Elastic Stack从入门到实践之Search,分布式，聚合分析

• 实现对es中存储的数据进行查询分析，endpoint为**_search**，如下所示：
• 指定索引查询，可以一次查询多个

GET/search
GET/my index/search
GET/my index1,my _index2/_search
GET/my_*/_search

• 查询主要有两种形式
  • URI Search
    • 操作简便，方便通过命令行测试
    • 仅包含部分查询语法
• Request Body Search
  • es 提供的完备查询语法Query DSL(Domain Specific Language)
    
• 通过url query参数来实现搜索，常用参数如下：
  • q指定查询的语句，语法为Query String Syntax
    • term与phrase
      • alfred way 等效于alfred OR way
      • “alfred way"词语查询，要求先后顺序
    • 泛查询
      • alfred等效于在所有字段去匹配该term
    • 指定字段
      • name:alfred
    • Group分组设定，使用括号指定匹配的规则
      • (quick OR brown)AND fox
      • status:(active OR pending)title:(full text search)
    • 布尔操作符
      • AND(&&),OR(I),NOT(!)
        • name:(tom NOT lee)
        • 注意大写，不能小写
      • ±分别对应must和must not
        • name:(tom +lee-alfred) 简化
        • name:((lee&&lalfred)lI (tom && lee &&!alfred))
        • +在url中会被解析为空格，要使用encode后的结果才可以，为%2B
      • 范围查询，支持数值和日期
        • 区间写法，闭区间[]，开区间用{}
        • age:[1 TO 10]意为1<=age<=10
        • age:[1 TO 10}意为1<=age<10
        • age[1 TO]意为age>=1
        • age:[* TO 10]意为age<=10
        • 算数符号写法
        • age:>=1
        • age(>=1&&<=10)或者age:（+>=1+<=10)
      • 通配符查询
        • *？代表1个字符，代表0或多个字符
        • name:t?m
        • name:tom*
        • name:t*m
        • 通配符匹配执行效率低，且占用较多内存，不建议使用
        • 如无特殊需求，不要将?/*放在最前面
      • 正则表达式匹配
        • name:/[mb]oat/
        • 占用较多内存
      • 模糊匹配fuzzy query
        • name:roam~1
          • 匹配与roam差1个character的词，比如foam roams等
      • 近似度查询 proximity search
        • “fox quick"～5
        • 以term为单位进行差异比较，比如“quick fox”"quick brown fox”都会被匹配
  • df q中不指定字段时默认查询的字段，如果不指定，es会查询所有字段
  • sort排序
  • timeout 指定超时时间，默认不超时
  • from,size 用于分页

通过profile:true来查看实际执行的语句

• 将查询语句通过http request body发送到es，主要包含如下参数
  • query 符合Query DSL语法的查询语句
  • from,size
  • timeout
  • sort
    

Query DSL

• 基于JSON定义的查询语言，主要包含如下两种类型：

字段类查询

	 - 

• 如term,match,range等，只针对某一个字段进行查询
  • 字段类查询主要包括以下两类：
  • 全文匹配
    • 针对text 类型的字段进行全文检索，会对查询语句先进行分词处理，如match，match phrase等query类型
  • 单词匹配
    • 不会对查询语句做分词处理，直接去匹配字段的倒排索引，如term,terms，range等query类型、

• 通过operator 参数可以控制单词间的匹配关系，可选项为or和and
• 通过minimum_ should_match参数可以控制需要匹配的单词数

相关性算分

• 相关性算分是指文档与查询语句间的相关度，英文为relevance
  • 通过倒排索引可以获取与查询语句相匹配的文档列表，那么如何将最符合用户查询需求的文档放到前列呢？
  • 本质是一个排序问题，排序的依据是相关性算分

• 相关性算分的几个重要概念如下：
  • **Term Frequency（TF)**词频，即单词在该文档中出现的次数。词频越高，相关度越高
  • **Document Frequency(DF)**文档频率，即单词出现的文档数
  • **Inverse Document Frequency(IDF)**逆向文档频率，与文档频率相反，简单理解为1/DF。即单词出现的文档数越少，相关度越高
  • Field-length Norm 文档越短，相关性越高

