ES 基础知识点

ES

转载自：Elasticsearch学习，请先看这一篇！

1.带着问题上路——ES是如何产生的？

1.1 思考：大规模数据如何检索？

例如，当系统数据量上了10亿、100亿条的时候，我们在做系统架构的时候通常会从以下角度去考虑问题：

• 用什么数据库好？（mysql、oracle、mongodb、hbase .......）
• 如何解决单点故障？（lvs、F5、ZooKeeper、MQ）
• 如何保证数据安全性？(热备、冷备、异地多活)
• 如何解决检索难题？(数据库代理中间件：mysql-proxy、Cobar、MaxScale等)
• 如何解决统计分析问题？(离线、近实时)

1.2 传统数据库的应对解决方案

对于关系型数据，我们通常采用以下或类似架构去解决查询瓶颈和写入瓶颈，解决要点：

• 通过主从备份解决数据安全性问题；
• 通过数据库代理中间件心跳监测，解决单点故障问题；
• 通过代理中间件将查询语句分发到各个slave节点进行查询，并汇总结果。

1.3 非关系型数据库的解决方案

对于Nosql数据库，以mongodb为例，其它原理类似，解决要点：

• 通过副本备份保证数据安全性；（转载者注：冗余备份）
• 通过节点竞选机制解决单点问题；（转载者注：Leader选举）
• 先从配置库检索分片信息，然后将请求分发到各个节点，最后由路由节点合并汇总结果。（转载者注：垂直拆分或者水平拆分）

另辟蹊径 —— 完全把数据放入内存怎么样？

我们知道，完全把数据放在内存中是不可靠的，实际上也不太现实，当我们的数据达到PB级别时，按照每个节点96G内存计算，在内存完全装满的数据情况下，我们需要的机器是：1PB=1024T=1048576G & 节点数 = 1048576 / 96 = 10922个。

实际上，考虑到数据备份，节点数往往在2.5万台左右。成本巨大决定了其不现实！

从前面讨论我们了解到，把数据放在内存也好，不放在内存也好，都不能完完全全解决问题。全部放在内存速度问题是解决了，但成本问题上来了。

为了解决以上问题，从源头着手分析，通常会从以下方式来寻找方法：

1. 存储数据时按有序存储。
2. 将数据和索引分离。
3. 压缩数据。

这就引出了Elasticsearch。

1. ES 基础一网打尽

1.1 ES定义

ES是elaticsearch的简写，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也是使用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。

1.2 Lucene与ES关系？

• Lucene只是一个库。想要使用它，你必须使用Java来作为开发语言并将其直接集成到你的应用中，更糟糕的是，Lucene非常复杂，你需要深入了解检索的相关知识来理解它是如何工作的。
• 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。

1.3 ES主要解决的问题：

• 检索相关数据。
• 返回统计结果。
• 速度要快。

1.4 ES工作原理

当Elasticsearch的节点启动后，它会利用广播（multicast）（或者单播 如果用户更改了配置）寻找集群中的其他节点，并与之建立连接。这个过程如下图所示：

1.5 ES 核心概念

1. Cluster：集群
   ES可以作为一个独立的单个搜索服务器。不过，为了处理大型数据集，实现容错和高可用性，ES可以运行在许多相互合作的服务器上。这些服务器的集合称为集群。

2. Node 节点：
   形成集群的每个服务器称为节点。

3. Shard：分片
   当有大量的文档时，由于内存的限制、磁盘处理能力不足、无法足够快的响应客户端的请求等，一个节点可能不够。这种情况下，数据可以分为较小的分片。每个分片放到不同的服务器上。

   当你查询的索引分布在多个分片上时，ES会把查询发送给每个相关的分片，并将结果组合在一起，而应用程序并不知道分片的存在。即：这个过程对用户来说是透明的。

4. Replia：副本
   为了提供查询吞吐量或实现高可用，可以使用分片副本。
   副本是一个分片的精确复制，每个分片可以有零个或多个副本。ES中可以有许多相同的分片，其中之一被选择更改索引操作，这种特殊的分片称为主分片。
   当主分片丢失时，如：该分片所在的数据不可用时，集群将副本提升为新的主分片。

5. 全文检索：

   全文检索就是对一偏文章进行索引，可以根据关键字搜索，类似于mysql里的like语句。

   全文索引就是把内容根据词的语句进行分词，然后分别创建索引，例如“你们的激情是因为什么事情来的”，可能会被分词成：“你们”，“激情”，“什么事情”，“来”等token，这样当你搜索“你们” 或者 “激情” 都会把这句搜出来。

1.6 ES数据架构的主要概念（与关系数据库Mysql对比）

• 关系型数据库中的数据库（DataBase），等价于ES中的索引（Index）
• 一个数据库下面有N张表（Table），等价于1个索引Index下面有N多类型（Type），
• 一个数据库表（Table）下的数据由多行（ROW）多列（column，属性）组成，等价于1个Type由多个文档（Document）和多Field组成。
• 在一个关系型数据库里面，schema定义了表、每个表的字段，还有表和字段之间的关系。 与之对应的，在ES中：Mapping定义索引下的Type的字段处理规则，即索引如何建立、索引类型、是否保存原始索引JSON文档、是否压缩原始JSON文档、是否需要分词处理、如何进行分词处理等。
• 在数据库中的增insert、删delete、改update、查search操作等价于ES中的增PUT/POST、删Delete、改_update、查GET。

