Elasticsearch Lucene 数据写入原理 | ES 核心篇

  • 时间:
  • 浏览:1

前言

最近 TL 分享了下 《Elasticsearch基础埋点》https://www.jianshu.com/p/e8226138485d ,蹭着你你这种意味 。写个小文巩固下,本文主要讲 ES -> Lucene

的底层特性,后会完正描述新数据写入 ES 和 Lucene 的流程和原理。这是基础理论知识,埋点了一下,希望能对 Elasticsearch 感兴趣的同学有所帮助。

几个是 Elasticsearch ?

Elasticsearch 是一个多多基于 Apache Lucene(TM) 的开源搜索引擎。

那 Lucene 是几个?

无论在开源还是专有领域,Lucene 能必须被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库,并通过简单的 RESTful API 来隐藏 Lucene 的繁复性,从而让全文搜索变得简单。

Elasticsearch 不仅仅是 Lucene 和全文搜索,亲戚亲戚越多人还能一个多多去描述它:

  • 分布式的实时文件存储,每个字段都被索引并可被搜索
  • 分布式的实几点几分析搜索引擎
  • 能必须扩展到上百台服务器,避免 PB 级特性化或非特性化数据

就像越多业务系统是基于 Spring 实现一样,Elasticsearch 和 Lucene 的关系很简单:Elasticsearch 是基于 Lucene 实现的。ES 基于底层几个包,后会进行了扩展,提供了更多的更充裕的查询句子,后会通过 RESTful API 能必须更方便地与底层交互。相似 ES 还有 Solr 也是基于 Lucene 实现的。

在应用开发中,用 Elasticsearch 会很简单。后会意味 你直接用 Lucene,会有小量的集成工作。

后会,入门 ES 的同学,稍微了解下 Lucene 即可。意味 往高级走,还是须要学习 Lucene 底层的原理。意味 倒排索引、打分机制、全文检索原理、分词原理等等,几个全是不用过时的技术。

3.1 数据模型

如图

  • 一个多多 ES Index (索引,比如商品搜索索引、订单搜索索引)集群下,有多个 Node (节点)组成。每个节点后会 ES 的实例。
  • 每个节点上会有多个 shard (分片), P1 P2 是主分片 R1 R2 是副本分片
  • 每个分片上对应着后会一个多多 Lucene Index(底层索引文件)
  • Lucene Index 是一个多多统称。由多个 Segment (段文件,后会倒排索引)组成。每个段文件存储着后会 Doc 文档。

3.2 Lucene Index

lucene 中,单个倒排索引文件称为 segment。其中一个多多多文件,记录了所有 segments 的信息,称为 commit point:

  • 文档 create 新写入时,会生成新的 segment。同样会记录到 commit point 里边
  • 文档查询,会查询所有的 segments
  • 当一个多多段趋于稳定文档被删除,会维护该信息在 .liv 文件里边

3.3 新文档写入流程

新文档创建意味 更新时,进行如下流程:

更新不用修改一个多多的 segment,更新和创建操作全是生成新的一个多多 segment。数据哪里来呢?先会趋于稳定内存的 bugger 中,后会持久化到 segment 。

数据持久化步骤如下:write -> refresh -> flush -> merge

3.3.1 write 过程

一个多多新文档过来,会存储在 in-memory buffer 内存缓存区中,顺便会记录 Translog。

这时候数据还没到 segment ,是搜必须你你这种新文档的。数据必须被 refresh 后,不用 必须被搜索到。必须 讲下 refresh 过程

3.3.2 refresh 过程

refresh 默认 1 秒钟,执行一次上图流程。ES 是支持修改你你这种值的,通过 index.refresh_interval 设置 refresh (冲刷)间隔时间。refresh 流程大致如下:

  • in-memory buffer 中的文档写入到新的 segment 中,但 segment 是存储在文件系统的缓存中。此时文档能必须被搜索到
  • 最后清空 in-memory buffer。注意: Translog 必须 被清空,为了将 segment 数据写到磁盘

文档经过 refresh 后, segment 暂时写到文件系统缓存,一个多多避免了性能 IO 操作,又能必须使文档搜索到。refresh 默认 1 秒执行一次,性能损耗越多。一般建议稍微延长你你这种 refresh 时间间隔,比如 5 s。后会,ES 其实后会准实时,达必须真正的实时。

3.3.3 flush 过程

上个过程中 segment 在文件系统缓存中,会有意外故障文档丢失。必须 ,为了保证文档不用丢失,须要将文档写入磁盘。必须 文档从文件缓存写入磁盘的过程后会 flush。写入次怕后,清空 translog。

translog 作用很大:

  • 保证文件缓存中的文档不丢失
  • 系统重启时,从 translog 中恢复
  • 新的 segment 收录到 commit point 中

具体能必须看官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.3/indices-flush.html

3.3.4 merge 过程

里边几个步骤,可见 segment 会越多,必须 搜索会必须 慢?为什么我么我避免呢?

通过 merge 过程避免:

  • 后会各个小段文件,合并成一个多多大段文件。段合并过程
  • 段合并始于了了英语 ,旧的小段文件会被删除
  • .liv 文件维护的删除文档,会通过你你这种过程进行清除

如你你这种图,ES 写入原理没能,记住关键点即可。

write -> refresh -> flush

  • write:文档数据到内存缓存,并存到 translog
  • refresh:内存缓存中的文档数据,到文件缓存中的 segment 。此时能必须被搜到
  • flush 是缓存中的 segment 文档数据写入到磁盘

写入的原理告诉亲戚亲戚越多人,考虑的点越多:性能、数据不丢失等等

(完)

参考资料:

Java微服务资料,加我微w信x:bysocket01 (加的人,一般很帅)

  • 《深入理解 Elasticsearch》
  • https://lucene.apache.org/core/8_2_0/core/org/apache/lucene/codecs/lucene150/package-summary.html#package.description
  • https://www.jianshu.com/p/e8226138485d