ES目前主要有两个相关性算分模型，如下：

TF/IDF模型,TF/IDF 模型是Lucene的经典模型

• 可以通过explain参数来查看具体的计算方法，但要注意：
  • es的算分是按照shard进行的，即shard的分数计算是相互独立的，所以在使用explain的时候注意分片数
  • 可以通过设置索引的分片数为1来避免这个问题

"settings":{
“index":{
	"number of shards":“1"
	}
}

BM25模型5.x之后的默认模型
BM25模型中BM指Best Match，25指迭代了25次才计算方法，是针对TF/IDF的一个优化

• BM25相比TF/IDF的一大优化是降低了tf在过大时的权重

复合查询

• 如bool 查询等，包含一个或多个字段类查询或者复合查询语句

Match Phrase Query

• 对字段作检索，有顺序要求
  
• 通过slop参数可以控制单词间的间隔

Query String Query

• 类似于URI Search中的q参数查询

Simple Query String Query

• 类似Query String，但是会忽略错误的查询语法，并且仅支持部分查询语法
• 其常用的逻辑符号如下，不能使用AND、OR、NOT等关键词：
• + 代指AND
• | 代指OR
• - 代指NOT

Term Query / Terms Query

• 将查询语句作为整个单词进行查询，即不对查询语句做分词处理
• Terms 一次传入多个单词进行查询

分布式 Cerebro

• es支持集群模式，是一个分布式系统，其好处主要有两个：
• 增大系统容量，如内存、磁盘，使得es集群可以支持PB级的数据
• 提高系统可用性，即使部分节点停止服务，整个集群依然可以正常服务
• es 集群由多个es实例组成
  • 不同集群通过集群名字来区分，可通过cluster.name 进行修改，默认为elasticsearch
  • 每个es实例本质上是一个JVM进程，且有自己的名字，通过node.name 进行修改

• 运行如下命令可以启动一个es 节点实例
  • bin/elasticsearch -E cluster.name=my_cluster -E node.name=node1 -E http.port=5200
• es 集群相关的数据称为cluster state，主要记录如下信息：
  • 节点信息，比如节点名称、连接地址等
  • 索引信息，比如索引名称、配置等
• 可以修改cluster state的节点称为master 节点，一个集群只能有一个
  • cluster state 存储在每个节点上，master维护最新版本并同步给其他节点
  • master 节点是通过集群中所有节点选举产生的，可以被选举的节点称为master-eligible 节点，相关配置如下：
    • node.master:true
• 处理请求的节点即为coordinating节点，该节点为所有节点的默认角色，不能取消
  • 路由请求到正确的节点处理，比如创建索引的请求到master 节点
• 存储数据的节点即为data节点，默认节点都是data类型
  • node.data:true

服务可用性

• 2个节点的情况下，允许其中1个节点停止服务
• 数据可用性
  • 引入副本（Replication)解决
  • 每个节点上都有完备的数据

如何将数据分布于所有节点上？

• 引入分片（Shard)解决问题
• 分片是es支持PB级数据的基石
• 分片存储了部分数据，可以分布于任意节点上
• 分片数在索引创建时指定目后续不允许再更改，默认为5个
• 分片有主分片和副本分片之分，以实现数据的高可用
• 副本分片的数据由主分片同步，可以有多个，从而提高读取的吞吐量

PUT test index
"settings":{
"number of shards":3,
"number of replicas":1 //副本
}

• 分片数的设定很重要，需要提前规划好
  • 过小会导致后续无法通过增加节点实现水平扩容
  • 过大会导致一个节点上分布过多分片，造成资源浪费，同时会影响查询性能

Cluster Health

• 通过如下api可以查看集群健康状况，包括以下三种：
• green健康状态，指所有主副分片都正常分配
• yellow指所有主分片都正常分配，但是有副本分片未正常分配
• red有主分片未分配

GET _cluster/health

• node1所在机器宕机导致服务终止，此时集群会如何处理？
  • 1. node2和node3发现node1无法响应一段时间后会发起master选举，比如这里选择node2为master节点。此时由于主分片PO下线，集群状态变为Red。
  • 2.node2发现主分片PO未分配，将RO提升为主分片。此时由于所有主分片都正常分配，集群状态变为Yellow。
  • 3.node2为PO和P1生成新的副本，集群状态变为绿色

