ElasticSearch-集群读写

news2024/9/20 10:43:04
  • ES跨集群搜索（CCS）
  • 分片的设计和管理
    • 算分不准 dfs_query_then_fetch
    • 如何设计分片数
  • ES底层读写工作原理
    • ES写入数据的过程
    • ES读取数据的过程
    • 写数据底层原理
  • 提升集群的读写性能
    • 提升集群读取性能
    • 提升集群写入性能

ES跨集群搜索（CCS）

  • ES水平扩展存在的问题
    • 单集群水平扩展时，节点数不能无限增加
      • 当集群的meta 信息(节点，索引，集群状态)过多会导致更新压力变大，单个Active Master会成为性能瓶颈，导致整个集群无法正常工作
    • 早期版本，通过Tribe Node可以实现多集群访问的需求，但是还存在一定的问题
      • Tribe Node会以Client Node的方式加入每个集群，集群中Master节点的任务变更需要Tribe Node 的回应才能继续
      • Tribe Node 不保存Cluster State信息，一旦重启，初始化很慢
      • 当多个集群存在索引重名的情况时，只能设置一种 Prefer 规则
    • Elasticsearch 5.3 引入了跨集群搜索的功能 (Cross Cluster Search)，推荐使用
      • 允许任何节点扮演联合节点，以轻量的方式，将搜索请求进行代理
      • 不需要以Client Node的形式加入其他集群
# 启动3个集群
elasticsearch.bat ‐E node.name=cluster0node ‐E cluster.name=cluster0 ‐E path.data=cluster0_data ‐E discovery.type=single‐node ‐E http.port=9200 ‐E t 
ransport.port=9300
elasticsearch.bat ‐E node.name=cluster1node ‐E cluster.name=cluster1 ‐E path.data=cluster1_data ‐E discovery.type=single‐node ‐E http.port=9201 ‐E t 
ransport.port=9301
elasticsearch.bat ‐E node.name=cluster2node ‐E cluster.name=cluster2 ‐E path.data=cluster2_data ‐E discovery.type=single‐node ‐E http.port=9202 ‐E t 
ransport.port=9302

# 在每个集群上设置动态的设置
PUT _cluster/settings
{"persistent":{"cluster":{"remote":{
  "cluster0":{"seeds":["127.0.0.1:9300"],"transport.ping_schedule":"30s"},
  "cluster1":{"seeds":["127.0.0.1:9301"],"transport.compress":true,"skip_unavailable":true},
  "cluster2":{"seeds":["127.0.0.1:9302"]}}}}}
  • CCS的配置
    • seeds 配置的远程集群的 remote cluster 的一个 node
    • connected 如果至少有一个到远程集群的连接则为 true
    • num_nodes_connected 远程集群中连接节点的数量
    • max_connections_per_cluster 远程集群维护的最大连接数
    • transport.ping_schedule 设置了tcp层面的活性监听
    • skip_unavailable 默认是false，当对应的remote cluster不可用的话，则会报错
      • 设置为true的话，当这个remote cluster不可用的时候，就会忽略
    • cluster.remote.connections_per_cluster gateway nodes数量，默认是3
    • cluster.remote.initial_connect_timeout 节点启动时等待远程节点的超时时间，默认是30s
    • cluster.remote.node.attr 一个节点属性，用于过滤remote cluster中符合gateway nodes的节点
      • 比如设置cluster.remote.node.attr=gateway，那么将匹配节点属性 node.attr.gateway:true 的node才会被该node连接用来做CCS查询
    • cluster.remote.connect 默认情况下，群集中的任意节点都可以充当federated client并连接到remote cluster
      • cluster.remote.connect可以设置为 false（默认为true）以防止某些节点连接到 remote cluster
    • 在使用api进行动态设置的时候每次都要把seeds带上
# 查询结果获取到所有集群符合要求的数据
GET /users,cluster1:users,cluster2:users/_search 
{"query":{"range":{"age":{"gte":30,"lte":40}}}}

