ES硬核笔记

所求为何
155 阅读11分钟

持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第14天，点击查看活动详情

硬核技能

1、倒排索引深入骨髓（课时：6）

  • 倒排索引的原理以及它是用来解决哪些问题（谈谈你对倒排索引的理解）

  • 倒排索引底层数据结构（倒排索引的数据结构）

  • 倒排表的压缩算法（底层算法）

  • Trie字典树（Prefix Trees）原理（类似题目：B-Trees/B+Trees/红黑树等）

  • FST原理（FST的构建过程以及FST在Lucene中的应用原理）

  • 索引文件的内部结构（.tip和.tim文件内部数据结构）

  • FST在Lucene的读写过程（Lucene源码实现）

2、Elasticsearch的写入原理（课时1）

3、读写性能调优（课时2）

写入性能调优：

  • 增加flush时间间隔，目的是减小数据写入磁盘的频率，减小磁盘IO

  • 增加refresh_interval的参数值，目的是减少segment文件的创建，减少segment的merge次数，merge是发生在jvm中的，有可能导致full GC，增加refresh会降低搜索的实时性。

  • 增加Buffer大小，本质也是减小refresh的时间间隔，因为导致segment文件创建的原因不仅有时间阈值，还有buffer空间大小，写满了也会创建。 默认最小值 48MB< 默认值 堆空间的10% < 默认最大无限制

  • 大批量的数据写入尽量控制在低检索请求的时间段，大批量的写入请求越集中越好。

    • 第一是减小读写之间的资源抢占，读写分离
    • 第二，当检索请求数量很少的时候，可以减少甚至完全删除副本分片，关闭segment的自动创建以达到高效利用内存的目的，因为副本的存在会导致主从之间频繁的进行数据同步，大大增加服务器的资源占用。

  • Lucene的数据的fsync是发生在OS cache的，要给OS cache预留足够的内从大小，详见JVM调优。

  • 通用最小化算法，能用更小的字段类型就用更小的，keyword类型比int更快，

  • ignore_above：字段保留的长度，越小越好

  • 调整_source字段，通过include和exclude过滤

  • store：开辟另一块存储空间，可以节省带宽

    *注意：_ *sourse ****** ： ****** 设置为false ****** ， ****** 则不存储元数据 ****** ， ****** 可以节省磁盘 ****** ， ****** 并且不影响搜索 ****** 。但是禁用_ ****** source必须三思而后行 ****** ：

    \1. update，update_by_query和reindex不可用。

    \2. 高亮失效

    \3. reindex失效，原本可以修改的mapping部分参数将无法修改，并且无法升级索引

    \4. 无法查看元数据和聚合搜索

    影响索引的容灾能力

  • 禁用all字段： all字段的包含所有字段分词后的Term，作用是可以在搜索时不指定特定字段，从所有字段中检索，ES 6.0之前需要手动关闭

  • 关闭Norms字段：计算评分用的，如果你确定当前字段将来不需要计算评分，设置false可以节省大量的磁盘空间，有助于提升性能。常见的比如filter和agg字段，都可以设为关闭。

  • 关闭index_options（谨慎使用，高端操作）：词设置用于在index time过程中哪些内容会被添加到倒排索引的文件中，例如TF，docCount、postion、offsets等，减少option的选项可以减少在创建索引时的CPU占用率，不过在实际场景中很难确定业务是否会用到这些信息，除非是在一开始就非常确定用不到，否则不建议删除

    搜索速度调优

  • 禁用swap

  • 使用filter代替query

  • 避免深度分页，避免单页数据过大，可以参考百度或者淘宝的做法。es提供两种解决方案scroll search和search after

  • 注意关于index type的使用

  • 避免使用稀疏数据

  • 避免单索引业务重耦合

  • 命名规范

  • 冷热分离的架构设计

  • fielddata：搜索时正排索引，doc_value为index time正排索引。

  • enabled：是否创建倒排索引

  • doc_values：正排索引，对于不需要聚合的字段，关闭正排索引可节省资源，提高查询速度

  • 开启自适应副本选择（ARS），6.1版本支持，7.0默认开启，

4、ES的节点类型（课时0.5）

  • master：候选节点
  • data：数据节点
  • data_content：数据内容节点
  • data_hot：热节点
  • data_warm：索引不再定期更新，但仍可查询
  • data_code：冷节点，只读索引
  • Ingest：预处理节点，作用类似于Logstash中的Filter
  • ml：机器学习节点
  • remote_cluster_client：候选客户端节点
  • transform：转换节点
  • voting_only：仅投票节点

5、Mater选举过程

  • 设计思路：所有分布式系统都需要解决数据的一致性问题，处理这类问题一般采取两种策略：

    • 避免数据不一致情况的发生

    • 定义数据不一致后的处理策略

  • 主从模式和无主模式

    • ES为什么使用主从模式？

      • 在相对稳定的对等网络中节，点的数量远小于单个节点可以维护的节点数，并且网络环境不必经常处理节点的加入和离开。

  • ES的选举算法

    • Bully和Paxos

  • 脑裂是什么以及如何避免

6、Elasticsearch调优

  • 通用法则

    • 通用最小化算法：对于搜索引擎级的大数据检索，每个bit尤为珍贵。
    • 业务分离：聚合和搜索分离

  • 数据结构 学员案例

  • 硬件优化

    es的默认配置是一个非常合理的默认配置，绝大多数情况下是不需要修改的，如果不理解某项配置的含义，没有经过验证就贸然修改默认配置，可能造成严重的后果。比如max_result_window这个设置，默认值是1W，这个设置是分页数据每页最大返回的数据量，冒然修改为较大值会导致OOM。ES没有银弹，不可能通过修改某个配置从而大幅提升ES的性能，通常出厂配置里大部分设置已经是最优配置，只有少数和具体的业务相关的设置，事先无法给出最好的默认配置，这些可能是需要我们手动去设置的。关于配置文件，如果你做不到彻底明白配置的含义，不要随意修改。

    jvm heap分配：7.6版本默认1GB，这个值太小，很容易导致OOM。Jvm heap大小不要超过物理内存的50%，最大也不要超过32GB（compressed oop），它可用于其内部缓存的内存就越多，但可供操作系统用于文件系统缓存的内存就越少，heap过大会导致GC时间过长

