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

    6800

    浏览量

    88731
  • 互联网
    +关注

    关注

    54

    文章

    11070

    浏览量

    102592

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

    中兴通讯投资7亿元成立数科技术公司

    近日,北京兴云数科技术有限公司的新企业正式成立标志着中兴通讯在人工智能和大数据领域迈出了新的步伐。该公司的法定代表人为王喜瑜,注册资本高达7亿人民币,彰显了中兴通讯对于这一新兴领域的坚定信心和雄厚实力。 北京兴云数科技术有限公司的经营范围涵盖了人工智能基础软件开发、人工智能应用软件开发、人工智能行业应用系统集成服务以及大数据服务等多个领域。这些业务板块的布局,不仅体现了公司在技术创新方面的前瞻性和全面
    的头像 发表于 11-08 11:12 4次阅读

    真我GT6旗舰手机性能如何

    不久前,真我GT6正式发布。为满足用户对性能的期待,真我GT6搭载了集终端侧AI、强悍性能和能效于一体的第三代骁龙8移动平台,延续GT系列一贯硬核性能表现的同时,也借助其强大的AI能力为玩家的游戏体验全面赋能,并在质感设计、续航、屏幕、影像等方面全面升级。本期体验报告,让我们一起来看看这款性能梦想机是如何满足性能党的多面需求的。
    的头像 发表于 11-08 11:10 3次阅读

    欧镭激光安全雷达GS1-5:高性能与安全性的完美结合

    作为国产安全激光雷达开拓者和引领者,欧镭激光2D 270° 功能安全激光雷达GS1-5,是一款专为工业自动化和移动平台(AGV/AMR等)设计的高性能安全传感器。 该新品目前已与部分国内外AGV厂商展开合作应用,反响积极。其卓越的安全性能、高精度测量以及灵活的应用特性已经得到了初步验证和认可。 可以说,GS1-5是国产安全激光雷达领域的一颗冉冉升起的新星! 接下来,让我们从以下七个方面深入了解这位耀眼的明星吧: 01 多重安全认证: • 符合IEC6
    的头像 发表于 11-08 11:08 6次阅读
    欧镭激光安全雷达GS1-5:高性能与安全性的完美结合

    OpenAI收购chat.com,强化ChatGPT品牌

    近日有消息报道,OpenAI在成功收购ai.com域名后,再次出手买下了chat.com这一极具价值的域名。相较于ai.com,chat.com更贴合OpenAI旗下热门产品ChatGPT的调性,因为“chat”一词直接关联到聊天功能,使得用户仅需输入6至8个字符即可轻松访问ChatGPT。 有网友猜测,OpenAI首席执行官Altman可能为这次收购支付了高达1500至2000美元的费用。若此猜测属实,那么chat.com将成为历史上售价最高的域名之一,彰显了其独特的价值和OpenAI对其品牌的重视。 此次收购不仅为OpenAI提
    的头像 发表于 11-08 11:08 20次阅读

    iQOO Neo9S Pro+体验报告

    作为游戏性能赛道的佼佼者,iQOO一直以来都深受广大年轻用户和游戏玩家们的喜爱。继此前推出的iQOO Neo9系列大获成功之后,iQOO于不久前发布了Neo系列的新一代“性能王”——iQOO Neo9S Pro+。新机搭载第三代骁龙8移动平台,不仅拥有更强大的性能表现,还在AI、操控、影像、屏幕等方面实现了全新突破。本期体验报告,让我们一起来看看这款Buff +满的战神实力究竟如何。
    的头像 发表于 11-08 11:08 8次阅读

    网络线缆有哪几大类

    网络线缆主要分为以下几大类: 一、双绞线 双绞线是最常见的网络线缆类型之一,由两根绝缘的金属线扭在一起制成。根据线径和屏蔽层的不同,双绞线可分为多种类型,如非屏蔽双绞线(UTP)和屏蔽双绞线(STP)。双绞线具有价格实惠、安装方便等优点,适用于低速或短距离传输。 双绞线还可根据传输速度和带宽需求进一步细分,如五类线(CAT5)、超五类线(CAT5e)、六类线(CAT6)、超六类线(CAT6A)和七类线(CAT7)等。这些不同类型的双绞线在传输速率、频率带宽和
    的头像 发表于 11-08 11:06 14次阅读

    一级和二级浪涌保护器的区别与选型指南

    浪涌保护器(Surge Protection Device,简称SPD)是保护电气系统及设备免受过电压损害的关键器件。随着电力系统对设备安全性和稳定性的要求日益提高,浪涌保护器的选择和安装显得尤为重要。地凯科技将深入分析一级和二级浪涌保护器的主要区别、识别方法、选择依据及不同行业中的细分应用。 一级浪涌保护器与二级浪涌保护器的定义与工作原理 一级浪涌保护器: 一级浪涌保护器一般用于建筑物的电源入口处,主要用于应对雷电或外部环境因素引起的
    的头像 发表于 11-08 11:04 15次阅读
    一级和二级浪涌保护器的区别与选型指南

    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 09:33 598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 14:08 211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 15:00 255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 97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 11:34 737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 16:57 820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 10:26 756次阅读
    <b class='flag-5'>ElasticSearch</b>同义词代码解析

    突发!阿里云崩了:全线产品受影响

    Elasticsearch 版、 图计算服务 Graph Compute、实时计算 Flink 版、智能数据建设与治理 Dataphin、开源大
    的头像 发表于 11-13 00:26 364次阅读
    突发!阿里云崩了:全线产品受影响