文档分布式存储

• 文档到分片的映射算法
  • shard =hash(routing)% number_of_primary_shards
  • 使得文档均匀分布在所有分片上，以充分利用资源
  • 根据文档值实时计算对应的分片
  • hash 算法保证可以将数据均匀地分散在分片中
  • routing 是一个关键参数，默认是文档id，也可以自行指定
  • number_of _primary_shards是主分片数
• 该算法与主分片数相关，这也是分片数一旦确定后便不能更改的原因

文档创建流程

文档读取流程

文档批量创建\读取流程

脑裂问题

脑裂问题，英文为split-brain，是分布式系统中的经典网络问题，如下图所示：

• node2与node3会重新选举master，比如node2成为了新master，此时会更cluster state
• node1自己组成集群后，也会更新cluster state
• 同一个集群有两个master，而且维护不同的cluster state，网络恢复后无法选择正确master
• 解决方案为仅在可选举master-eligible 节点数大于等于quorum 时才可以进行 master选
• quorum=master-eligible 节点数/2+1，例如3个master-eligible节点时，quorum为2。
• 设定discovery.zen.minimum_master_nodes为quorum 即可避免脑裂

倒排索引的不可改变

倒排索引一旦生成，不能更改
其好处如下：

• 不用考虑并发写文件的问题，杜绝了锁机制带来的性能问题
• -由于文件不再更改，可以充分利用文件系统缓存，只需载入一次，只要内存足够，
• 对该文件的读取都会从内存读取，性能高
• -利于生成缓存数据
• -利于对文件进行压缩存储，节省磁盘和内存存储空间
  坏处为需要写入新文档时，必须重新构建倒排索引文件，然后替换老文件后，新文档才能被检索，导致文档实时性差

文档搜索实时性

新文档直接生成新的倒排索引文件，查询的时候同时查询所有的倒排文件，然后做结果的汇总计算即可

• Lucene 便是采用了这种方案，它构建的单个倒排索引称为segment，合在一起称为Index，与ES中的Index概念不同。ES中的一个Shard 对应一个Lucene Index。
• Lucene会有一个专门的文件来记录所有的segment信息，称为commit point

• Refresh
• segment 写入磁盘的过程依然很耗时，可以借助文件系统缓存的特性，先将
• segment在缓存中创建并开放查询来进一步提升实时性，该过程在es中被称为refresh。
• 在refresh之前文档会先存储在一个buffer中，refresh时将buffer中的所有文档清空并生成 segment
• es默认每1秒执行一次refresh，因此文档的实时性被提高到1秒，这也是es被称为近实时（Near Real Time)的原因
• refresh发生的时机主要有如下几种情况：
  • 间隔时间达到时，通过index.settings.refresh interval来设定，默认是1秒
  • index.buffer 占满时，其大小通过indices.memory.index_buffer_size设置，默认为jvm heap的10%，所有shard共享
  • flush 发生时也会发生refresh

如果在内存中的segment还没有写入磁盘前发生了宕机，那么其中的文档就无法恢复了，如何解决这个问题？

• es引入translog 机制。写入文档到buffer时，同时将该操作写入translog。
• translog文件会即时写入磁盘（fsync)，6.x默认每个请求都会落盘，可以修改为每5秒写一次，这样风险便是丢失5秒内的数据，相关配置为index.translog.*
• es启动时会检查translog文件，并从中恢复数据

flush 负责将内存中的segment写入磁盘，主要做如下的工作：

• 将translog写入磁盘*
• 将index buffer清空，其中的文档生成一个新的 segment，相当于一个refresh 操作
• 更新commit point并写入磁盘
• 执行fsync操作，将内存中的segment写入磁盘
• 删除旧的translog文件
  flush 发生的时机主要有如下几种情况：
• 间隔时间达到时，默认是30分钟，5.x之前可以通过**index.translog.flush
• threshold_period**修改，之后无法修改
• translog 占满时，其大小可以通过index.translog.flush_threshold _size控制，默认是512mb，每个index有自己的translog

