ES的写入过程
ES支持的写操作
- create： create操作不同于put操作，put操作的时候如果当前put的数据存在则会被覆盖，如果put操作的时候加上操作类型create，如果数据存在则会返回失败，比如：PUT /pruduct/_create/1/
- delete：删除文档，ES对文档的删除是懒删除机制，即标记删除
- index：在ES中，写入操作被称为Index这里的Index为动词，即将数据创建在ES中的索引里面
- update：指向partial update，（全量替换，部分替换）
ES写入流程图解
- ES中数据写入均发生在Primary shard（主分片），当数据在Primary写入完成之后会同步到其他Relica Shard。如下图
-
第一步：客户端发起请求到node4的1分片
-
第二步：node 4 通过文档id在路由表中的映射信息确定当前数据的位置为分片0，分片0的主分片位于node 5，将数据妆发到node5
-
第三步：数据在node 5写入，写入成功后数据的同步请求转发到副本所在的node 4和node 6
-
第四步：等待所有副本数据写入完成后，node5 返回结果给node4，node4 将结果返回给客户的
-
node 4 转到node 5 的依据是通过如下算法来完成的：
shard_num = hash(_routing)% num_primary_shards
- _routing :默认值是文档id
- num_primary_shards：现有的分片总数
写一致性策略
- ES 5.x 之后，一致性策略配置：wait_for_active_shards 参数控制，默认1，
- 写入操作，必须等数据同步到 wait_for_active_shards 配置的制定个分片后才能返回成功，默认1个，最多是number_of_replicas + 1 也就是all
ES写入原理
-
ES的写入优化和其他数据库存储类似，就是避免直接对磁盘进行操作，通过加缓存的方式，如果加一层缓存不行，那么久多加一层缓存，通过backup文件追加写的方式来做crash-safe。大体思路就是如此，流程如下
-
ES是用java实现的，在写入的时候为写入实现提供了一个缓冲区 Memory Buffer，数据显写入缓冲区，缓冲区固定大小
-
Memory Buffer 有空间阈值 10% JVM heap，时间阈值 1s钟，当任意一个满足的时候，ES会对MemoryBuffer 进行Refresh，将缓存中数据写入Segment
-
MemoryBuffer 写入Segment文件并没有落盘，而是生成了一个临时的Segment索引这部分数据存储在文件系统缓存中，此时就能查询到新写入的数据
-
因为缓存数据可能丢失，为了做crash-safe，es从Memory Buffer到生成Segment索引缓存同时会通过追加写的方式 写入translog
-
Es会定期进行flush ，将缓存中的Segment写入到磁盘，写完后，会讲Segment索引标记为可用，所以写入到查询有1s延迟
对Translog的控制（flush的时机）
- 配置一：index.translog.sync_interval
- 无论写入操作如何，translog 默认每隔 5s （可以设置更大时间）被 fsync 写入磁盘一次，不允许设置小于 100ms 的提交间隔。
- 配置二：index.translog.durability
- 同步刷盘还是异步刷盘，默认情况是fsync（同步刷盘）
- 配置三：index.translog.flush_threshold_size
- 也就是translog的容量大小，默认为 512mb. 在达到translog的最大容量的时候，会立刻停止写入同坐一次flush，晴空translog
refresh原理
- refresh的过程是从jvm的内存索引缓冲区 写入到 文件系统缓冲区（这个是两个缓存直接数据交换，消耗低）。
- 数据在进入文件缓存后，它可以像任何其他文件一样打开和读取。文件缓存是文件系统的一部分，这个位置由操作系统控制了
- 配置信息：index.refresh_interval：可以设置刷新的间隔时间
Segment 的Merge操作
- 由于默认每一秒都从缓冲区refresh 到Segment，所以会生成非常多的小数据量的Segment。而Segment段数目太多会带来较大的麻烦。 每一个段都会消耗文件句柄、内存和cpu运行周期。更重要的是，每个搜索请求都必须轮流检查每个段；所以段越多，搜索也就越慢。