分片的设计和管理

  • 单个分片
    • 7.0开始，新创建一个索引时，默认只有一个主分片
      • 单个分片，查询算分，聚合不准的问题都可以得以避免
    • 单个索引，单个分片时候，集群无法实现水平扩展
  • 两个分片
    • 集群增加一个节点后，Elasticsearch 会自动进行分片的移动，也叫 Shard Rebalancing
    • 分片的设计和管理

算分不准 dfs_query_then_fetch

  • 算分不准的原因
    • 相关性算分在分片之间是相互独立的，每个分片都基于自己的分片上的数据进行相关度计算
    • 这会导致打分偏离的情况，特别是数据量很少时
      • 当文档总数很少的情况下，如果主分片大于1，主分片数越多，相关性算分会越不准
  • 解决算分不准的方法
    • 数据量不大的时候，可以将主分片数设置为1
    • 当数据量足够大时候，只要保证文档均匀分散在各个分片上，结果一般就不会出现偏差
    • 使用 DFS Query Then Fetch
      • 搜索的URL中指定参数_search?search_type=dfs_query_then_fetch
      • 到每个分片把各分片的词频和文档频率进行搜集，然后完整的进行一次相关性算分
        • 耗费更加多的CPU和内存，执行性能低下，—般不建议使用
GET /blogs/_search?search_type=dfs_query_then_fetch 
{"query":{"match":{"content":"elasticsearch"}}}

如何设计分片数

  • 当分片数>节点数时
    • 一旦集群中有新的数据节点加入，分片就可以自动进行分配
    • 分片在重新分配时，系统不会有 downtime
  • 多分片的好处: 一个索引如果分布在不同的节点，多个节点可以并行执行
    • 查询可以并行执行
    • 数据写入可以分散到多个机器
  • 分片过多所带来的副作用（Shard是Elasticsearch 实现集群水平扩展的最小单位）
    • 每个分片是一个Lucene的索引，会使用机器的资源。过多的分片会导致额外的性能开销
    • 每次搜索的请求，需要从每个分片上获取数据
    • 分片的Meta 信息由Master节点维护。过多，会增加管理的负担。经验值，控制分片总数在10W以内
  • 如何确定主分片数
    • 从存储的物理角度看
      • 搜索类应用，单个分片不要超过20 GB
      • 日志类应用，单个分片不要大于50 GB
  • 为什么要控制分片存储大小
    • 提高Update 的性能
    • 进行Merge 时，减少所需的资源
    • 丢失节点后，具备更快的恢复速度
    • 便于分片在集群内 Rebalancing
  • 如何确定副本分片数（副本是主分片的拷贝）
    • 提高系统可用性︰响应查询请求，防止数据丢失
    • 需要占用和主分片一样的资源
  • 对性能的影响
    • 副本会降低数据的索引速度: 有几份副本就会有几倍的CPU资源消耗在索引上
    • 会减缓对主分片的查询压力，但是会消耗同样的内存资源
      • 如果机器资源充分，提高副本数，可以提高整体的查询 QPS
  • ES的分片策略会尽量保证节点上的分片数大致相同，但是有些场景下会导致分配不均匀
    • 扩容的新节点没有数据，导致新索引集中在新的节点
    • 热点数据过于集中，可能会产生性能问题
  • 可以通过调整分片总数，避免分配不均衡
    • index.routing.allocation.total_shards_per_node
      • index级别的，表示这个index每个Node总共允许存在多少个shard，默认值是-1表示无穷多个
    • cluster.routing.allocation.total_shards_per_node
      • cluster级别，表示集群范围内每个Node允许存在有多少个shard。默认值是-1表示无穷多个
    • 如果目标Node的Shard数超过了配置的上限，则不允许分配Shard到该Node上
    • index级别的配置会覆盖cluster级别的配置

ES底层读写工作原理

  • 写请求是写入 primary shard，然后同步给所有的 replica shard
  • 读请求可以从 primary shard 或 replica shard 读取，采用的是随机轮询算法

ES写入数据的过程

  1. 客户端选择一个node发送请求过去，这个node就是coordinating node (协调节点)
  2. coordinating node，对document进行路由，将请求转发给对应的node
  3. node上的primary shard处理请求，然后将数据同步到replica node
  4. coordinating node如果发现primary node和所有的replica node都搞定之后，就会返回请求到客户端