删除更新文档

• segment一旦生成就不能更改，那么如果你要删除文档该如何操作？
  • Lucene专门维护一个.del的文件，记录所有已经删除的文档，注意.del上记录的是文档在Lucene内部的id
  • 在查询结果返回前会过滤掉.del中的所有文档
• 更新文档如何进行呢？
  • 首先删除文档，然后再创建新文档

Segment Merging

• 随着segment的增多，由于一次查询的segment数增多，查询速度会变慢
• es会定时在后台进行segment merge的操作，减少segment的数量
• 通过force_ merge api可以手动强制做 segment merge的操作

ES Index与Lucene Index的术语对照如下所示：

深入Search

Search执行的时候实际分两个步骤运作的

Query阶段

Fetch阶段

相关性算分问题

• 相关性算分在shard与shard间是相互独立的，也就意味着同一个Term的IDF等值在不同shard上是不同的。文档的相关性算分和它所处的
• shard相关在文档数量不多时，会导致相关性算分严重不准的情况发生
• 解决思路有两个：
  • 一是设置分片数为1个，从根本上排除问题，在文档数量不多的时候可以考虑该方案，比如百万到干万级别的文档数量
  • 二是使用DFS Query-then-Fetch 查询方式
    • DFS Query-then-Fetch 是在拿到所有文档后再重新完整的计算一次相关性算分，耗费更多的cpu和内存，执行性能也比较低下，一般不建议使用。
      
• es默认会采用相关性算分排序，用户可以通过设定 sorting参数来自行设定排序规则

• 按照字符串排序比较特殊，因为es有text和keyword 两种类型，针对text类型排序

排序的过程实质是对字段原始内容排序的过程，这个过程中倒排索引无法发挥作用，需要用到正排索引，也就是通过文档Id 和字段可以快速得到字段原始内容。
es对此提供了2种实现方式：fielddata默认禁用,doc values 默认启用，除了text类型(文档ID对字段值的映射)

• Fielddata默认是关闭的，可以通过如下api开启：
  • 此时字符串是按照分词后的term排序，往往结果很难符合预期
  • 一般是在对分词做聚合分析的时候开启
    
• Doc Values 默认是启用的，可以在创建索引的时候关闭：
  • 如果后面要再开启doc values，需要做reindex操作
    
• docvalue_fields
  • 可以通过该字段获取 felddata 或者doc values中存储的内容
    

分页，遍历

from/size

最常用的分页方案

• from指明开始位置
• size 指明获取总数

深度分页是一个经典的问题：在数据分片存储的情况下如何获取前1000个文档？

• 获取从990~1000的文档时，会在每个分片上都先获取1000个文档，然后再由Coordinating Node聚合所有分片的结果后再排序选取前1000个文档
• 页数越深，处理文档越多，占用内存越多，耗时越长。尽量避免深度分页，es通过index.max_result_window 限定最多到10000条数据

scroll

遍历文档集的api，以快照的方式来避免深度分页的问题

• 不能用来做实时搜索，因为数据不是实时的
• 尽量不要使用复杂的sort条件，使用**_doc**最高效
• 使用稍嫌复杂

• 第一步需要发起1个scroll search，如下所示：
  • es在收到该请求后会根据查询条件创建文档Id合集的快照
    
• 第二步调用scroll search的api，获取文档集合，如下所示：
  • 不断迭代调用直到返回 hits.hits数组为空时停止
    
• 过多的scroll 调用会占用大量内存，可以通过clear api删除过多的scroll 快照

search_after

• 避免深度分页的性能问题，提供实时的下一页文档获取功能
  • 缺点是不能使用from参数，即不能指定页数
  • 只能下一页，不能上一页、
  • 使用简单
• 第一步为正常的搜索，但要指定sort值，并保证值唯一
• 第二步为使用上一步最后一个文档的 sort值进行查询
  
• 通过唯一排序值定位将每次要处理的文档数都控制在size内

聚合分析

• 聚合分析，英文为Aggregation，是es除搜索功能外提供的针对es数据做统计分析的
• 功能丰富，提供Bucket、Metric、Pipeline等多种分析方式，可以满足大部分的分析
• 实时性高，所有的计算结果都是即时返回的，而 hadoop等大数据系统一般都是T+1级别的
  
