干货 | 论Elasticsearch数据建模的重要性

1、什么是数据模型？

数据模型是抽象描述现实世界的一种工具和方法，是通过抽象的实体及实体之间联系的形式，用图形化的形式去描述业务规则的过程，从而表示现实世界中事务的相互关系的一种映射。
核心概念：

1. 实体：现实世界中存在的可以相互区分的事务或概念称为实体。
   实体可以分为事物实体和概念实体。例如：一个学生、一个程序员等是事物实体。一门课、一个班级等称为概念实体。

2. 实体的属性：每个实体都有自己的特征，利用实体的属性可以区别不同的实体。例如。学生实体的属性为姓名、性别、年龄等。

2、数据建模的过程？

数据建模大致分为三个阶段，概念建模阶段，逻辑建模阶段和物理建模阶段。

2.1 概念建模阶段

概念建模阶段，主要做三件事：

• 客户交流

• 理解需求

• 形成实体

确定系统的核心需求和范围边界，设计实体与实体之间的关系。

在概念建模阶段，我们只需要关注实体即可，不用关注任何实现细节。很多人都希望在这个阶段把具体表结构，索引，约束，甚至是存储过程都想好，没必要！因为这些东西使我们在物理建模阶段需要考虑的东西，这个时候考虑还为时尚早。

概念模型在整个数据建模时间占比：10%左右。

2.2 逻辑建模阶段

逻辑建模阶段，主要做二件事：

• 进一步梳理业务需求，

• 确定每个实体的属性、关系和约束等。

逻辑模型是对概念模型的进一步分解和细化，描述了实体、实体属性以及实体之间的关系，是概念模型延伸，一般的逻辑模型有第三范式，星型模型和雪花模型。模型的主要元素为主题、实体、实体属性和关系。
逻辑模型的作用主要有两点。

• 一是便于技术开发人员和业务人员或者用户进行沟通 交流，使得整个概念模型更易于理解，进一步明确需求。

• 二是作为物理模型设计的基础，由于逻辑模型不依赖于具体的数据库实现，使用逻辑模型可以生成针对具体 数据库管理系统的物理模型，保证物理模型充分满足用户的需求。
  逻辑模型在整个数据建模时间占比：60%—70%左右。

2.3 物理建模阶段

物理建模阶段，主要做一件事：

• 结合具体的数据库产品（mysql/oracle/mongo/elasticsearch），在满足业务读写性能等需求的前提下确定最终的定义。

物理模型是在逻辑模型的基础上描述模型实体的细节，包括数据库产品对应的数据类型、长度、索引等因素，为逻辑模型选择一个最有的物理存储环境。

逻辑模型转化为物理模型的过程也就是实体名转化为表名，属性名转化为物理列名的过程。

在设计物理模型时，还需要考虑数据存储空间的分配，包括对列属性必须做出明确的定 义。

物理模型在整个数据建模时间占比：20%—30%左右。

例如：客户姓名的数据类型是varchar2，长度是20，存储在Oracle数据库中，并且建立索引用于提高该字段的查询效率。

3、数据建模的意义？

如下图所示：

数据模型支撑了系统和数据，系统和数据支撑了业务系统。

一个好的数据模型：

• 能让系统更好的集成、能简化接口。

• 能简化数据冗余、减少磁盘空间、提升传输效率。

• 兼容更多的数据，不会因为数据类型的新增而导致实现逻辑更改。

• 能帮助更多的业务机会，提高业务效率。

• 能减少业务风险、降低业务成本。

举例: 借助logstash实现mysql到Elasticsearch的增量同步，如果数据建模阶段没有设计：时间戳或者自增ID，就几乎无法实现。

4、Elasticsearch数据建模注意事项

4.1 ES Mapping 设置

4.2 ES Mapping 字段设置流程图

4.3 ES 万能Mapping 模板参考

以下的索引 Mapping中，_source设置为false，同时各个字段的store根据需求设置了true和false。

url的doc_values设置为false，该字段url不用于聚合和排序操作。

1PUT blog_index
2{
3  "mappings": {
4    "doc": {
5      "_source": {
6        "enabled": false
7      },
8      "properties": {
9        "title": {
10          "type": "text",
11          "fields": {
12            "keyword": {
13              "type": "keyword",
14              "ignore_above": 100
15            }
16          },
17          "store": true
18        },
19        "publish_date": {
20          "type": "date",
21          "store": true
22        },
23        "author": {
24          "type": "keyword",
25          "ignore_above": 100, 
26          "store": true
27        },
28        "abstract": {
29          "type": "text",
30          "store": true
31        },
32        "content": {
33          "type": "text",
34          "store": true
35        },
36        "url": {
37          "type": "keyword",
38          "doc_values":false,
39          "norms":false,
40          "ignore_above": 100, 
41          "store": true
42        }
43      }
44    }
45  }
46}