ES写入数据的过程

ES读取数据的过程

  • 根据id查询数据的过程：根据 doc id 进行 hash，判断出来当时把 doc id 分配到了哪个 shard 上面去，从那个 shard 去查询
    1. 客户端发送请求到任意一个 node，成为 coordinate node
    2. coordinate node 对 doc id 进行哈希路由，将请求转发到对应的 node，此时会使用 round-robin 随机轮询算法，在 primary shard 以及其所有 replica 中随机选择一个，让读请求负载均衡
    3. 接收请求的 node 返回 document 给 coordinate node
    4. coordinate node 返回 document 给客户端
  • 根据关键词查询数据的过程
    1. 客户端发送请求到一个 coordinate node
    2. 协调节点将搜索请求转发到所有的 shard 对应的 primary shard 或 replica shard ，都可以
    3. query phase：每个 shard 将自己的搜索结果返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果
    4. fetch phase：接着由协调节点根据 doc id 去各个节点上拉取实际的 document 数据，最终返回给客户端

写数据底层原理

写数据底层原理

  • segment file: 存储倒排索引的文件，每个segment本质上就是一个倒排索引，每秒都会生成一个segment文件
    • 当文件过多时es会自动进行segment merge（合并文件），合并时会同时将已经标注删除的文档物理删除
  • commit point: 记录当前所有可用的segment，每个commit point都会维护一个.del文件
    • 每个.del文件都有一个commit point文件（es删除数据本质是不属于物理删除）
    • 当es做删改操作时首先会在.del文件中声明某个document已经被删除
      • 文件内记录了在某个segment内某个文档已经被删除
    • 当查询请求过来时在segment中被删除的文件是能够查出来的
    • 但是当返回结果时会根据commit point维护的那个.del文件把已经删除的文档过滤掉
  • translog日志文件: 为了防止elasticsearch宕机造成数据丢失保证可靠存储
    • es会将每次写入数据同时写到translog日志中
  • os cache：操作系统里面，磁盘文件其实都有一个东西，叫做os cache，操作系统缓存
    • 数据写入磁盘文件之前，会先进入os cache，先进入操作系统级别的一个内存缓存中去
  • Refresh
    • 将文档先保存在Index buffer中，以refresh_interval为间隔时间，定期清空 buffer，生成 segment
    • 借助文件系统缓存的特性，先将segment放在文件系统缓存中，并开放查询，以提升搜索的实时性
  • Translog
    • Segment没有写入磁盘，即便发生了当机，重启后，数据也能恢复
    • 从ES6.0开始默认配置是每次请求都会落盘
  • Flush（ES自动完成）
    • 删除旧的translog 文件
    • 生成Segment并写入磁盘
    • 更新commit point并写入磁盘

提升集群的读写性能

提升集群读取性能

  • 数据建模
    • 尽量将数据先行计算，然后保存到Elasticsearch 中。尽量避免查询时的 Script 计算
    • 尽量使用Filter Context，利用缓存机制，减少不必要的算分
    • 结合profile，explain API分析慢查询的问题，持续优化数据模型
    • 避免使用*开头的通配符查询
# 查询时的 Script 计算
GET blogs/_search
{"query":{"bool":{"must":[{"match":{"title":"elasticsearch"}}],"filter":{
  "script":{"script":{"source":"doc['title.keyword'].value.length()>5"}}}}}}
  • 优化分片
    • 避免Over Sharing：一个查询需要访问每一个分片，分片过多，会导致不必要的查询开销
    • 结合应用场景，控制单个分片的大小
      • Search: 20GB
      • Logging: 40GB
    • Force-merge Read-only 索引
      • 使用基于时间序列的索引，将只读的索引进行 force merge，减少segment数量
# 手动 force merge
POST /my_index/_forcemerge

