ES搜索引擎

ES=elaticsearch简写， Elasticsearch是一个开源的高扩展的分布式全文检索引擎，它可以近乎实时的存储、检索数据；本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。
Elasticsearch也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。

ES主要解决问题

1）检索相关数据；
2）返回统计结果；
3）速度要快。

ES的分布式架构原理

ElasticSearch设计的理念就是分布式搜索引擎，实质上实际上还是基于lucene。

es中存储数据的基本单位是索引，某些说你现在要在es中存储一些订单数据，你就应该在es中创建一个索引order_idx，所有的订单数据就都写到这个索引里面去，一个索引差不多就是相当于是mysql里的一张表。

一个index里可能就一个类型，但是确实如果说是一个index里有多个type的情况（注意，mapping types这个概念在ElasticSearch 7.X已被完全删除，详细说明可以参考官方文档），您可以认为index是一个类别的表，具体的每个类型代表mysql中的一个表。每个type有一个映射，如果您认为一个type是具体的一个表，index就代表多个type同属于的一个类型，而映射就是这个类型的表结构定义，你在mysql中创建一个表，肯定是要定义表结构的，里面有什么区别，每个分开是什么类型。实际上你往索引里的一个类型里面写的一条数据，叫做一条文档，一条文档就代表了mysql中某个表里的一行，每个文档有多个字段，每个字段就代表了这个文档中。
1)创建一个索引index,这个索引可以被分割成多个shard，每个shard存储部分数据。分割多个shard的好处在于,支持横向扩展,每个shard存储一部分数据,当数据增加的时候可以重新创建一个切割成多个的shard满足这个数据增加的情况。另外提高性能,数据分布在多个shard上，即多台服务器上，所有的操作都会在多台服务器上并行执行，提高防爆和性能。

2）这个shard的数据实际上是有多个备份,每个shard都有一个primary shard，负责写入数据，还有几个replica shard。primary shard写入数据之后，就会将数据同步到其他的replica shard上去。

3）ES中有多个节点,会自动选举一个例程为master节点，这个master例程实际上就是干一些管理的工作，从而维护元数据，也可以成为协调节点。

4）如果非master节点宕机后,那么会由master节点中断,如果宕机的那个节点是primary shard，master节点会自动将其他的replica节点转换为primary节点继续工作。

ES写数据过程

1）客户端选择一个es节点将数据发送过去,这个节点的数据就是coordinating node(协调节点)

2）协调节点通过对数据进行Hash算法,并对文档数据进行路由,将请求转发给对应的节点(具有primary shard)。

3）实际的节点上有一个primary shard处理请求,然后将数据同步到replica节点上,协调节点发现primary node和replica node都搞定之后,就返回响应结果给客户端。

4）实际的节点上有一个primary shard处理请求时,会将数据写入到内存buffer中,在缓存中的数据是搜索不到的；在这里也可以将数据写入到translog中，也可不写入。每个一秒将数据refresh到os cache中，数据refresh中,这个数据就可以被搜索到了。(所以es是准实时的,因为写入的数据1秒之后才可以看到，也可以通过es的restful api或者java api，手动执行一次refresh操作，就是手动将buffer中的数据刷入os cache中，让数据立马就可以被搜索到。只要数据被输入os cache中，buffer就会被清空了，因为不需要保留buffer了，数据在translog里面已经持久化到磁盘去一份了，在此同时也可以将数据写入到translog中。translog日志文件的作用是什么？您执行提交操作之前，数据或是停留在buffer中，或者是停留在os cache中，无论是buffer还是os cache都是内存，一旦这台机器死了，内存中的数据就全丢了。所以需要将数据对应的操作写入一个专门的日志文件translog中，立即此时机器停机机，再次重启的时候，es会自动读取日志文件中的数据，恢复到内存缓冲区和os cache中去。)

5）translog其实也是先写os cache的，**至少每隔5秒刷一次到磁盘中去，所以每次情况下，可能有5秒的数据会仅停留在buffer或translog文件的os cache中，如果此时机器挂了，会丢失 5秒钟的数据。但是这样性能比较好，最多丢5秒的数据。**也可以将translog设置成每次写入操作必须是直接fsync到磁盘，但是性能会差很多。

ES读数据过程

1）可以通过doc id来查询，会根据doc id进行hash，判断出来当时把doc id分配到了其中shard上面去，从那个shard去查询。

2）客户端发送请求到coordinate node(协调节点)，协调节点对doc id进行哈希路由,将请求转发到对应的节点，此时会使用round-robin 随机迭代算法，在orimary shard以及所有副本中随机选择一个。

3）接收请求的节点返回文档给coordinate code(协调节点),协调节点返回数据给客户端。

删除/更新数据灵活原理

如果是删除操作，commit的时候会生成一个.del文件，里面将某个doc标识为deleted状态，那么搜索的时候根据.del文件就知道这个doc是否被删除了。

如果是更新操作，就是将原来的doc标识为deleted状态，然后新写入一条数据。

缓冲每刷新一次，就会产生一个segment file，所以交替情况下是1秒钟一个segment file，这样下来segment file会越来越多，此时会定期执行merge。每次merge的时候，交替多个segment file合并成一个，同时在此处插入标识为deleted的doc给物理删除掉，然后将新的segment file写入磁盘，这里会写一个commit point，标识所有新的segment file，然后打开segment file供搜索使用，同时删除旧的segment file。

倒排索引

在搜索引擎中，每个文档都有一个对应的文档ID，文档内容被表示为一系列关键字的集合。例如，文档1经过分词，提取了20个关键字，每个关键字都会记录它在文档中出现的次数和出现位置。

然后，倒排索引就是关键字到文档 ID的映射，每个关键字都对应着一段的文件，这些文件中都出现了关键字。

倒排索引的两个重要细节：

• 倒排索引中的所有词项对应一个或多个文档；
• 倒排索引中的词项根据字典顺序升序排列

ES在数据量很大的情况下（数十亿等级）如何提高查询效率

es的搜索引擎严重依赖于不断的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内存的，性能会非常高。

归根结底，你要让es性能要好，最佳的情况下，就是你的机器的内存，至少可以容纳你的总数据量的一半。

es + hbase
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或范围进行查询的这么一个操作就可以了。根据名称和age去搜索，拿到的结果可能就20个doc id，然后根据doc id到hbase里去查询每个对应doc id的完整的数据，给对应来，再返回给前端。

数据预热

举个例子，拿微博来说，你可以把一些大V，平时看的人很多的数据，你自己预先后台搞个系统，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。

或者是电商，你可以将平时查看最多的一些商品，例如说iphone 8，热数据提前后台搞个程序，每隔1分钟自己主动访问一次，刷到filesystem cache里去。

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磁盘，就是**对热数据每隔交替，就提前访问一下，让数据进入filesystem cache里面去。**这样一次别人访问的时候，性能一定会好很多。