码迷,mamicode.com
首页 > 其他好文 > 详细

Elasticsearch知识整理

时间:2017-11-06 11:27:48      阅读:205      评论:0      收藏:0      [点我收藏+]

标签:length   列存储   次数   库文件   str   oop   conf   分词   负载   

1es介绍

         Elasticsearch是一个基于Lucene的实时的分布式搜索和分析引擎。设计用于云计算中,
         能够达到实时搜索,稳定,可靠,快速,安装使用方便。基于RESTful接口。
         普通请求是...get?a=1
         rest请求....get/a/1

2:全文搜索的工具有哪些

         Lucene Solr Elasticsearch        

3esbulk的引用场景

1.bulk API可以帮助我们同时执行多个请求
2.create index的区别
如果数据存在,使用create操作失败,会提示文档已经存在,使用index则可以成功执行。
3.可以使用文件操作
使用文件的方式
vi requests
curl  -XPOST/PUT localhost:9200/_bulk --data-binary @request;
bulk请求可以在URL中声明/_index 或者/_index/_type
4.bulk一次最大处理多少数据量
  • bulk会把将要处理的数据载入内存中,所以数据量是有限制的
  • 最佳的数据量不是一个确定的数值,它取决于你的硬件,你的文档大小以及复杂性,你的索引以及搜索的负载
  • 一般建议是1000-5000个文档,如果你的文档很大,可以适当减少队列,大小建议是5-15MB,默认不能超过100M,
  • 可以在es的配置文件中修改这个值http.max_content_length: 100mb
5.版本控制的一个问题
  • 在读数据与写数据之间如果有其他线程进行写操作,就会出问题,es使用版本控制才避免这种问题。
  • 在修改数据的时候指定版本号,操作一次版本号加1。

6.es的两个web访问工具
  • BigDesk Plugin (作者 Luká? Vl?ek)           简介:监控es状态的插件,推荐!主要提供的是节点的实时状态监控,包括jvm的情况,linux的情况,elasticsearch的情况
  • Elasticsearch Head Plugin (作者 Ben Birch)  简介:很方便对es进行各种操作的客户端。        
        

4:核心概念

集群 cluster***
代表一个集群,集群中有多个节点,其中有一个为主节点,这个主节点是可以通过选举产生的,主从节点是对于集群内部来说的。
        es的一个概念就是去中心化,字面上理解就是无中心节点,这是对于集群外部来说的,因为从外部来看es集群,在逻辑上是个整体,
你与任何一个节点的通信和与整个es集群通信是等价的。
       主节点的职责是负责管理集群状态,包括管理分片的状态和副本的状态,以及节点的发现和删除。
       只需要在同一个网段之内启动多个es节点,就可以自动组成一个集群。
        默认情况下es会自动发现同一网段内的节点,自动组成集群。
分片 shards*
       代表索引分片,es可以把一个完整的索引分成多个分片,这样的好处是可以把一个大的索引拆分成多个,分布到不同的节点上。构成分布式搜索。分片的数量只能在索引创建前指定,并且索引创建后不能更改。
        可以在创建索引库的时候指定
          curl -XPUT ‘localhost:9200/test1/‘ -d‘{"settings":{"number_of_shards":3}}‘
         默认是一个索引库有5个分片
         index.number_of_shards: 5
副本   replicas*
         代表索引副本,es可以给索引设置副本,副本的作用一是提高系统的容错性,当某个节点某个分片损坏或丢失时可以从副本中恢复。
          二是提高es的查询效率,es会自动对搜索请求进行负载均衡。
          可以在创建索引库的时候指定,副本数后期可以更改。
          curl -XPUT ‘localhost:9200/test2/‘ -d‘{"settings":{"number_of_replicas":2}}‘
           默认是一个分片有1个副本
           index.number_of_replicas: 1
 
数据重新分布 recovery *
代表数据恢复或叫数据重新分布,es在有节点加入或退出时会根据机器的负载对索引分片进行重新分配,挂掉的节点重新启动时也会进行数据恢复。

数据的持久化操作 gateway*
代表es索引的持久化存储方式,es默认是先把索引存放到内存中,当内存满了时再持久化到硬盘。
当这个es集群关闭再重新启动时就会从gateway中读取索引数据。es支持多 种类型的gateway,有本地文件系统(默认),分布式文件系统,Hadoop的HDFS和amazon的s3云存储服务。

自动发现机制 discovery.zen*
代表es的自动发现节点机制,es是一个基于p2p的系统,它先通过广播寻找存在的节点,再通过多播协议来进行节点之间的通信,同时也支持点对点的交互。

集群或节点与客户端交互的方式 Transport*
代表es内部节点或集群与客户端的交互方式,默认内部是使用tcp协议进行交互,同时它支持http协议(json格式)、thrift、servlet、memcached、zeroMQ等的传输协议(通过插件方式集成)。
         index         和rdbms中的数据库相似
         type          表
         document         行
         field           列