提升写入性能的方法

  • 写性能优化的目标: 增大写吞吐量，越高越好
  • 客户端: 多线程，批量写
    • 可以通过性能测试，确定最佳文档数量
    • 多线程: 需要观察是否有HTTP 429（Too Many Requests）返回，实现 Retry以及线程数量的自动调节
  • 服务器端: 单个性能问题，往往是多个因素造成的
    • 需要先分解问题，在单个节点上进行调整并且结合测试，尽可能压榨硬件资源，以达到最高吞吐量
    • 使用更好的硬件。观察CPU / IO Block
    • 线程切换│堆栈状况
  • 服务器端优化写入性能的一些手段
    • 降低IO操作
      • 使用ES自动生成的文档ld
      • 一些相关的ES 配置，如Refresh Interval
    • 降低 CPU 和存储开销
      • 减少不必要分词
      • 避免不需要旳doc_values
      • 文档的字段尽量保证相同的顺予，可以提高文档的压缩率
    • 尽可能做到写入和分片的均衡负载，实现水平扩展
      • Shard Filtering / Write Load Balancer
    • 调整Bulk 线程池和队列
  • 注意：ES 的默认设置，已经综合考虑了数据可靠性，搜索的实时性，写入速度，一般不要盲目修改。一切优化，都要基于高质量的数据建模
  • 建模时的优化
    • 只需要聚合不需要搜索，index设置成false
    • 不要对字符串使用默认的dynamic mapping。字段数量过多，会对性能产生比较大的影响
    • Index_options控制在创建倒排索引时，哪些内容会被添加到倒排索引中
  • 如果需要追求极致的写入速度，可以牺牲数据可靠性及搜索实时性以换取性能
    • 牺牲可靠性: 将副本分片设置为0，写入完毕再调整回去
    • 牺牲可靠性: 修改Translog的配置
    • 牺牲搜索实时性︰增加Refresh Interval的时间
  • 降低 Refresh的频率
    • 增加refresh_interval 的数值。默认为1s ，如果设置成-1，会禁止自动refresh
      • 避免过于频繁的refresh，而生成过多的segment 文件
      • 但是会降低搜索的实时性
    • 增大静态配置参数indices.memory.index_buffer_size
      • 默认是10%，会导致自动触发refresh
PUT /my_index/_settings
{"index":{"refresh_interval":"10s"}}
  • 降低Translog写磁盘的频率，但是会降低容灾能力
    • Index.translog.durability: 默认是request，每个请求都落盘。设置成async，异步写入
    • lndex.translog.sync_interval：设置为60s，每分钟执行一次
    • Index.translog.flush_threshod_size: 默认512 m，可以适当调大。当translog 超过该值，会触发flush
  • 分片设定
    • 副本在写入时设为0，完成后再增加
    • 合理设置主分片数，确保均匀分配在所有数据节点上
    • Index.routing.allocation.total_share_per_node: 限定每个索引在每个节点上可分配的主分片数
  • 调整Bulk 线程池和队列
    • 客户端
      • 单个bulk请求体的数据量不要太大，官方建议大约5-15m
      • 写入端的 bulk请求超时需要足够长，建议60s 以上
      • 写入端尽量将数据轮询打到不同节点
    • 服务器端
      • 索引创建属于计算密集型任务，应该使用固定大小的线程池来配置
        • 来不及处理的放入队列，线程数应该配置成CPU核心数+1，避免过多的上下文切换
        • 队列大小可以适当增加，不要过大，否则占用的内存会成为GC的负担
PUT myindex
{"settings":{"index":{
 "refresh_interval":"30s", # 30s 一次 refresh
   "number_of_shards":"2"},"routing":{"allocation":{
 "total_shards_per_node":"3" # 控制分片，避免数据热点
   }},"translog":{"sync_interval":"30s",
 "durability":"async" # 降低 translog 落盘频率
   },"number_of_replicas":0},"mappings": {
 "dynamic": false, # 避免不必要的字段索引，必要时可以通过 update by query 索引必要的字段
   "properties":{}}}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2107875.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

git管理历险记

git管理历险记

本篇文章主要是记录一下公司内git管理策略的变更，又如何因地制宜的磨合出适合团队的方法论，以便未来的职业生涯遇到类似的问题可以稍微触类旁通下。 传统git策略 dev -> test -> pre -> main 这也是比较经典的一个环境对应一个分支&#xff…
阅读更多...
[pytorch] --- pytorch基础之模型验证套路

