ELK跳不过的ES，图解助你掌握内部模型及数据结构
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
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。
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。
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。
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。
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。
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。
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
作者：芋道源码
来源：芋道源码订阅号（ID：YunaiV）
dbaplus社群欢迎广大技术人员投稿，投稿邮箱：editor@dbaplus.cn
近期热文