5serachType

四种搜索类型,详细介绍                                         
分布式搜索的流程
  1. 先把查询请求发送给集群的某一个节点
  2. 某个节点把最终的结果返回给客户端
QUERY_AND_FETCH
1:客户端把请求发送给集群中的某一个节点,这个节点会把查询请求发 送给所有分片去执行,
2:每个分片会把查询的数据(包含数据的分值,以及数据的详细内容)返回给某一个节点进行汇总,排序,然后把这些数据返回给客户端
这样客户端可能会收到(10*分片数量) 的数据
这种方案,数据量和排名都有问题。
优点:效率高,查询速度快                                    

QUERY_THEN_FETCH(默认)
1:客户端把请求发送给集群中的某一个节点,这个节点会把查询请求发送给所有分片去执行,
2:每个分片会把查询的数据(包含数据的分值,以及数据ID)返回给某一个 节点进行汇总,排序,取前10名
3:根据前10名的id到对应的分片查询数据的详细内容,返回给客户端
这种方案,解决了数据量的问题。
但是排名还有有问题。

(DFS:初始化散发过程)
DFS_QUERY_AND_FETCH
1:在查询之前,会把所有分片的词频和文档频率(打分依据)汇总到一块
2:客户端把请求发送给集群中的某一个节点,这个节点会把查询请求发送给所有分片去执行,
3:每个分片会把查询的数据(包含数据的分值,以及数据的详细内容)返回 给某一个节点进行汇总,排序,然后把这些数据返回给客户端
解决了排名的问题
还存在数据量的问题                                

DFS_QUERY_THEN_FETCH
1:在查询之前,会把所有分片的词频和文档频率(打分依据)汇总到一块
2:客户端把请求发送给集群中的某一个节点,这个节点会把查询请求发送给所有分片去执行,
3:每个分片会把查询的数据(包含数据的分值,以及数据ID)返回给某一个节点进行汇总,排序,取前10名
4:根据前10名的id到对应的分片查询数据的详细内容,返回给客户端
既解决了排名问题,也解决了数据量的问题
但是性能最低
总结一下,从性能考虑QUERY_AND_FETCH是最快的,DFS_QUERY_THEN_FETCH是最慢的。从搜索的准确度来说,DFS要比非DFS的准确度更高。

高亮        补:高亮的注意事项:
高亮的内容和原始内容是分开返回的
高亮字段的内容必须在es中存储(是否存储这个属性的值必须是true)
分组:分组统计数量或者分组统计分数
删除索引库:两种方式xurl或者java api
Timeout  :


6:建立索引和查询的流程

建立索引的流程
首先根据空白符进行分割再切分关键词,去除停用词,如果有英文全部转换为小写,对切分的关键词建立索引,每个关键词都有对应的id,还有一个倒排索引队列存储该关键词出现在文档的id,在该文档出现的次数,在该文档出现的位置
查询的流程:
首先根据空白符进行分割,再切分关键词,去除停用词,如果有英文全部转换为小写,将切分后的到的关键词和索引库进行匹配
中文分词器-IK
es官方提供的分词插件对中文分词效果不是很好,可以集成ik分词,对中文分词效果比较好
如果想根据自己的规则进行分词,可以自定义分词库,自定义分词库文件必须以.dic结尾,词库文件的编码为utf—8 without bom,一个词语一行,将自定义的文件库加入到ES_HOME/config/ik/ 目录下,修改ik的配置文件,重启生效    

7:为什么使用索引工具查询快

(使用了倒排索引的技术,大致介绍一下倒排索引,还有索引库中的词都是按照顺序排列 ,
后期根据一个关键词查询的时候,可以利用类似折半查找的算法,查询效率非常高)
使用了倒排索引的技术,一般我们都是这样定义id  关键词,倒排索引是关键词  id正好相反,使用索引工具进行查询时,首先得到关键词,建立倒排索引表,关键词----索引列表包含该关键词所在的文档的id、在该文档中出现的次数、在该文档中出现的位置信息,这种由属性值确定记录的位置的方式成为倒排索引。还有 索引库中的词都是按照顺序排列 ,后期根据一个关键词查询的时候,
 

可以利用类似折半查找的算法,查询效率非常高
 

8.setting mapping 作用

settings修改索引库默认配置
 
例如:分片数量,副本数量
查看:curl -XGET http://localhost:9200/crxy/_settings?pretty
(操作不存在索引)
curl -XPUT ‘localhost:9200/crxy/‘ -d‘{"settings":"number_of_shards":3,"number_of_replicas":2}}‘
(操作已存在索引)
curl -XPUT ‘localhost:9200/crxy/_settings‘ -d‘{"index":{"number_of_replicas":2}}‘
Mapping,动态mapping机制:这个机制会自定识别参数值的类型,自动给这个参数设置属性
好处:操作方便,不需要提前考虑这个字段是否在es中定义过。
弊端:针对一个未知的数据,本来不应该存储的,这样也会存储了,对数据基本没有什么可控性
在实际开发中,如果数据类型已知,建议还是关闭自动mapping。
如果数据类型未知,只能使用自定mapping机制
 

