转自微信公众号：Java思维导图

一、前题：

如果面试的时候碰到这样一个面试题：ES 在数据量很大的情况下（数十亿级别）如何提高查询效率？

这个问题说白了，就是看你有没有实际用过ES，因为啥？其实 ES 性能并没有你想象中的那么好。

很多时候数据量大了，特别是有几亿条数据的时候，可能你会懵逼的发现，跑个搜索怎么一下子 5~10s，坑爹了。第一次搜索的时候，是 5~10s，后面反而就快了，可能就几百毫秒。你就可能很懵，用户第一次访问都会比较慢，比较卡吗？所以你要是没玩过ES，或者就是自己玩玩Demo，被问到这个问题很容易懵逼，显示出你对ES确实玩的不怎么样。

说实话，ES 性能优化是没有银弹的。啥意思呢？就是不要期待着随手调一个参数，就可以万能的应对所有的性能慢的场景。也许有的场景是你换个参数，或者调整一下语法，就可以搞定，但是绝对不是所有的场景都可以这样。

二、性能优化杀手锏：Filesystem Cache

你往ES 里写的数据，实际上都写到磁盘文件里去了，查询的时候，操作系统会将磁盘文件里的数据自动缓存到 Filesystem Cache 里面去。

ES 的搜索引擎严重依赖于底层的Filesystem Cache，你如果给 Filesystem Cache 更多的内存，尽量让内存可以容纳所有的 IDX Segment File 索引数据文件，那么你搜索的时候就基本都是走的内存，性能会非常高。

性能差距究竟可以有多大？我们之前的很多的测试和压测，如果走磁盘一般肯定是上秒，搜索性能绝对是秒级别的，1秒、5秒、10秒。但如果是走 Filesystem Cache ，是走纯内存的，那么一般来说性能比走磁盘要高一个数量级，基本上就是毫秒级别的，从几毫秒到几百毫秒不等。

这里有个真实的案例：某个公司 ES 节点有 3 台机器，每台机器看起来内存很多 64G，总内存就是 64 * 3 = 192G。每台机器给 ES JVM Heap 是 32G，总共集群里给 Filesystem Cache 的就是 32 * 3 = 96G 内存。而此时，整个磁盘上索引数据文件，在 3 台机器上一共占用了 1T，那么每台机器的数据量是 300G。这样性能好吗？Filesystem Cache 的内存才 100G，十分之一的数据可以放内存，其他的都在磁盘，然后你执行搜索操作，大部分操作都是走磁盘，性能肯定差。

归根结底，你要让 ES 性能好，最佳的情况下，就是你的机器的内存，至少可以容纳你的数据总量的一半。根据我们自己的生产环境实践经验，最佳的情况下，是仅仅在 ES 中就存少量的数据，就是你要用来搜索的那些索引，如果内存留给 Filesystem Cache 的是 100G，那么你就将索引数据控制在 100G 以内。这样的话，你的数据几乎全部走内存来搜索，性能非常之高，一般可以在 1 秒以内。

比如说你现在有一行数据：id，name，age ... 30 个字段，但是你现在搜索，只需要根据 id，name，age 三个字段来搜索。如果你傻乎乎的往 ES 里面写入一行数据所有的字段，就会导致说 90% 的数据不是用来搜索的。结果硬是占据了 ES 机器上的 Filesystem Cache 的空间，单条数据的数据量越大，就会导致 Filesystem Cache 能缓存的数据就越少。其实仅仅写入 ES 中要用来检索的少数几个字段就可以了，比如说写入 ES id，name，age 三个字段。然后你可以把其他的字段数据存在 MySQL/HBase 里，我们一般建议数据用 ES + HBase 这么一个架构。

HBase 的特点是适用于海量数据的在线存储，就是对 HBase 可以写入海量数据，但是不要做复杂的搜索，做很简单的一些根据 id 或者范围进行查询的这么一个操作就可以了。从 ES 中根据 name 和 age 去搜索，拿到的结果可能就 20 个 doc id，然后根据 doc id 到 HBase 里去查询每个 doc id 对应的完整的数据，给查出来，再返回给前端。