    • 节点：

      根据业务量不同，内存的需求也不同，一般生产建议不要少于16G。ES是比较依赖内存的，并且对内存的消耗也很大，内存对ES的重要性甚至是高于CPU的，所以即使是数据量不大的业务，为了保证服务的稳定性，在满足业务需求的前提下，我们仍需考虑留有不少于20%的冗余性能。一般来说，按照百万级、千万级、亿级数据的索引，我们为每个节点分配的内存为16G/32G/64G就足够了，太大的内存，性价比就不是那么高了。

    • 内存：

      根据业务量不同，内存的需求也不同，一般生产建议不要少于16G。ES是比较依赖内存的，并且对内存的消耗也很大，内存对ES的重要性甚至是高于CPU的，所以即使是数据量不大的业务，为了保证服务的稳定性，在满足业务需求的前提下，我们仍需考虑留有不少于20%的冗余性能。一般来说，按照百万级、千万级、亿级数据的索引，我们为每个节点分配的内存为16G/32G/64G就足够了，太大的内存，性价比就不是那么高了。

    • 磁盘：

      对于ES来说，磁盘可能是最重要的了，因为数据都是存储在磁盘上的，当然这里说的磁盘指的是磁盘的性能。磁盘性能往往是硬件性能的瓶颈，木桶效应中的最短板。ES应用可能要面临不间断的大量的数据读取和写入。生产环境可以考虑把节点冷热分离，“热节点”使用SSD做存储，可以大幅提高系统性能；冷数据存储在机械硬盘中，降低成本。另外，关于磁盘阵列，可以使用raid 0。

    • CPU：

      CPU对计算机而言可谓是最重要的硬件，但对于ES来说，可能不是他最依赖的配置，因为提升CPU配置可能不会像提升磁盘或者内存配置带来的性能收益更直接、显著。当然也不是说CPU的性能就不重要，只不过是说，在硬件成本预算一定的前提下，应该把更多的预算花在磁盘以及内存上面。通常来说单节点cpu 4核起步，不同角色的节点对CPU的要求也不同。服务器的CPU不需要太高的单核性能，更多的核心数和线程数意味着更高的并发处理能力。现在PC的配置8核都已经普及了，更不用说服务器了。

    • 网络：

      ES是天生自带分布式属性的，并且ES的分布式系统是基于对等网络的，节点与节点之间的通信十分的频繁，延迟对于ES的用户体验是致命的，所以对于ES来说，低延迟的网络是非常有必要的。因此，使用扩地域的多个数据中心的方案是非常不可取的，ES可以容忍集群夸多个机房，可以有多个内网环境，支持跨AZ部署，但是不能接受多个机房跨地域构建集群，一旦发生了网络故障，集群可能直接GG，即使能够保证服务正常运行，维护这样（跨地域单个集群）的集群带来的额外成本可能远小于它带来的额外收益。

    • 集群规划：没有最好的配置，只有最合适的配置。

    • 在集群搭建之前，首先你要搞清楚，你ES cluster的使用目的是什么？主要应用于哪些场景，比如是用来存储事务日志，或者是站内搜索，或者是用于数据的聚合分析。针对不同的应用场景，应该指定不同的优化方案。

    • 集群需要多少种配置（内存型/IO型/运算型），每种配置需要多少数量，通常需要和产品运营和运维测试商定，是业务量和服务器的承载能力而定，并留有一定的余量。

    • 一个合理的ES集群配置应不少于5台服务器，避免脑裂时无法选举出新的Master节点的情况，另外可能还需要一些其他的单独的节点，比如ELK系统中的Kibana、Logstash等。

  • 架构优化:

    • 合理的分配角色和每个节点的配置，在部署集群的时候，应该根据多方面的情况去评估集群需要多大规模去支撑业务。这个是需要根据在你当前的硬件环境下测试数据的写入和搜索性能，然后根据你目前的业务参数来动态评估的，比如：

      • 业务数据的总量、每天的增量
      • 查询的并发以及QPS
      • 峰值的请求量

    • 节点并非越多越好，会增加主节点的压力

    • 分片并非越多越好，从deep pageing 的角度来说，分片越多，JVM开销越大，负载均衡（协调）节点的转发压力也越大，查询速度也越慢。单个分片也并非越大越好，一般来说单个分片大小控制在30-50GB。

  • Mpping优化：

    • 优化字段的类型，关闭对业务无用的字段

    • 尽量不要使用dynamic mapping分片大小

  • Developer调优：修炼内功，提升修养

7、索引备份还原

snapshot，

8、数据同步方案

  • 数据一致性问题

  • 基于Canal+binlog同步MySql

  • 基于packetbeat监听9200端口

9、搜索引擎和ES（搜索引擎的原理、ES的认识或理解）（课时1）

  • 概念：大数据检索（区分搜索）、大数据分析、大数据存储

  • 性能：PB级数据秒查（NRT Near Real Time）

    • 高效的压缩算法
    • 快速的编码和解码算法
    • 合理的数据结构
    • 通用最小化算法

  • 场景：搜索引擎、垂直搜索、BI、GIthub、ELKB

avatar
文章
阅读
粉丝