Elasticsearch解决问题之道——请亮出你的DSL！

0、引言

在业务开发中，我们往往会陷入开发的细枝末节之中，而忽略了事物的本源。

经常有同学问到：

• 1, 业务代码实现结果和kibana验证不一致。
  比如：我的python或者java程序检索结果怎么和kibana里面不一致？
• 2, 我的某个关键词明明匹配，但怎么检索不到？
  比如：星球群讨论的“三星”ik_max_word + match_phrase匹配问题。
• 3, 熟悉sql，但转dsl就不会写了。
  比如：做聚合搜索的话，select * from user where usrid >5  group by userid having count(userid) >3  这个功能能在一个dsl实现吗 ？
• 4, 查询慢，但不知道什么原因导致的。
  比如：elasticsearch有8亿数据查询慢是怎么回事，有什么办法优化。

等等等等…..

以上的看似复杂的问题，如果转换成DSL，清楚的写出来，梳理清楚问题的来龙去脉，问题就自然解决了一大半。

所以，请亮出你的dsl,不论什么语言的检索，转换到es查询都是sql查询，在es中对应dsl语法，es再拆解比如：分词match_phrase拆解成各term组合，最终传给lucene处理。

亮出你的dsl,确保编程里的实现和你的kibana或者head插件一致是非常重要、很容易被忽视的工作。

如果对dsl拆解不理解，那就再加上profile:true或者explain:true拆解结果一目了然。

1、啥是Elasticsearch DSL？

维基百科定义：领域特定语言（英语：domain-specific language、DSL）指的是专注于某个应用程序领域的计算机语言。又译作领域专用语言。

Elasticsearch提供基于JSON的完整查询DSL来定义查询。 将Query DSL视为查询的AST（抽象语法树），由两种类型的子句组成：

1、叶子查询子句

叶查询子句查找特定字段中的特定值，例如匹配，术语或范围查询。 这些查询可以单独使用。

2、复合查询子句

复合查询子句可以组合其他叶子或复合查询，用于以逻辑方式组合多个查询（例如bool或dis_max查询），或更改其行为（例如constant_score查询）。

给个例子，一看就明白。

1GET "localhost:9200/_search
2{
3  "query": { 
4    "bool": { 
5      "must": [
6        { "match": { "title":   "Search"        }}, 
7        { "match": { "content": "Elasticsearch" }}  
8      ],
9      "filter": [ 
10        { "term":  { "status": "published" }}, 
11        { "range": { "publish_date": { "gte": "2015-01-01" }}} 
12      ]
13    }
14  }
15}
16

看到这里，可能会有人着急了：“我X，这不是官网定义吗？再写一遍有意思吗？”

引用一句鸡汤话，“再显而易见的道理，在中国，至少有一亿人不知道”。同样的，再显而易见的问题，在Elasticsearch技术社区也会有N多人提问。

基础认知不怕重复，可怕的是对基础的专研、打磨、夯实。

2、DSL的全局认知

Elasticsearch相关的核心操作，广义上可做如下解读，不一定涵盖全，仅抛砖引玉，说明DSL的重要性。

从大到小。

2.1 维度1：集群的管理。

集群的管理，一般我们会使用Kibana或者第三方工具Head插件、cerebro工具、elastic-hq工具。

基本上硬件的（磁盘、cpu、内存）使用率、集群的健康状态都能一目了然。

但基础的DSL会更便捷，便于细粒度分析问题。
如：集群状态查询：

1GET /_cluster/stats?human&pretty

如：节点热点线程查看：

1GET /_nodes/hot_threads

如：集群分片分配情况查看：

1GET /_cluster/allocation/explain

2.2 维度2：索引的生命周期管理。

索引生命周期是一直强调的概念，主要指索引的“生、老、病、死”的全过程链条的管理。

2.2.1、生：创建索引。

创建索引我们优先使用较单纯index更灵活的template模板。

创建索引类似Mysql的创建表的操作，提前设计好表结构对应ES是提前设计好Mapping非常重要。

两个维度：

• 1、血淋淋的教训：业务上精炼再精炼，一个索引搞定的绝不多表关联。
• 2、提前设计好字段及扩展字段，即便ES支持动态添加字段。
• 3、不使用动态映射，所有字段自己定义，节省存储空间。
  举例：

1PUT _template/template_1
2{
3  "index_patterns": ["te*", "bar*"],
4  "settings": {
5    "number_of_shards": 1
6  },
7  "mappings": {
8    "_doc": {
9      "_source": {
10        "enabled": false
11      },
12      "properties": {
13        "host_name": {
14          "type": "keyword"
15        }
16      }
17    }
18  }
19}
20'
21