- Elasticsearch通过在后台进行段合并来解决这个问题。小的段被合并到大的段，然后这些大的段再被合并到更大的段。 这个就是Merge操作，Merge操作发生在Jvm 中
- Elasticsearch 中的一个 shard 是一个 Lucene 索引，一个 Lucene 索引被分解成段。段是存储索引数据的索引中的内部存储元素，并且是不可变的。较小的段会定期合并到较大的段中，并删除较小的段
- Merge操作是一个需要消耗大量的I/O和CPU资源的操作，会影响搜索性能。Elasticsearch在默认情况下会对合并流程进行资源限制，所以搜索仍然 有足够的资源很好地执行。
写入性能调优
-
第一点：多Merge的限制：
- 原因：merge 过程发生在 JVM中，频繁的生成 Segmen 文件可能会导致频繁的触发 FGC，导致 OOM
- 方法一：增加refresh的间隔时间
- 方法二：增加Memory Buffer的空间阈值
-
生产经常面临的写入可以分为两种情况：
- 高频低量：高频的创建或更新索引或文档一般发生在 处理 C 端业务的场景下。
- 低频高量：一般情况为定期重建索引或批量更新文档数据。
具体优化配置
- 第一：增加 flush 时间间隔 ，目的减少写入磁盘的次数，减少磁盘IO频率
- 第二：增加index.refresh_interval 配置值，减少Segment文件创建，减少merge发生频率
- 第三：增加memory Buffer大小，减少Segment文件创建，减少merge发生频率，最小值 48MB< 默认值 JVM 空间的10% < 默认最大无限制
- 第四：关闭副本，当需要单次写入大量数据，或者就是es数据初始化的时候，建议关闭副本，暂停搜索服务，或选择在检索请求量谷值区间时间段来完成。通过index.number_of_replicas 为0 设置，同步完成后在复原
- 第一可以减少读写资源的抢占，读写分离
- 第二 副本的存在会导致主从之间频繁的进行数据同步，大大增加服务器的资源占用。
- 第五：使用多个工作线程，设置为 cpu 数 + 1
- 第六：避免使用避免使用稀疏数据，稀疏数据就是你有100 个字段，但是每条数据都只占用其中一个字段，这就是稀疏数据
- 第七：合理的max_result_window参数，分页返回的最大数值，默认值为10000，是JVM的一种保护机制
查询性能调优
- 首先明确：读写性能不可兼得
具体优化方法：
第一：避免单次召回大量数据
- 搜索引擎最擅长的事情是从海量数据中查询少量相关文档，而非单次检索大量文档。非常不建议动辄查询上万数据。如果有这样的需求，建议使用滚动查询，条件限制查询尽量减少返回数据量
第二：避免单个文档过大
- 鉴于默认http.max_content_length设置为 100MB，所以单个文档（一行数据）不要超过100M
第三：单次查询10条文档 好于 10次查询每次一条（批量的优势）
- 批量请求将产生比单文档索引请求更好的性能。但是每次查询多少文档最佳，不同的集群最佳值可能不同，为了获得批量请求的最佳阈值，建议在具有单个分片的单个节点上运行基准测试，测试方式可以逐次增加批量级别，观察索引速度取一个合适的量级
第四：给系统留足够的内存
- luncene数据Segment 的flush到磁盘是发生在缓存中的，因此要给OS cache预留足够的内从大小
第五：预索引
- 在能预知的业务场景下，我们给必须的查询字段创建索引，例如我们知道每个文档都有 price 价格字段，那么我们预先打开 price的doc values属性来创建正排索引，之后通过price来完成聚合查询。
第六：使用 filter 代替 query
- filter查询的是是不计算评分的，另外filter有相应的缓存机制，可以提高查询效率。query是要对查询的每个结果计算相关性得分的因此更慢，如果我们认为评分排序对业务并不重要，可以考虑
第七：避免深度分页
- 详情见 elasticSearch解决方案
第八：使用 Keyword 类型
- 并非所有数值数据都应映射为数值字段数据类型。Elasticsearch为 查询优化数字字段，例如integeror long。如果不需要范围查找，对于 term查询而言，keyword 比 integer 性能更好。只不过keyword只能是等值查询
第九：避免使用脚本
- Scripting是Elasticsearch支持的一种专门用于复杂场景下支持自定义编程的强大的脚本功能。相对于 DSL 而言，脚本的性能更差，DSL能解决 80% 以上的查询需求，如非必须，尽量避免使用 Script