• 请告诉我公司目前在职人员工作岗位的分布情况？
  
• 分类
  • Bucket,分桶类型，类似SQL中的GROUPBY 语法
  • Metric，指标分析类型，如计算最大值、最小值、平均值等等
    • 单值分析，只输出一个分析结果
      • min,maxavg,sum
      • cardinality
    • 多值分析，输出多个分析结果
      • stats（反回一系列数值类型的统计值，包含min、max、avg、sum和count）,extended stats（对stats的扩展，包含了更多的统计数据，如方差、标准差等）
      • percentile（百分位数统计）,percentile rank（百分位数统计，添加values字段，值做键，百分比做值）
      • top hits（一般用于分桶后获取该桶内最匹配的顶部文档列表，即详情数据）
  • Pipeline，管道分析类型，基于上一级的聚合分析结果进行再分析
  • Matrix，矩阵分析类型
    • Cardinality，意为集合的势，或者基数，是指不同数值的个数，类似SQL中的distinct count概念

Bucket

Bucket,意为桶，即按照一定的规则将文档分配到不同的桶中，达到分类分析的目的

• Terms 该分桶策略最简单，直接按照term来分桶，如果是text类型，则按照分词后的结果分桶（打开fielddata，否则报错）
• 
• Range 通过指定数值的范围来设定分桶规则
• 
• Date Range 通过指定日期的范围来设定分桶规则
  • 
• Histogram（直方图，以固定间隔的策略来分割数据）
• 
• Date Histogram 针对日期的直方图或者柱状图，是时序数据分析中常用的聚合分析类型
  • 

Bucket +Metric 聚合分析

Bucket 聚合分析允许通过添加子分析来进一步进行分析，该子分析可以是Bucket也可以是Metric。这也使得es的聚合分析能力变得异常强大

Pipeline

• 针对聚合分析的结果再次进行聚合分析，而且支持链式调用，可以回答如下问题：
• 订单月平均销售额是多少？
  

Pipeline的分析结果会输出到原结果中，根据输出位置的不同，分为以下两类：

• Parent 结果内嵌到现有的聚合分析结果中
  • Derivative 导数
  • Moving Average 移动平均
  • Cumulative Sum 累计求和
• Sibling结果与现有聚合分析结果同级
  • Max/Min/Avg/Sum Bucket
  • Stats/Extended Stats Bucket
  • Percentiles Bucket
    
    
    

聚合分析

es聚合分析默认作用范围是query的结果集，可以通过如下的方式改变其作用范围：

• filter 为某个聚合分析设定过滤条件，从而在不更改整体query语句的情况下修改了作用范围
• post_filter 作用于文档过滤，但在聚合分析后生效
• global，size:0 无视 query过滤条件，基于全部文档进行分析,场景是整体和局部做对比的时候

排序

可以使用自带的关键数据进行排序，比如：

• _count文档数
• _key按照key值排序
• 引用子聚合分析的子聚合分析，用>，json object 里面的某个数值用.
  

精准度问题

• Terms不准确的原因
  • 数据分散在多Shard上，Coordinating Node 无法得恶数据全貌
  • 方案：
    • 设置Shard数为1，消除数据分散的问题，但无法承载大数据量
    • 合理设置 Shard_Size大小，即每次从Shard上额外多获取数据，以提升准确度
      • terms聚合返回结果中有如下两个统计值：
      • doc_count error_upper_bound 被遗漏的term可能的最大值(返回列表中的最小值)
      • sum_other doc_count 返回结果bucket的term外其他term的文档总数（doc_count error_upper_bound 加起来）

• 设定 show_term doc_count_error可以查看每个bucket误算的最大值
  
• Shard_Size 默认大小如下：
  • shard_size=(size×1.5)+10
• 通过调整Shard_Size的大小降低doc_count error upper_bound 来提升准确度
  • 增大了整体的计算量，从而降低了响应时间

• 在ES的聚合分析中，Cardinality和Percentile分析使用的是近似统计算法
  • 结果是近似准确的，但不一定精准、
  • 可以通过参数的调整使其结果精准，但同时也意味着更多的计算时间和更大的性能消耗