写入 ES 的数据最好小于等于，或者是略微大于 ES 的 Filesystem Cache 的内存容量。然后你从 ES 去检索可能就花费 20ms，然后再根据 ES 返回的 id 去 HBase 里查询，查 20 条数据，可能也就耗费个 30ms。可能你原来那么玩儿，1T 数据都放在 ES ，会每次查询都是 5~10s，现在可能性能就会很高，每次查询就是 50ms。

三、数据预热

假如说，哪怕是你就按照上述的方案去做了，ES 集群中每个机器写入的数据量还是超过了 Filesystem Cache 一倍。比如说你写入一台机器 60G 数据，结果 Filesystem Cache 就 30G，还是有 30G 数据留在了磁盘上。

其实可以做数据预热。举个例子，拿微博来说，你可以把一些大 V，平时看的人多的数据，提前在后台搞个系统，每隔一会儿，自己的后台系统去搜索一下热数据，刷到 Filesystem Cache 里去，后面用户实际上来看这个热数据的时候，他们就是直接从内存里搜索了，很快。

对于那些你觉得比较热的、经常会有人访问的数据，最好做一个专门的缓存预热子系统。就是对热数据，每隔一段时间，就提前访问一下，让数据进入 Filesystem Cache 里面去。这样下次别人访问的时候，性能一定会好很多。

四、冷热分离

ES 可以做类似 MySQL 的水平拆分，就是说将大量的访问很少、频率很低的数据，单独写一个索引，然后将访问很频繁的热数据单独写一个索引。最好是将冷数据写入一个索引中，然后热数据写入另一个索引中，这样可以确保热数据在被预热之后，尽量都让他们留在 Filesystem Cache 里，别让冷数据给冲刷掉。

你看，假设你有 6 台机器，2个索引，一个放冷数据，一个放热数据，每个索引 3 个 shard。3 台机器放热数据 index，另外 3 台放冷数据 index。这样的话，你大量的时间是在访问热数据 index，热数据可能就占总数据的 10%，此时数据量很少，几乎全部保留在 Filesystem Cache 里面了，就可以确保热数据的访问性能是很高的。但是对于冷数据而言，是在别的 index 里的，跟热数据 index 不在相同的机器上，大家相互之间都没什么联系了。如果有人访问冷数据，可能大量数据是在磁盘上的，此时性能差点，就 10% 的人去访问冷数据，90% 的人在访问热数据，也无所谓了。

五、Document 模型设计

对于MySQL，我们经常有一些复杂的关联查询。在 ES 里面该怎么玩？ES 里面的复杂的关联查询尽量别用，一旦用了性能一般都不大好。最好是现在 Java 系统里就完成关联，将关联好的数据直接写入 ES 中。搜索的时候，就不需要利用 ES 的搜索语法来完成 Join 之类的关联搜索了。

Document 模型设计是非常重要的，很多操作，不要在搜索的时候才想去执行各种复杂的乱七八糟的操作。ES 能支持的操作就那么多，不要考虑用 ES 做一些它不好操作的事情。如果真的有那种操作，尽量在 Document 模型设计的时候，写入的时候就完成。

另外对于一些太复杂的操作，比如 join/nested/parent-child 搜索都要尽量避免，性能都很差的。

六、分页性能优化

ES 的分页是较坑的，为啥呢？举个例子吧，假如你每页是10条数据，你现在要查询第100页，实际上是会把每个 shard 上存储的前 1000 条数据查询到一个协调节点上。如果你有 5 个 shard，那么就有 5000 条数据，接着协调节点对这 5000 条数据进行一些合并、处理，再获取到最终第100页的 10 条数据。

分布式的，你要查询第 100 页的 10 条数据，不可能说从 5 个 shard ，每个 shard 就查 2 条数据，最后协调节点合并成 10 条数据吧？你必须得从每个 shard 上都查询 1000 条数据过来，然后根据你的需求进行排序、筛选等等操作，最后再次分页，拿到里面的第 100 页的数据。

你翻页的时候，翻的越深，每个 shard 返回的数据就越多，而且协调节点处理的时间越长，非常坑爹。所以用 ES 做分页的时候，你会发现越翻到最后，就越是慢。我们之前也是遇到过这个问题，用 ES 作分页，前几页就几十毫秒，翻到 10 页或者几十页的时候，基本上就要 5~10秒才能查出来一页数据了。有什么解决方案？不允许深度分页（默认深度分页性能都很差）。跟产品经理说，你的系统不允许翻那么深的页，默认翻的越深，性能就越差。

