图解 ElasticSearch 原理,太牛了
作者:Richaaaard
来源:https://www.cnblogs.com/richaaaard/
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。
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。
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:
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。
①查询“the fury”
如下图:
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)。
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。
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:
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。
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。
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。
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。
随着时间的增加,我们会有很多 Segments,如下图:
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。
举个栗子
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,如下图:
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。
在上种情况下,每个 Index 有两个 Shards。
如何 Scale
如下图:
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。
一个真实的请求
如下图:
①Query
如下图:
Query 有一个类型 filtered,以及一个 multi_match 的查询。
②Aggregation
如下图:
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:
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:
⑥在真实搜索之前
ElasticSearch 会将 Query 转换成 Lucene Query,如下图:
然后在所有的 Segment 中执行计算,如下图:
对于 Filter 条件本身也会有缓存,如下图:
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。
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:
- EOF -
想要加入中生代架构群的小伙伴,请添加群合伙人大白的微信
申请备注(姓名+公司+技术方向)才能通过哦!
阿里技术精彩文章推荐
往期推荐
深度:揭秘阿里巴巴的客群画像
多隆:从工程师到阿里巴巴合伙人
阿里技术专家楚衡:架构制图的工具与方法论
蚂蚁集团技术专家山丘:性能优化常见压测模型及优缺点
阿里文娱技术专家战獒: 领域驱动设计详解之What, Why, How?
阿里专家马飞翔:一文读懂架构整洁之道
阿里专家常昊:新人如何上手项目管理?
蚂蚁集团沈凋墨:Kubernetes-微内核的分布式操作系统
阿里合伙人范禹:常挂在阿里技术人嘴边的四句土话
阿里技术专家都铎:一文搞懂技术债
支付宝研究员兼OceanBase总架构师杨传辉:我在数据库梦之队的十年成长路
阿里技术专家麒烨:修炼测试基本功
阿里计算平台掌门人贾扬清:我对人工智能方向的一点浅见
蚂蚁资深算法专家周俊:从原理到落地,支付宝如何打造保护隐私的共享智能?
阿里高级技术专家箫逸:如何画好一张架构图?
阿里高级技术专家张建飞:应用架构分离业务逻辑和技术细节之道
蚂蚁科技 Service Mesh 落地实践与挑战 | GIAC 实录
阿里6年,我的技术蜕变之路!
蚂蚁集团涵畅:再启程,Service Mesh 前路虽长,尤可期许
阿里P9专家右军:大话软件质量稳定性
阿里合伙人程立:阿里15年,我撕掉了身上两个标签
阿里高工流生 | 云原生时代的 DevOps 之道
阿里高级技术专家邱小侠:微服务架构的理论基础 - 康威定律
阿里P9专家右军:以终为始的架构设计
阿里P8架构师:淘宝技术架构从1.0到4.0的架构变迁!12页PPT详解
阿里技术:如何画出一张合格的技术架构图?
蚂蚁资深技术专家王旭:开源项目是如何让这个世界更安全的?
阿里资深技术专家崮德:8 个影响我职业生涯的重要技能
儒枭:我看技术人的成长路径
阿里高级技术专家宋意:平凡人在阿里十年的成长之旅
阿里技术专家甘盘:浅谈双十一背后的支付宝LDC架构和其CAP分析
阿里技术专家光锥:亿级长连网关的云原生演进之路
阿里云原生张羽辰:服务发现技术选型那点事儿
蚂蚁研究员玉伯:做一个简单自由有爱的技术人
END
#架构师必备#点分享点点赞点在看
图解 ElasticSearch 原理,太牛了相关推荐
- 图解elasticsearch原理转载自
转载自 图解elasticsearch原理 版本 elasticsearch版本: elasticsearch-2.x 内容 图解ElasticSearch 云上的集群 集群里的盒子 云里面的每个白 ...
- 图解 Elasticsearch 原理
摘要 先自上而下,后自底向上的介绍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(I ...
