由到哪个核心节点。

以及哪个副本是可用的。

等等。

⑤路由

如下图:

b8522d7a-35a8-11eb-a64d-12bb97331649.png

⑥在真实搜索之前

ElasticSearch 会将 Query 转换成 Lucene Query,如下图:

b8b45c48-35a8-11eb-a64d-12bb97331649.png

然后在所有的 Segment 中执行计算,如下图:

b9553fc8-35a8-11eb-a64d-12bb97331649.png

对于 Filter 条件本身也会有缓存,如下图:

baad5e82-35a8-11eb-a64d-12bb97331649.png

但 Queries 不会被缓存,所以如果相同的 Query 重复执行,应用程序自己需要做缓存。

bbaf5b6e-35a8-11eb-a64d-12bb97331649.png

所以:

Filters 可以在任何时候使用。

Query 只有在需要 Score 的时候才使用。

⑦返回

搜索结束之后,结果会沿着下行的路径向上逐层返回,如下图:

bbf19628-35a8-11eb-a64d-12bb97331649.png

bd05aa2c-35a8-11eb-a64d-12bb97331649.png

bd4b75f2-35a8-11eb-a64d-12bb97331649.png

be351978-35a8-11eb-a64d-12bb97331649.png

bef78742-35a8-11eb-a64d-12bb97331649.png

原文标题:图解 ElasticSearch 原理,你可收好了!

文章出处:【微信公众号:数据分析与开发】欢迎添加关注!文章转载请注明出处。

责任编辑:haq

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 数据
    +关注

    关注

    8

    文章

    6898

    浏览量

    88840
  • 互联网
    +关注

    关注

    54

    文章

    11109

    浏览量

    103021

原文标题:图解 ElasticSearch 原理,你可收好了!

文章出处:【微信号:DBDevs,微信公众号:数据分析与开发】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    华为MatePad Pro 13.2英寸亮相:纯血鸿蒙平板新旗舰

    近日,在华为Mate品牌盛典上,全新HUAWEI MatePad Pro 13.2英寸正式登场。作为新旗舰纯血鸿蒙平板,它带来了前所未有的创新交互体验,重新定义了平板的生产力。 这款平板机身轻薄便携,仅重580g,厚度也仅有5.5mm。配色方面,它提供了宣白、砚黑和流金三种时尚选择。其中,流金配色特别采用了流金丝帛工艺,将丝帛的灵感融入机身后壳设计,呈现出“流金丝帛”的人文美学,既时尚又质感细腻。 在屏幕方面,HUAWEI MatePad Pro 13.2英寸的表现同样出色。它的
    的头像 发表于 11-27 10:32 6次阅读

    微软亮相2024年世界互联网大会乌镇峰会

    人工智能正在以前所未有的速度重塑各行各业,彻底改变了人们获取知识、积累经验、洞察世界的方式,刷新了人机互动的模式与习惯, 并且对全球治理和国际合作提出了新的挑战和需求。
    的头像 发表于 11-27 10:30 10次阅读

    工业IT绝缘监测故障定位解决方案

    安科瑞徐赟杰18706165067 为了提高供电的连续性、可靠性和安全性,许多重要生产场所也采用了IT配电系统(不接地供电系统)。 随着工业科技的发展,漏电流对部分工业生产安全构成非常大的威胁。安科瑞工业绝缘监测及故障定位产品主要应用于工业领域,如矿井、矿山、玻璃厂、电炉和试验设备、船舶、海上平台、岸电、冶金厂、化工厂、爆炸危险场所、计算机中心以及应急电源等。通常装设绝缘监测仪用来实时监测系统对地的绝缘状况,当系统出现
    的头像 发表于 11-27 10:29 13次阅读
    工业IT绝缘监测故障定位解决方案

    微软应用商店引入腾讯应用宝专区

    自推出以来,Windows 11 凭借其优秀的安全性、强大的性能和无缝的跨设备体验,赢得了全球用户的广泛赞誉,现全球活跃设备已超过 14 亿台。Windows 11 将为蓬勃发展的生态系统提供源源不断的动力,并带来创新且友好的用户使用体验。
    的头像 发表于 11-27 10:28 15次阅读

    电梯回能装置能源数采远程监控方案

    在现代城市的公共建筑中,电梯是主要的能耗设备之一。据相关数据显示,电梯耗能占公共建筑总能耗的3%至7%,在高频使用的场所如办公楼、医院、商场中,这一比例甚至更高。 因此,电梯的节能改造成为许多建筑节能改造的重要内容。电梯回能装置是通过回收电梯轻载上行或重载下行等状态中的势能,将这部分势能转化为电能,从而提高能源利用效率,减少建筑能耗成本。对实现对电梯回能装置的数据采集,从而监控评估节能效果,以促进节能降耗
    的头像 发表于 11-27 10:27 15次阅读
    电梯回能装置能源数采远程监控方案

    IP地址有几类?具体怎么区分?