类似于 App 里面的推荐商品不断下拉出来一页一页的；类似微博中，下拉刷微博，刷出来一页一页的，你可以用 Scroll API，关于如何使用，请自行网上搜索。Scroll 会一次性给你生成所有数据的一个快照，然后每次滑动向后翻页就是通过游标 scroll_id 移动，获取下一页，性能很高，都是毫秒级的，缺点是没有随意跳到任意一页的场景，只能一页一页翻。初始化的时候必须指定 Scroll 参数，告诉 ES 要保存此次搜索的上下文多长时间。你需要确保用户不会持续不断翻页几个小时，否则可能因为超时而失败。

除了用 Scroll API ，你也可以用 search_after 来做。search_after 的思想是使用前一页的结果来帮助检索下一页的数据。这种方式也不允许翻页。初始化的时候，需要使用一个唯一值的字段作为 Sort 字段。

出处：https://zhuanlan.zhihu.com/p/60458049

说明：本文来源于网络，版权归原创者所有，如果侵权，烦请告知，谢谢。

本文仅供相互学习交流使用。

[转载] Elasticsearch如何做到亿级数据查询毫秒级返回相关推荐

Elasticsearch如何做到亿级数据查询毫秒级返回？
https://zhuanlan.zhihu.com/p/60458049 如果面试的时候碰到这样一个面试题:ES 在数据量很大的情况下(数十亿级别)如何提高查询效率? 这个问题说白了,就是看你有没有 ...
JAVA 经典面试题：ES如何做到亿级数据查询毫秒级返回？
面试题 #elasticsearch#lasticsearch在数十亿级别以上的大量数据下如何提高查询效率,做到毫秒级数据查询呢? 面试官心理分析在 JAVA 高级面试中这个问题肯定是要被问及的,为 ...
currenttimemillis 毫秒还是秒_Elasticsearch(ES)如何做到亿级数据查询毫秒级返回
前言: 这个问题其实是更面向原理及实操方面的内容.换个问法,可以是这样来问:ES 在数据量很大的情况下(数十亿级别)如何提高查询效率? 为了精简,如下内容将Elasticsearch简称为ES 如果你 ...
经典面试题：ES如何做到亿级数据查询毫秒级返回？
点击上方"方志朋",选择"设为星标" 回复"666"获取新整理的面试文章来源:8rr.co/5Csc 面试题 es 在数据量很大的情况下( ...
ES如何做到亿级数据查询毫秒级返回
一.面试题 ES在数据量很大的情况下(数十亿级别)如何提高查询效率? 二.面试官心理分析这个问题是肯定要问的,说白了,就是看你有没有实际干过ES,因为啥?其实ES性能并没有你想象中那么好的.很多时候 ...
知乎1.3万亿条数据查询毫秒级响应，如何做到的？
点击"开发者技术前线",选择"星标????" 在看|星标|留言, 真爱来自:孙晓光 | 责编:乐乐链接:dzone.com/articles/lesson ...
查询亿级数据毫秒级返回！牛逼哄哄的ElasticSearch是如何做到的？
一道面试题的引入: 如果面试的时候碰到这样一个面试题:ElasticSearch(以下简称ES) 在数据量很大的情况下(数十亿级别)如何提高查询效率? 这个问题说白了,就是看你有没有实际用过 ES,因 ...
pymongo 亿级数据查询技术总结之一
文章目录序言亿级数据下find的性能 count 的测试结果数据库优化首要策略: 加索引就好? 序言这么多年来做过好几个使用mongodb的项目, 这里主要记录下大数据使用上的一些技巧和要点. ...
Elasticsearch如何做到数十亿数据查询毫秒级响应？
如果面试的时候碰到这样一个面试题:ES 在数据量很大的情况下(数十亿级别)如何提高查询效率? 这个问题说白了,就是看你有没有实际用过 ES,因为啥?其实 ES 性能并没有你想象中那么好的. 很多时候数 ...

[转载] Elasticsearch如何做到亿级数据查询毫秒级返回