- 图解ElasticSearch 搜索原理
点击上方蓝色"方志朋",选择"设为星标" 回复"666"获取独家整理的学习资料! 来源:https://www.cnblogs.com/ri ...
- 图解 ElasticSearch 搜索原理
摘要 先自上而下,后自底向上的介绍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(Ind ...
- 漫画图解 ElasticSearch 搜索原理
你知道的越多,不知道的就越多,业余的像一棵小草! 你来,我们一起精进!你不来,我和你的竞争对手一起精进! 编辑:业余草 cnblogs.com/richaaaard/p/5226334.html 推荐 ...
- ElasticSearch:图解ElasticSearch的搜索过程
目录 摘要 版本 内容 图解ElasticSearch 图解Lucene 搜索发生时 缓存的故事 在Shard中搜索 如何Scale - 扩展? 一个真实的请求 参考 结束 摘要 先自上而下,后自底向 ...
- (转) 一张图解AlphaGo原理及弱点
一张图解AlphaGo原理及弱点 2016-03-23 郑宇,张钧波 CKDD 作者简介: 郑宇,博士, Editor-in-Chief of ACM Transactions on Intellig ...
- 图解通信原理与案例分析-26: 5G NR是如何支持海量机器类通信mMTC的?移动通信对物联网的支持
前言: 移动通信最初是解决人与人之间的语音通信,后来发展成了人与人之间的文本通信, 到了4G LTE,已经很好的解决了人与人之间的视频通信. 到了5G,人与人之间的高速率的数据通信在LTE的基础之上得 ...
- 图解通信原理与案例分析-35:以太网MAC层的通信原理--MAC帧格式与调度策略:载波侦听与冲突检测CSMA/CD、载波侦听与冲突避免(信道空闲保证)CSMA/CA、流控
以太网协议已经是非常成熟的通信技术,本文旨在在汇总以太网MAC层的协议,以便于与其他通信技术的MAC层作为比较,如4G LTE, 5G NR,特别是LTE在非授权频谱上的通信LAA LBT, 就是借鉴 ...
最新文章
- 全球安全行业融资收购简报(2016年2月)
- MATLAB从入门到精通系列之如何在MATLAB中导入excel单sheet页及多sheet页表格
- (原)各种输入框美化
- Java基础学习总结(108)——Java常见面试题再总结
- HTTP Error 502.5 - Process Failure 解决方案
- SQL Server Management Studio –分步安装指南
- HTML5基于flash实现播放RTMP协议视频
- 什么是Mirai僵尸网络
- C语言应用(1)——Unix时间戳和北京时间的相互转换
- Flyme应用中心应用认领
- 真正的好老板,都是高层次的“给予者”
- 互联网下半场新征程启航,AI、大数据等前沿科技助力传统零售产业转型
- em算法 图像模糊检测_基于EM算法的眼底OCT图像反卷积去模糊技术
- 微信小程序之植物识别demo(百度开发接口)
- tickeys 1.0.0 中文版 (键盘打字音效模拟工具)
- i春秋·网络内生安全训练场 pwn Car Search System
- ellipsize属性
- 必读论文 | 卷积神经网络百篇经典论文推荐
- 机器学习贝叶斯分类(理论及代码实现)
- linux中grep -E参数,linux中grep命令
热门文章
- 注意儿童补钙有误区,汤臣倍健牛初乳加钙咀嚼片要用好
- word图片填充之后图片颜色变灰了_一文读懂如何快速实现网页页面变灰?
- centos 测试get请求_11-CentOS7服务器搭建-ab压力测试
- 378. 有序矩阵中第K小的元素
- 一个简单图书管理系统TSGL的应用数据库
- Shell 判断文件或文件夹是否存在(不存在则创建)
- PHP-FPM Fastcgi 未授权访问漏洞(端口9000)
- C/C++unlink函数的使用
- python 网络框架twisted基础学习及详细讲解
- R6饮料AK赛(NOIP模拟赛)/省选专练HDU 5713 K个联通块