【搜索引擎】elastic search核心概念

前言

本文不涉及ES的具体安装下载、操作、集群的内容，这部分内容会放在后面一篇文章中。本文只包含ES的核心理论，看完本文再去学ES的细节会事半功倍。

1.由日志存储引出的问题

2.什么是ES？

3.ES的数据结构

4.ES的核心原理

5.联系作者

1.由日志存储引出的问题

本文或者说本系列的来源：

前面我们聊过了分布式链路追踪系统，在基于日志实现的分布式链路追踪的方式seluth+zipkin中为了防止数据丢失，需要将数据持久化。我们给出的是持久化进mysql中的示例。

【JAVA】分布式链路追踪技术概论-CSDN博客

【分布式链路追踪技术】sleuth+zipkin-CSDN博客

这里就需要关注一个问题了：

用mysql来存储日志真的合适吗？或者说用什么方式来存储日志合适喃？

从两个场景来具体切入：

聚合
搜索

聚合：

我们收集到日志后，需要对内容进行一些统计，比如请求报错的比列，就要去统计error的数量。

搜索：

我们收集到日志后需要进行一些搜索，比如在进行问题排查的时候搜索一些具体的报错信息。

以上两个操作MySQL支持吗？很明显是支持的，用聚合函数和like函数可以轻松实现。但是性能喃？

日志是文本类的数据，是非结构化的，不是结构化的。要存储到mysql中也是将日志内容存到一个字段上，对这个字段内的内容进行模糊查询根本没办法用到索引，一旦数据量大了以后，会迎来性能上的灾难。除此之外我们再仔细思考一下，内容存在单字段内，似乎聚合也不是很好做。

所以我们说，关系型的数据交给关系型数据库来做，非关系型的数据还是交给非关系型的数据来做才合适。

这里复习一下什么是关系型和非关系型最核心的区别：

关系型，数据之间（表之间）可以通过主键、外键之间建立起很强的关系。

非关系型，数据之间相对独立，没有建立起很强关联关系的方式。

2.什么是ES？

前面我们聊过了对于文本内容来说，关系型数据库是很难满足业务要求的。这时候就需要用到专业的做文本搜索的组件。Elasticsearch（简称ES）是为全文搜索而设计的，可以快速且高效地搜索大量文本数据。它支持复杂的查询，包括全文、模糊、通配符、范围和正则表达式查询等。

ES的架构其实可以类比数据库来理解：

ES	database
索引	库
类型	表
文档	行
字段	列

目前新版本的ES中是没有type这一层级的，这是因为ES使用了倒排索引，层级过多会影响性能，而且随着在实际应用中的铺开，大家发现对于文档来说，类型其实是多余的，如果非要使用类型的概念，索引层面已经可以实现了，把不同分类的数据放到不同的索引中就行了。于是在之前的三个大版本的迭代中，ES围绕淡化和去除type做了一些工作：

5.X及其以前，一个index下允许存在多个type。

6.X一个index下只允许存在一个type。

7.X即其以后，取消了type这个概念。

3.ES的数据结构

ES是用Json的方式来组织数据的，下面来演示一下一篇文章在ES中是怎样存储的。

随便打开百度上今天的一条热搜新闻：

建立好索引并声明好各个字段的配置：

ES是采用rest api的方式通过http method+参数的方式来进行操作的，创建index是put方法跟上index的名字和index的详细描述。

PUT /my_article_index

{
"settings": {
"number_of_shards": 3, // 设置分片数量
"number_of_replicas": 1 // 设置副本数量
},
"mappings": {
"properties": {
"title": {
"type": "text", // 文本类型，用于全文搜索
"fields": {
"keyword": {
"type": "keyword", // 关键字类型，用于精确匹配
"ignore_above": 256 // 忽略较长的文本
}
}
},
"content": {
"type": "text", // 文本类型，用于全文搜索
"analyzer": "standard" // 使用标准分析器
},
"author": {
"type": "keyword" // 关键字类型，用于精确匹配
},
"publish_date": {
"type": "date", // 日期类型
"format": "yyyy-MM-dd HH:mm:ss||epoch_millis" // 支持的日期格式
}
}
}
}