9:分片查询方式:

es中默认的分片查询方式为随机从分片中取数据,其他的分片查询方式还有如:
  • _local:查询操作首先在本地查找,如果本地没有再到其他节点进行查找
  • _primary:只在主分片中查询
  • _shads:按照指定的分片进行查询,这种查询方式实现了es的极速查询
(在存储数据的时候通过rooting参数可以指定将数据分配到某一个分片中,rooting参数值相同的分配到一个分片中,后期查询时可以根据rooting参数值指定到哪个分片中查找,从而实现了极速查询)
修改源码自定义从多个节点进行查询等    

10es集群的脑裂问题

                   es集群有可能会出现脑裂问题,原因主要有两个:
                   1)如果集群中节点不在同一个网段有可能是网络延迟造成的
                   2)如果集群中的节点在同一个网段,有可能是主节点负载太大造成的
                   解决方案主要有两种:
                   1)  把主从节点的职责分离,设置三个储备主节点,        node.master=true,node.data=false
                            从节点只存储数据,node.master=false,node.data=true
                   2)增加延迟时间
                   将储备主节点数最小设为n/2+1个              

11:优化

  1. 适当调大系统打开的最大打开文件数,默认为1024
  2. 修改配置文件调整es的jvm内存的大小,根据服务器内存的大小,一般分配60%左右,默认是256M
  3. 分片的数量最好设置为5-20个(es中一个分片最多存20G的数据,分片数在创建索引库时就指定,而且创建后不能修改,分片数最少设置为:数据量/20G个, 如果所有分片都存满数据,需要再重新建立索引库)分片设置的过多过少都会导致检索比较慢,分片数过多会导致检索时打开比较多的文件,
  4. 也会导致多台服务器之间的通信;分片数过少会导致单个分片索引过大,所以检索速度慢。
  5. 副本数多可以提升搜索能力,但是如果设置的副本数过多也会对服务器造成额外的压力,因为需要同步数据,所以设置2-3个即可
  6. 定时对索引进行优化,合并索引片段,一个索引片段的最好不要超过1G,将多个索引片段合并成一个大的索引片段时,不要太大,太大打开会很慢。
  7. 删除一条数据时不会立即删除,而是产生一个.del的文件,在检索过程中这部分数据也会参与检索,在检索过程中会判断是否删除了,如果删除了再过滤掉,这样会降低检索效率,可以定时执行curl命令进行删除或通过程序代码进行删除。
  8. 如果项目开始的时候需要批量入库大量数据,建议将副本数设为0,因为副本存在,数据要同步到副本,增加es的压力,索引完成后再将副本数修改过来,这样可以提高索引效率。
  9. 去掉mapping中的_all域,这个虽然会给查询带来方便,但是会增加索引时间和所以尺寸
  10. Log输出的水平默认为trace,查询超过500ms即为慢查询,就要打日志,造成cpu,内存,io负载很高,把log水平调为info或是修改配置将查询超时时间调的长一些。 

12:典型的应用场景

es+hbase
利用两个框架的优点实现快速复杂查询和海量数据存储
Es+hbase:利用这两个框架的优点实现快速复杂查询和海量数据存储。
Es通过建立索引实现快速查询,它也可以存储但是不适合海量数据的存储,只存储需要那些需要从索引库中直接返回给客户的内容
Hbase适合海量数据存储,按rowkey查询可以实现快速查询,但是按列查询效率不高,所以结合es实现按字段快速查询
例如:针对海量的文章数据进行存储和快速复杂查询服务就可以通过es+hbase
比如文章数据有:(如果是面试题,需要问清楚需求,需要根据哪些字段进行查询,哪些内容直接从索引库中直接返回给客户,再进行下面的设置)
Es的设计:
  • Id:es内置,既建立索引也存储
  • Title:既建立索引也存储
  • Author:不建立索引,存储
  • Describe:既建立索引也存储
  • Content:建立索引不存储
  • Hbase的设计:
  • Rowkey的设计:文章的id
  • 一个列族:info
  • 列限定符:title,author,describe,content

13.客户端请求过程

文档能够通过主要分片(Primary Shard)或者任意一个副本分片(Replica Shard)获取。
每个步骤解释如下:
    1. 客户端(Client)发送一个请求到节点1。
    2. 该节点利用文档的_id字段来判断该文档属于分片0。分片0的分片拷贝(主要分片或者是副本分片)存在于所有的3个节点上。这一次,它将请求转发到了节点2。
    3. 节点2将文档返回给节点1,节点1随即将文档返回给客户端。  对于读请求(Read Request),
    4. 请求节点(Requesting Node)每次都会选择一个不同的分片拷贝来实现负载均衡 -循环使用所有的分片拷贝。
    5.  可能存在这种情况,当一份文档正在被索引时,该文档在主要分片已经就绪了,但是还未被拷贝到其他副本分片上。
    6.  此时副本分片或许报告文档不存在(译注:此时有读请求来获取该文档),然而主要分片能够成功返回需要的文档 。
    7. 一旦索引请求返回给用户的响应是成功,那么文档在主要分片以及所有副本分片上都是可用的。

Elasticsearch知识整理

标签:length   列存储   次数   库文件   str   oop   conf   分词   负载   

原文地址:http://www.cnblogs.com/yyjie/p/7791488.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!