    之前和大家分享过关于IP数据云的街道级IP地址查询https://www.ipdatacloud.com/?utm-source=WZJ&utm-keyword=?2826,今天和大家聊聊IP地址的分类以及具体的区分办法。 IP地址是由32位二进制数表示,4个字节。根据网络地址和主机地址来分,通常分为a类、b类、c类、d类和e类。如果是根据组成部分来分,则分成abc三大类。那么,各类优什么特点和用途呢?怎么进行区分呢? 首先是地址的范围不一样; a类的地址范围是从1.0.0.1到126.255.255.254 b类的地址范围是从128.0.0.1到191
    的头像 发表于 11-27 10:26 18次阅读

    特斯拉招募软件工程师强化无人驾驶与机器人远程操作

    近日,据外媒最新报道,特斯拉正紧锣密鼓地招募软件工程师团队,旨在加强其无人驾驶出租车及Optimus机器人的远程操作能力。这一举措标志着特斯拉在推动自动驾驶与人工智能领域迈出了重要一步。 特斯拉此次招募的核心目标,是构建一个复杂的远程操作系统,该系统将深度整合硬件、固件以及后端系统,实现对其自动驾驶车辆和类人机器人的全面远程访问与控制。这一系统将为远程操作员提供一个高效、直观的操作平台,使他们能够跨越物理与数
    的头像 发表于 11-27 10:26 21次阅读

    Elasticsearch 再次开源

    Elasticsearch 和 Kibana 又可以被称为开源了。很难表达这句话让我有多高兴。我激动得简直要跳起来了。我们 Elastic 的所有人都是如此。开源是我的 DNA。这也是Elastic的DNA。能够再次将 Elasticsearch 称为开源,我感到非常高兴
    的头像 发表于 11-13 12:14 86次阅读
    <b class='flag-5'>Elasticsearch</b> 再次开源

    启明信息完成国产化Doris数据库升级替代任务

    近日,随着集团公司监控平台(Elasticsearch集群)的下线,标志着启明信息正式完成国产化Doris数据库升级替代任务。该项目既标志着启明信息信创升级替代迈入新台阶,同时也标志着在Doris应用领域取得自主研发新进展。
    的头像 发表于 09-20 09:33 734次阅读

    软件系统的数据检索设计

    软件系统的数据检索设计 随着业务量加大,数据检索量也会日益增多,为了减轻数据库压力,本系统采用ElasticSearch来实现数据检索功能。 简单来说,Elasticsearch 是一个实时的分布式
    的头像 发表于 08-22 14:08 230次阅读
    软件系统的数据检索设计

    统一日志数据流图

    统一日志数据流图 日志系统数据流图 系统进行日志收集的过程可以分为三个环节: (1)日志收集和导入ElasticSearch (2)ElasticSearch进行索引等处理 (3)可视化操作,查询等
    的头像 发表于 08-21 15:00 276次阅读
    统一日志数据流图

    Elasticsearch Mapping类型修改

    原创声明:该文章是个人在项目中亲历后的经验总结和分享,如有搬运需求请注明出处。 这是“深入浅出系列”文章的第一篇,主要记录和分享程序设计的一些思想和方法论,如果读者觉得所有受用,还请“一键三连”,这是对我最大的鼓励。 一、老生常谈,到底啥是可读性 一句话:见名知其义。有人说好的代码必然有清晰完整的注释,我不否认;也有人说代码即注释,是代码简洁之道的最高境界,我也不否认。但我都不完全接受,如果照搬前者,有
    的头像 发表于 08-09 16:00 105次阅读

    Rust编写的首个Postgres基础Elasticsearch开源替代品问世

    ,Firebase 开源替代 Supabase,AirTable 开源替代 NocoDB,等等等等,现在又多了 ElasticSearch 开源替代 —— ParadeDB。
    的头像 发表于 02-22 11:34 789次阅读
    Rust编写的首个Postgres基础<b class='flag-5'>Elasticsearch</b>开源替代品问世

    号称取代 Elasticsearch,太猛了!

    Manticore Search 是一个使用 C++ 开发的高性能搜索引擎,创建于 2017 年,其前身是 Sphinx Search 。Manticore Search 充分利用了 Sphinx,显着改进了它的功能,修复了数百个错误,几乎完全重写了代码并保持开源。
    的头像 发表于 12-18 16:57 856次阅读
    号称取代 <b class='flag-5'>Elasticsearch</b>,太猛了!

    ElasticSearch同义词代码解析

    同义词用于提高搜索质量并扩大匹配范围。 例如,搜索oil的用户可能希望找到包含原油或石油的文档,尽管这三个词完全不同。
    的头像 发表于 11-29 10:26 792次阅读
    <b class='flag-5'>ElasticSearch</b>同义词代码解析