1.7 ELK是什么？

1. ELK=elasticsearch+Logstash+kibana
   
   • elasticsearch：后台分布式存储以及全文检索
   • logstash: 日志加工、“搬运工”
   • kibana：数据可视化展示。

ELK架构为数据分布式存储、可视化查询和日志解析创建了一个功能强大的管理链。 三者相互配合，取长补短，共同完成分布式大数据处理工作。

2. ES特点和优势

1. 分布式实时文件存储，可将每一个字段存入索引，使其可以被检索到。
2. 实时分析的分布式搜索引擎。
   分布式：索引分拆成多个分片，每个分片可有零个或多个副本。集群中的每个数据节点都可承载一个或多个分片，并且协调和处理各种操作；负载再平衡和路由在大多数情况下自动完成。
3. 可以扩展到上百台服务器，处理PB级别的结构化或非结构化数据。也可以运行在单台PC上（已测试）
4. 支持插件机制，分词插件、同步插件、Hadoop插件、可视化插件等。

3. ES性能

3.1 性能结果展示

1. 硬件配置：
   CPU 16核 AuthenticAMD
   内存 总量：32GB
   硬盘 总量：500GB 非SSD

2. 在上述硬件指标的基础上测试性能如下：

   • 平均索引吞吐量： 12307docs/s（每个文档大小：40B/docs）
   • 平均CPU使用率： 887.7%（16核，平均每核：55.48%）
   • 构建索引大小： 3.30111 GB
   • 总写入量： 20.2123 GB
   • 测试总耗时： 28m 54s。

3.2 性能esrally工具（推荐）

使用参考：http://blog.csdn.net/laoyang360/article/details/52155481

4. 为什么要用ES？

4.1 ES国内外使用优秀案例

1. 2013年初，GitHub抛弃了Solr，采取ElasticSearch 来做PB级的搜索。 “GitHub使用ElasticSearch搜索20TB的数据，包括13亿文件和1300亿行代码”。
2. 维基百科：启动以elasticsearch为基础的核心搜索架构。
3. SoundCloud：“SoundCloud使用ElasticSearch为1.8亿用户提供即时而精准的音乐搜索服务”。
4. 百度：百度目前广泛使用ElasticSearch作为文本数据分析，采集百度所有服务器上的各类指标数据及用户自定义数据，通过对各种数据进行多维分析展示，辅助定位分析实例异常或业务层面异常。目前覆盖百度内部20多个业务线（包括casio、云分析、网盟、预测、文库、直达号、钱包、风控等），单集群最大100台机器，200个ES节点，每天导入30TB+数据。

4.2 我们也需要

实际项目开发实战中，几乎每个系统都会有一个搜索的功能，当搜索做到一定程度时，维护和扩展起来难度就会慢慢变大，所以很多公司都会把搜索单独独立出一个模块，用ElasticSearch等来实现。

近年ElasticSearch发展迅猛，已经超越了其最初的纯搜索引擎的角色，现在已经增加了数据聚合分析（aggregation）和可视化的特性，如果你有数百万的文档需要通过关键词进行定位时，ElasticSearch肯定是最佳选择。当然，如果你的文档是JSON的，你也可以把ElasticSearch当作一种“NoSQL数据库”， 应用ElasticSearch数据聚合分析（aggregation）的特性，针对数据进行多维度的分析。

【知乎：热酷架构师潘飞】ES在某些场景下替代传统DB
个人以为Elasticsearch作为内部存储来说还是不错的，效率也基本能够满足，在某些方面替代传统DB也是可以的，前提是你的业务不对操作的事性务有特殊要求；而权限管理也不用那么细，因为ES的权限这块还不完善。
由于我们对ES的应用场景仅仅是在于对某段时间内的数据聚合操作，没有大量的单文档请求（比如通过userid来找到一个用户的文档，类似于NoSQL的应用场景），所以能否替代NoSQL还需要各位自己的测试。
如果让我选择的话，我会尝试使用ES来替代传统的NoSQL，因为它的横向扩展机制太方便了。

5. ES的应用场景是怎样的？

通常我们面临问题有两个：

• 新系统开发尝试使用ES作为存储和检索服务器；
• 现有系统升级需要支持全文检索服务，需要使用ES。
  以上两种架构的使用，以下链接进行详细阐述。
  http://blog.csdn.net/laoyang360/article/details/52227541

一线公司ES使用场景：

1. 新浪ES 如何分析处理32亿条实时日志 http://dockone.io/article/505
2. 阿里ES 构建挖财自己的日志采集和分析体系：http://afoo.me/columns/tec/logging-platform-spec.html
3. 有赞ES 业务日志处理：http://tech.youzan.com/you-zan-tong-ri-zhi-ping-tai-chu-tan/
4. ES实现站内搜索：http://www.wtoutiao.com/p/13bkqiZ.html

6. ES对外接口（开发人员关注）

1. JAVA API接口
   http://www.ibm.com/developerworks/library/j-use-elasticsearch-java-apps/index.html
2. RESTful API接口
   常见的增、删、改、查操作实现： http://blog.csdn.net/laoyang360/article/details/51931981

7. ES遇到问题怎么办？

• 国外：https://discuss.elastic.co/
• 国内：http://elasticsearch.cn/