ELK跳不过的ES,图解助你掌握内部模型及数据结构

Richaaaard 2019-01-11 10:02:06

本文我们将会先自上而下,后自底向上地介绍ElasticSearch的底层工作原理,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?

 

ElasticSearch版本:ElasticSearch-2.2.0

 

1、图解ElasticSearch
 

 

云上的集群

 

 

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。

 

 

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。

 

 

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。

 

 

Shard=Lucene Index

 

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

 

 

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。

 

2、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。

 

 

Segment内部

 

有着许多数据结构

 

  • Inverted Index

  • Stored Fields

  • Document Values

  • Cache

 

 

最最重要的Inverted Index

 

 

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。

 

 

查询“the fury”

 

 

 

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)。

 

 

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。

 

 

 

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。

 

问题的转化

 

 

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。

 

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。

 

 

Stored 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。

 

 

Document 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。

 

 

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。

 

3、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。

 

4、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。

 

 

随着时间的增加,我们会有很多segments:

 

 

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

 

 

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。

 

举个例子

 

有两个segment将会merge:

 

 

这两个segment最终会被删除,然后合并成一个新的segment:

 

 

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。

 

 

5、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。

 

 

在上种情况下,每个Index有两个shards。

 

6、如何Scale
 

 

 

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:

 

 

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。

 

 

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。

 

 

7、一个真实的请求
 
 

 

Query

 

 

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

 

Aggregation

 

 

根据作者进行聚合,得到top10的hits的top10作者的信息。

 

请求分发

 

这个请求可能被分发到集群里的任意一个节点。

 

 

上帝节点

 

 

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。

 

路由

 

 

在真实搜索之前

 

ElasticSearch会将Query转换成Lucene Query:

 

 

然后在所有的segment中执行计算:

 

 

 

对于Filter条件本身也会有缓存:

 

 

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:

 

 

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。

 

返回

 

搜索结束之后,结果会沿着下行的路径向上逐层返回。

 

 

 

 

 

 

 

以上是我关于ElasticSearch的底层工作原理的介绍和分享,欢迎留言交流!

 

参考
 

 

  • SlideShare: Elasticsearch From the Bottom Up

  • Youtube: Elasticsearch from the bottom up

  • Wiki: Document-term matrix

  • Wiki: Search engine indexing

  • Skip list

  • Standford Edu: Faster postings list intersection via skip pointers

  • StackOverflow: how an search index works when querying many words?

  • StackOverflow: how does lucene calculate intersection of documents so fast?

  • Lucene and its magical indexes

  • misspellings 2.0c: A tool to detect misspellings

活动预告