2.2.2、老：滚动索引、关闭索引或者冻结索引。

举例：

1POST /my_index/_freeze
2POST /my_index/_unfreeze

2.2.3、病：索引出了问题。

如：索引清理缓存。

1POST /twitter/_cache/clear

如：某原因导致分片重新分配，_recovery查看分片分配状态。

1GET index1,index2/_recovery?human

2.2.4、死：删除索引。

1DELETE my_index

高版本的索引生命周期管理推荐使用：ILM功能。

2.3 维度3：数据的增删改查。

这个是大家再熟悉不过的了。

2.3.1 增

单条导入数据、批量bulk写入数据、第三方同步数据（本质也是批量）。
举例：

1POST _bulk
2{ "index" : { "_index" : "test", "_id" : "1" } }
3{ "field1" : "value1" }

2.3.2 删

删除数据包括：指定id删除 delete和批量删除delete_by_query（满足给定条件）。

2.3.3 改

更新操作。包括：指定id的update/upsert或者批量更新update_by_query。

2.3.4 查

这是ES的重头戏。包含但不限于：

1、支持精确匹配查询的：term、range、exists、wildcard、prefix、fuzzy等。

2、支持全文检索的：match、match_phrase、query_string、multi_match等

2.4 维度4：数据统计分析

1、Bucketing分桶聚合
举例：最常用的terms就类似Mysql group by功能。

2、Metric计算聚合
举例：类比Mysql中的： MIN(), MAX(), SUM() 操作。

3、Pipeline针对聚合结果聚合
举例：bucket_script实现类似Mysql的group by 后having的操作。

2.5  更多其他维度

留给大家结合业务场景思考添加。

3、实践干货

讲了那么多，实践中遇到问题咋办？
这里把开头提到的几个问题逐一解答一下。

3.1,业务代码实现结果和kibana验证不一致。

实际Mysql业务中，我们一般是先验证sql没有问题，再写业务代码。

实际ES业务中，也一样，先DSL确认没有问题，再写业务代码。

写完java或者python后，打印DSL，核对是否完全一致。

不一致的地方基本就是结果和预期不一致的原因所在。

3.2,我的某个关键词明明匹配，但怎么检索不到？

第一步：借助analyzer API分析查询语句和待查询document分词结果。

1GET my_index/_analyze 
2{
3  "field": "text",
4  "text": "华为鸿蒙系统发布-可随时替代安卓",
5  "analyzer":"ik_smart"
6}

这个API的重要性，再怎么强调都不为过。

第二步：可以借助profile:true查看细节。第三步：核对match_phrase词序的原理。

3.3,熟悉sql，但转dsl就不会写了。

6.3版本后已经支持sql，如果不会写，可以借助translate 如下API翻译一下。

不够精确，但足够参考用了，需要根据业务细节微调。

当然，还是建议，从业务出发，自己写DSL。

3.4,查询慢，但不知道什么原因导致的。

从大往小，逐步细化排解

• 思路1：索引层面。
  8亿条分散到多个索引、多个副本当中，还是一个索引？
• 思路2：Mapping映射设计层面。
  举例，设计高效检索Number类型建议改成keyword。
  详细参考携程架构师的文章：number?keyword?傻傻分不清楚
• 思路3：检索DSL优化层面
  注意：能使用filter过滤检索的就不要使用query，原理参考我之前梳理的文章：
  吃透 | Elasticsearch filter和query的不同 
• 思路4：返回字段层面
  有没有检索的使用_source:""  限定返回的字段，
  如果没有，会全字段返回，数据量大的话，也会慢。
• 思路5：DSL 调试
  调试方法：DSL执行语句中加上profile:true .
  或者借助：xpack可视化插件排查。
  这样，会打印出对应查询的细节花费时间，让你明明白白知道那里慢了。
• 思路6：日志查询
  查询的时候，查询ES日志，看看有没有大量的gc。
  看看有没有错误日志，错误日志的处理就是优化的方向。
• 思路7：借助cerebro或者xpack mointer监视集群状态
  看一看，集群堆内存、cpu、负载的使用情况。
• 思路8：外部思维
  想一想，查询的时候，有没有并行的写入操作？
  那么查询的时候慢，是不是写入压力大队集群造成的影响。
• 思路9：排除网络慢的原因
  内网查询还是外网映射查询，返回时间也不一样。
• 思路10：其他问题
  结合业务场景进行分析，自己的业务代码逻辑的问题。
  一定要转成DSL进行最小化定位。

4、小结

• 实际业务中的问题远比上面复杂。但开发的过程中，很多时候，走的太久忘记了出发的目的是什么。
• 本文仅起到抛砖引玉作用，更多复杂DSL、脚本、自定义评分等DSL没有涉及，不过原理一致。
• 所以，遇到问题，切莫乱求医。亮出你的DSL，追根溯源、条分缕析逐步细化，问题会迎刃而解。
  一起加油，共勉！

推荐阅读：

更短时间更快习得更多干货！