[pytorch] --- pytorch基础之模型验证套路

利用已经训练好的模型，拿出训练集中的部分数据进行测试 下面给出完整的示例代码： # -*- coding: utf-8 -*- # 作者：小土堆 # 公众号：土堆碎念 import torch import torchvision from PIL import Image from torch import nnimage…
阅读更多...
游戏行业社招上岸指南

游戏行业社招上岸指南

鉴于游戏行业的蓬勃发展，游戏领域的各大头部企业每年仍然有大量用人需求。即将到来的“金九银十”可谓是招聘者与应聘者的双向奔赴。 然而除了校招之外，社招同样是秋招中不可忽视的组成部分。因此，这份社招求职指南也终于千呼万唤始出来&…
阅读更多...
FPGA第 9 篇，Verilog 中的关键字和基数

FPGA第 9 篇，Verilog 中的关键字和基数

前言 在 Verilog 中，关键字（Keywords）和基数（Radix）是语言的重要组成部分，它们有助于描述和定义硬件设计。上期分享了 Verilog 的基本使用，以及数据类型、逻辑值和算数运算符的简单应用&#x…
阅读更多...
服务器安装pytorch-阿里云-centos7

服务器安装pytorch-阿里云-centos7

原文阅读：【巨人肩膀社区专栏分享】服务器安装pytorch-阿里云-centos7 1、创建一个虚拟环境 conda create -n pytorch python3.10 安装成功：   但是使用上面的命令会失败（疑问？&#xf…
阅读更多...
Apache Guacamole 安装及配置VNC远程桌面控制

Apache Guacamole 安装及配置VNC远程桌面控制

文章目录 官网简介支持多种协议无插件浏览器访问配置和管理应用场景 Podman 部署 Apache Guacamole拉取 docker 镜像docker-compose.yml部署 PostgreSQL生成 initdb.sql 脚本部署 guacamole Guacamole 基本用法配置 VNC 连接 Mac 电脑开启自带的 VNC 服务 官网 https://guacam…
阅读更多...
编程式路由跳转

编程式路由跳转

点击左侧的导航栏，会跳转到相应的页面。可以在导航栏上定义一个点击事件，在vue-router中解构useRouter,把useRouter赋给router,使用***router.push()***就可以实现编程式路由跳转。 路由跳转有:to,push,replace push模式在浏览器上有历史记录&#xff…
阅读更多...
【华为】测试工程师面试题汇总，你可知道华为的高薪技术岗有多香~

【华为】测试工程师面试题汇总，你可知道华为的高薪技术岗有多香~

华为一直是求职者重点投递的热门企业，面对丰厚的薪资福利，无数985、211的学子挤破脑袋都想占据一席之地。 华为2021年发放工资、薪金及其他福利方面的费用达1371亿元人民币，按华为19.5万员工计算，华为员工人均年薪为70.3万&#…
阅读更多...
[每日一题]3174. 清除数字

[每日一题]3174. 清除数字

本专栏内容为：算法学习专栏，分为优选算法专栏，贪心算法专栏，动态规划专栏以及递归，搜索与回溯算法专栏四部分。 通过本专栏的深入学习，你可以了解并掌握算法。 💓博主csdn个人主页：小…
阅读更多...
Vue Router 入门指南：基础配置、路由守卫与动态路由

Vue Router 入门指南：基础配置、路由守卫与动态路由

Vue Router 入门指南：基础配置、路由守卫与动态路由 简介： Vue Router 是 Vue.js 官方的路由管理工具，用于在 Vue 应用中实现页面导航。掌握 Vue Router 的基本配置、路由守卫以及动态路由和懒加载是构建复杂 Vue 应用的基础。本文将详细介绍…
阅读更多...
web前端-HTML标签

web前端-HTML标签

一、HTML语法规范 1.基本语法概述 &#xff08;1&#xff09;HTML标签是由尖括号包围的关键词&#xff0c;例如<html> &#xff08;2&#xff09;HTML标签通常是成对出现的,例始<html>和</html>&#xff0c;我们称为双标签。标签对中的第一个标签是开始标…
阅读更多...
STM32（一）简介

