文档（Document）

• elasticsearch 是面向文档的，文档是所有可搜索数据的最小单位
• 文档会被序列化为 JSON 的格式，保存在 elasticsearch 中
  • JSON 对象由字段组成
  • 每个字段有对应的字段类型（字符串、数值、布尔、日期、二进制、范围类型）
• 每个文档都有一个 Unique ID
  • 可以自动生成/自己指定

JSON 文档

• 一篇文档包含了一系列字段。类似于数据库表中一条数据
• JSON 格式灵活，不需要预先定义格式
  • 字段类型可以指定或者由 elasticsearch 自动推算
  • 支持数组/嵌套
• CSV file 经过 logstash 转换，就会以 JSON 文件的格式打入 elasticsearch

文档元数据

• 用来标注文档的相关信息
  • _index - 文档所属的索引名
  • _type - 文档所属的类型名-默认为 “_doc”
  • _id - 文档唯一 ID
  • _source - 文档的原始 JSON 数据
  • _version - 文档的版本信息
  • _score - 相关性打分

索引（index）

• Index - 索引是文档的容器，是一类问文档的结合

  • Index 体现了逻辑空间的概念：每个索引都有自己的 Mapping 定义，用于定义包含文档的字段名和字段类型
  • Shard 体现了物理空间的概念：索引中的数据被分散在 Shard 上

• 索引的 Mapping 与 Setting

  • Mapping 定义文档字段的类型
  • Setting 定义不同的数据分布

• 名词：一个 elasticsearch 集群中，可以创建很多个不同的索引

• 动词：保存一个文档到 elasticsearch 中的过程也叫索引（indexing）

倒排索引

• 单词列表（Term Dictionary）- 记录所有文档的单词，记录单词到倒排列表的关联关系
  • 一般较大，通过 B+ 树/哈希拉链法 实现，以满足高性能的插入与查询
• 倒排列表（Posting List）- 记录了单词对应的文档集合，由倒排索引项组成
  • 倒排索引项
    • 文档 ID
    • 词频 TF - 该单词在文档中出现的次数，用于相关性评分
    • 位置（Position）- 单词在文档中分词的位置。用于语句搜索（phrase query）
    • 偏移（offset）- 记录单词的开始结束位置，实现高亮显示
• elasticsearch 会对 JSON 中每一个字段都建立索引，但也可以指定字段不进行建立

相关概念类比

分布式特性

集群（Cluster）

• elasticsearch 分布式架构的好处

  • 存储的水平扩容
  • 提高系统的可用性，部分节点停止服务，整个集群的服务不受影响

• Elasticsearch 的分布式架构

  • 不同的集群通过不同名字来区分，defualt：‘elasticsearch’
  • 通过配置文件修改，或在命令行中 $-Ecluster.name=cluster1$ 来指定

集群状态（Cluster State）

• 维护了一个集群所必要的信息
  • 所有节点 信息
  • 所有的索引和其相关的 Mapping 与 Setting 信息
  • 分片的路由信息
  • 只有主节点才能修改

集群状况（health）

GET _cluster/health

• Green - 主分片与副本都正常分配
• Yellow - 主分片全部正常分配，有副本分片未能正常分配
• Red - 有主分片未能分配
  • 如磁盘容量超过负载

节点（node）

• 节点是一个 elasticsearch 实例
  • 本质上就是一个 Java 进程
  • 一台机器上可以运行多个 elasticsearch 的进程，生产环境只建议一个
• 节点名称也可以通过配置文件，或者启动的时候 $-Enode.name=node1$ 指定
• 每个节点在启动后，都会分配到一个 UID，在data 目录下

Master-eligible nodes 和 Master Node

具有投票权的节点和主节点

• 每个节点启动后，默认就是一个 Master eligible 节点
  • 可以设置 node.master : false 来禁止
• Master-eligible 节点可以参加选举进程，成为 Master 节点
• 第一个节点会自动选举为 Master 节点
• 每个节点都保存了集群的状态，只有 Master 节点才能修改集群的状态信息

Data Node & Coordinating Node

• Date Node

  • 可以保存数据的节点
  • 负责保存分片数据，数据扩展时起到了至关重要的作用

• Coordiating Node

  • 负责接收 Client 的请求，将请求分发带合适的节点，最终吧结果汇集到一起
  • 每个节点默认都有 Coordinating Node 的职责

Hot & Warm Node

• 不同硬件配置的 Data Node，可以实现 Hot & Warm 架构，降低集群部署的成本
• Hot 热数据-配置较高，warm数据-配置较低

Machine Learning Node

• 负责跑机器学习的 Job，用来做异常检测

配置节点类型

• 开发中一个节点可以承担多个角色
• 生产中应该设置单一的角色的节点（dedicated node）

分片（Primary Shard & Replica Shard）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eTefzgny-1612083459487)(/Users/felix/Desktop/截屏2021-01-31 上午12.39.24.png)]

• 主分片，用以解决数据水平扩展的问题，将数据分布到集群内的所有节点之上
  • 一个分片就是 一个运行的 Lucene 的实例
  • 主分片数在索引创建时指定，后续不允许修改，除非 Reindex
• 副本，用以解决数据高可用的问题。分片其实是主分片的拷贝
  • 提高副本数量达到高吞吐的效果
  • 副本分片数量可以动态调整

分片的设定

• 分片数量过小

  • 后续无法增加节点实现水平扩展
  • 单个分片数据量太大，导致数据重新分配耗时长

• 分片数量过大

  • 影响搜索结果的相关性打分，影响统计结果的准确性
  • 单个节点过多的分片，会导致资源浪费，也会影响性能
  • 7.0 开始默认为 1 ，防止 over-sharding