Elasticsearch Lucene 数据写入原理 | ES 核心篇

  • 时间:
  • 浏览:0

前言

最近 TL 分享了下 《Elasticsearch基础分类整理》https://www.jianshu.com/p/e8226138485d ,蹭着某些肯能。写个小文巩固下,本文主要讲 ES -> Lucene

的底层形态,就是详细描述新数据写入 ES 和 Lucene 的流程和原理。这是基础理论知识,分类整理了一下,希望能对 Elasticsearch 感兴趣的同学有所帮助。

哪些是 Elasticsearch ?

Elasticsearch 是十几次 基于 Apache Lucene(TM) 的开源搜索引擎。

那 Lucene 是哪些?

无论在开源还是专有领域,Lucene 都可否 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 的繁杂性,从而让全文搜索变得简单。

Elasticsearch 不仅仅是 Lucene 和全文搜索,当人们歌词 还能越来越 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
  • 分布式的实时分析搜索引擎
  • 都可否 扩展到上百台服务器,解决 PB 级形态化或非形态化数据

就像某些某些业务系统是基于 Spring 实现一样,Elasticsearch 和 Lucene 的关系很简单:Elasticsearch 是基于 Lucene 实现的。ES 基于底层哪些包,就是进行了扩展,提供了更多的更充沛的查询的话,就是通过 RESTful API 都可否 更方便地与底层交互。类式 ES 还有 Solr 也是基于 Lucene 实现的。

在应用开发中,用 Elasticsearch 会很简单。就是肯能你直接用 Lucene,会有极少量的集成工作。

就是,入门 ES 的同学,稍微了解下 Lucene 即可。肯能往高级走,还是需用学习 Lucene 底层的原理。肯能倒排索引、打分机制、全文检索原理、分词原理等等,哪些不是不必过时的技术。

3.1 数据模型

如图

  • 十几次 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。每个节点只要 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
  • 每个分片上对应着只要十几次 Lucene Index(底层索引文件)
  • Lucene Index 是十几次 统称。由多个 Segment (段文件,只要倒排索引)组成。每个段文件存储着只要 Doc 文档。

3.2 Lucene Index

lucene 中,单个倒排索引文件称为 segment。其包含十几次 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 后边
  • 文档查询,会查询所有的 segments
  • 当十几次 段地处文档被删除,会维护该信息在 .liv 文件后边

3.3 新文档写入流程

新文档创建肯能更新时,进行如下流程:

更新不必修改越来越 的 segment,更新和创建操作还会生成新的十几次 segment。数据哪里来呢?先会地处内存的 bugger 中,就是持久化到 segment 。

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

3.3.1 write 过程

十几次 新文档过来,会存储在 in-memory buffer 内存缓存区中,顺便会记录 Translog。

这之前 数据还没到 segment ,是搜越来越 某些新文档的。数据越来越 被 refresh 后,才都可否 被搜索到。越来越 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 是支持修改某些值的,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。此时文档都可否 被搜索到
  • 最后清空 in-memory buffer。注意: Translog 越来越 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,越来越 解决了性能 IO 操作,又都可否 使文档搜索到。refresh 默认 1 秒执行一次,性能损耗太多。一般建议稍微延长某些 refresh 时间间隔,比如 5 s。就是,ES 真是只要准实时,达越来越 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。越来越 ,为了保证文档不必丢失,需用将文档写入磁盘。越来越 文档从文件缓存写入磁盘的过程只要 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

具体都可否 看官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.3/indices-flush.html

3.3.4 merge 过程

后边十几次 步骤,可见 segment 会太多,越来越 搜索会越来越 慢?为啥解决呢?

通过 merge 过程解决:

  • 只要各个小段文件,合并成十几次 大段文件。段合并过程
  • 段合并结束了英文,旧的小段文件会被删除
  • .liv 文件维护的删除文档,会通过某些过程进行清除

如某些图,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 。此时都可否 被搜到
  • flush 是缓存中的 segment 文档数据写入到磁盘

写入的原理我只要知道们,考虑的点某些某些: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