将文章存进建立好的索引中：

ES是采用rest api的方式通过http method+参数的方式来进行操作的，向index中添加数据是post方法+index名字+_doc+id，id可以不指定自动生成，也可以指定。

POST /my_article_index/_doc/1

{
"title": "天南地北迎新年喜庆欢乐庆元旦",
"content": "央视网消息（新闻联播）：辞旧迎新，欢度元旦。天南地北的人们在丰富多彩的节庆活动中迎接2024年的到来。跨年夜，神州大地一派欢乐。在北京，新年倒计时主场活动在首钢园举行，精彩纷呈的光影秀、灯光雕塑、文艺表演等，将园区变成了欢乐的海洋。在江西南昌，充满科技与未来感的灯光秀，在城市楼宇间变幻出一幅幅美丽的画卷。在海南海口、安徽芜湖，数百架无人机摆出各种欢度节日的字样和图案，喜迎新年的到来。在重庆解放碑中央广场，众多市民和游客共同聆听新年钟声，许下美好的新年愿望。在福建平潭综合实验区、在太湖边的苏州湾、在北国江城吉林市，寓意着幸福安康、欢乐祥和的烟花秀在夜空绽放，为人们送上新年祝福。在河南郑州、山西忻州，打铁花、创意灯展等表演吸引了众多市民游客。在山东泰山脚下，民俗非遗夜游专场，让游客亲身体验民间习俗。在黑龙江鸡西，晶莹剔透的冰雕、栩栩如生的雪雕与五彩斑斓的花灯交相辉映，营造出浓浓的节日气氛。喜迎新年，尽享欢乐。今天（1月1日），广州白云国际机场、广州南站、广州白云站响起《我爱你中国》等歌曲，大家用快闪歌舞为祖国送上祝福。在内蒙古鄂尔多斯东胜区，堆雪人、亲子拉力赛，人们在冰雪那达慕活动中欢乐跨年。在浙江绍兴丰惠古城、在湖南益阳百年书院，糖画、扇绘、竹编等充满年味的古风集市处处洋溢着节日的喜庆。在贵州乌江寨，地方传统戏剧、杂技轮番上演，人们喝茶看戏，好不惬意。在广西富川瑶族村落，村民穿上节日盛装唱瑶歌，展示传统习俗，祝福新年五谷丰登、国泰民安。",
"author": "央视网",
"publish_date": "2024-01-01 20:07:27"
}

4.ES的核心原理

Elasticsearch中采用倒排索引来支持对文档进行高效的全局搜索。倒排索引是类比正排索引的一个概念。比如在文档中搜索关键字，正排索引的做法是指通过索引找到数据，再在数据中搜索关键字,比如通过id找到content，再在content中寻找关键字。

id	content
1001	my name is zhang san
1002	my name is li si

倒排索引的做法是指的是通过数据找到索引，再通过索引找到文档，会有个地方专门记录每个字段和索引的对应关系。

keyword	id
name	1001，1002
zhang	1001
......	......

Elasticsearch 采用倒排索引的方式，将每个词汇与其在文档中的位置建立索引。这样的设计使得它更适合文本搜索，尤其是全文搜索。字段和索引的对应关系是在建立倒排索引的时候生成的，Elasticsearch 在建立倒排索引时采用了分词（tokenization）的过程，使用分词器，将文本字段中的文本切分成一个个有意义的词（token）以便进行检索。关于分词器，这是一项开源的技术，其实现是五花八门的，常见的分词器包括标准分词器（standard tokenizer）、较简单的空格分词器（whitespace tokenizer）、关键字分词器（keyword tokenizer）等。ES是支持替换分词器的。

我想到这里大家会有这样的疑惑：

比如ES中存储的是海量数量的文章，那么分词出来的索引和分词的关系也是海量的，即使使用倒排索引，应该也很慢吧。MySQL的索引用了B+树来提升索引的匹配速度，ES是怎么处理的喃？

ES给出了以下两个维度的优化