5、不可回避——ES多表关联

实际业务问题：多层数据结构，一对多关系，如何用一个查询查询所有的数据？

比如数据结构如下：帖子--帖子评论--评论用户  3层。

现在需要查询一条帖子，最好能查询到帖子下的评论，还有评论下面的用户数据，一个查询能搞定吗？目前两层我可以查询到，3层就不行了。

如果一次查询不到，那如何设计数据结构？又应该如何查询呢？

目前ES主要有以下4种常用的方法来处理数据实体间的关联关系：

（1）Application-side joins（服务端Join或客户端Join）

这种方式，索引之间完全独立（利于对数据进行标准化处理，如便于上述两种增量同步的实现），由应用端的多次查询来实现近似关联关系查询。

这种方法适用于第一个实体只有少量的文档记录的情况（使用ES的terms查询具有上限，默认1024，具体可在elasticsearch.yml中修改），并且最好它们很少改变。这将允许应用程序对结果进行缓存，并避免经常运行第一次查询。

（2）Data denormalization（数据的非规范化）

这种方式，通俗点就是通过字段冗余，以一张大宽表来实现粗粒度的index，这样可以充分发挥扁平化的优势。但是这是以牺牲索引性能及灵活度为代价的。

使用的前提：冗余的字段应该是很少改变的；比较适合与一对少量关系的处理。当业务数据库并非采用非规范化设计时，这时要将数据同步到作为二级索引库的ES中，就很难使用上述增量同步方案，必须进行定制化开发，基于特定业务进行应用开发来处理join关联和实体拼接。

ps：宽表处理在处理一对多、多对多关系时，会有字段冗余问题，适合“一对少量”且这个“一”更新不频繁的应用场景。

宽表化处理，在查询阶段如果只需要“一”这部分时，需要进行结果去重处理（可以使用ES5.x的字段折叠特性，但无法准确获取分页总数，产品设计上需采用上拉加载分页方式）

（3）Nested objects（嵌套文档）

索引性能和查询性能二者不可兼得，必须进行取舍。嵌套文档将实体关系嵌套组合在单文档内部（类似与json的一对多层级结构），这种方式牺牲索引性能（文档内任一属性变化都需要重新索引该文档）来换取查询性能，可以同时返回关系实体，比较适合于一对少量的关系处理。 

ps: 当使用嵌套文档时，使用通用的查询方式是无法访问到的，必须使用合适的查询方式（nested query、nested filter、nested facet等），很多场景下，使用嵌套文档的复杂度在于索引阶段对关联关系的组织拼装。

（4）Parent/child relationships（父子文档）

父子文档牺牲了一定的查询性能来换取索引性能，适用于一对多的关系处理。其通过两种type的文档来表示父子实体，父子文档的索引是独立的。父-子文档ID映射存储在 Doc Values 中。当映射完全在内存中时， Doc Values 提供对映射的快速处理能力，另一方面当映射非常大时，可以通过溢出到磁盘提供足够的扩展能力。

在查询parent-child替代方案时，发现了一种filter-terms的语法，要求某一字段里有关联实体的ID列表。基本的原理是在terms的时候，对于多项取值，如果在另外的index或者type里已知主键id的情况下，某一字段有这些值，可以直接嵌套查询。具体可参考官方文档的示例：通过用户里的粉丝关系，微博和用户的关系，来查询某个用户的粉丝发表的微博列表。

ps：父子文档相比嵌套文档较灵活，但只适用于“一对大量”且这个“一”不是海量的应用场景，该方式比较耗内存和CPU，这种方式查询比嵌套方式慢5~10倍，且需要使用特定的has_parent和has_child过滤器查询语法，查询结果不能同时返回父子文档（一次join查询只能返回一种类型的文档）。

而受限于父子文档必须在同一分片上，ES父子文档在滚动索引、多索引场景下对父子关系存储和联合查询支持得不好，而且子文档type删除比较麻烦（子文档删除必须提供父文档ID）。

如果业务端对查询性能要求很高的话，还是建议使用宽表化处理的方式，这样也可以比较好地应对聚合的需求。在索引阶段需要做join处理，查询阶段可能需要做去重处理，分页方式可能也得权衡考虑下。

6、小结

本篇文章基于rockybean《Elasticsearch从入门到实践》数据建模篇结合社区精彩问答进行了梳理和扩展，“站在巨人的肩上”，更能体会建模的重要性。

实际业务开发中，务必重视建模，前期在建模方面多下苦功夫、后期的业务系统开发才能水到渠成，更健壮、更有扩展性！

参考：

[1]、rockybean《Elasticsearch从入门到实践》
[2]、官网：http://t.cn/RFKTzBF

[3]、ES建模网站：http://t.cn/RFKT4ST

[4]、ES多表关联讨论：http://t.cn/RFKTixU

[5]、数据建模1：http://t.cn/RFKT9Ug

[6]、数据建模2：http://t.cn/zYmuFii

[7]、数据建模3：http://t.cn/RFKTRpm

推荐阅读：

加入知识星球，更短时间更快习得更多干货！