STM32（一）简介

一、stm32简介 1.外设接口 通过程序配置外设来完成功能 2.系统结构 3.引脚定义 4.启动配置 5.最小系统电路
阅读更多...
解决：axios 请求头url传参数组时发生400错误

解决：axios 请求头url传参数组时发生400错误

一、前言 axios封装的网络请求&#xff0c;url传参时&#xff0c;数组作为参数传递&#xff0c;发生400错误请求时数组参数转url会保留 [] 二、原因 RFC3986&#xff1a;除了 数字 字母 -_.~ 不会被转义&#xff0c;其他字符都会被以百分号&#xff08;%&#xff09;后跟两位…
阅读更多...
QT:动态库与静态库的生成和使用

QT:动态库与静态库的生成和使用

目录 一.动态库和静态库 1.动态链接&#xff08;Dynamic Linking&#xff09; 2.静态链接&#xff08;Static Linking&#xff09; 3.选择依据 二.库的创建 1.新建文件和项目中&#xff0c;选择Library中C库 2.新建一个名为libtest库 3.打印一个qDebug&#xff0c;用于…
阅读更多...
PCA数据降维技术详解

PCA数据降维技术详解

在数据分析和机器学习的世界里&#xff0c;维度灾难是一个不可忽视的问题。随着数据维度的增加&#xff0c;计算量急剧上升&#xff0c;模型复杂度变高&#xff0c;同时可能引入噪声和冗余信息&#xff0c;影响模型的性能和解释性。主成分分析&#xff08;Principal Component …
阅读更多...
第六篇——黄金分割：毕达哥拉斯如何连接数学和美学?

第六篇——黄金分割：毕达哥拉斯如何连接数学和美学?

目录 一、背景介绍二、思路&方案三、过程1.思维导图2.文章中经典的句子理解3.学习之后对于投资市场的理解4.通过这篇文章结合我知道的东西我能想到什么&#xff1f; 四、总结五、升华 一、背景介绍 人眼看到的美的东西&#xff0c;都可以从数学这个抽象的学科中得到明确的…
阅读更多...
网页打印模板解析源码--SAAS本地化及未来之窗行业应用跨平台架构

网页打印模板解析源码--SAAS本地化及未来之窗行业应用跨平台架构

一、打印模板解析 /* ///cyberwin_offline_database_printtemp.js未来之窗打印模板解析技术 2024-09 */ class CyberWin_Database_printtemp_KV {constructor() {this.data {};this.line_count 0 ;}解析(数据) {// this.data[key] value;this.line_count 0 ;this.data {}…
阅读更多...
生日（仅粉丝可见，生日是9月6日，提前一天发的）

生日（仅粉丝可见，生日是9月6日，提前一天发的）

祝我自己生日快乐&#xff01; 感谢大家的陪伴与支持&#xff0c;以后我会努力做作品的&#xff01; &#xff08;累谁也不能累自己&#xff0c;所以我打算放3天假&#xff0c;反正延迟开学&#xff0c;先玩了来再去上学&#xff01;&#xff09;
阅读更多...
数据库超时排查

数据库超时排查

背景&#xff1a; 项目是用的springboot&#xff0c;连接池用的是hikaricp&#xff0c;且数据库连接做了LB配置&#xff0c;之前就是经常会有数据库出现问题&#xff0c;专家给到的解决方案。 数据连接io超时报错&#xff0c;排查了当时数据库各项指标都无显示异常&#xff0c;…
阅读更多...
基于SA-BP模拟退火算法优化BP神经网络实现数据预测Python实现

基于SA-BP模拟退火算法优化BP神经网络实现数据预测Python实现

在数据分析和机器学习领域&#xff0c;时间序列预测和多输入单输出系统的预测是重要且复杂的问题。传统的BP&#xff08;反向传播&#xff09;神经网络虽然具有强大的非线性函数逼近能力&#xff0c;但在处理这些问题时容易陷入局部极小值、训练速度慢以及过拟合等问题。为了克…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023