Elasticsearch学习笔记(二)单节点准实时索引的实现

Elasticsearch学习笔记(二)单节点准实时索引的实现

为什么要学习架构?

Elasticsearch的一些架构设计，对我们做性能调优、故障处理，具有非常重要的影响。下面将从Elasticsearch

的准实时索引的实现、自动发现、rounting和replica的读写过程，shard的allocate控制

使文本可以被搜索？

在传统的数据库中，一个字段存一个值，但是这对于全文搜索是不足的。想要让文本中的而每个单词都可以

被搜索，这意味着数据库需要多个值。

支持一个字段多个值的最佳数据结构是倒排索引。倒排索引包含了出现在所有文档中唯一的值或或词的有序列

表，以及每个词所属的文档列表。

倒排索引存储了比包含一个term的文档列表多地多的信息，它可能包含每一个term的文档数量，一个term出现

在制定文档中的频次，每个文档中term的顺序，每个文档的长度，所有文档的平均长度等等。这些统计信息使

Elasticsearch知道哪些term更重要，哪些文档更重要，也就是相关性。

在全文搜索的早些时候，会为整个文档集合建立一个大索引，并且写入磁盘。只有新索引准备好了它就会替代

旧的索引，最近的修改可以被检索。

不可变性

写入磁盘的倒排索引是不可变的，它有如下好处：

• 不需要锁。如果从来不需要跟新一个索引，就不必担心多个程序见同时尝试修改。
• 一旦索引被读入文件系统的缓存，它就一直在那儿，因为不会改变。只要文件系统缓存有足够的空

间，大部分的读会直接访问内存而不是磁盘。这有助于性能的提升。

• 在索引的声明周期内，所有的其他缓存都可用。他们不需要再每次数据变化了都重建，因此数据不会变。
• 写入单个大的倒排索引，可以压缩数据，较少的磁盘IO和需要缓存索引的大小。

当然，不可变的索引有它的缺点，首先是它不可变。如果想要搜索一个新文档，必须重建整个索引。这不仅限

制了一个索引所能装下的数据，还有一个索引可以被更新的频次。

准实时索引的实现？

本文主要介绍Elasticsearch的准实时索引的实现，至于基于Lucene的倒排索引将不在这里介绍，有兴趣的读者

可以去Lucene的相关文章，或者阅读《Lucene in Action》等书籍。下面将介绍Elasticsearch索引流程中发生的

具体操作，重点在于其中的segment、buffer和translog三部分对性能方面的影响。

1、动态更新的Lucene索引

要做到实时跟新条件下数据的可用和可靠，就需要在倒排索引的基础上，再做一系列更高级的处理。

总结一下Lucene的处理办法：新收到的数据写入新的索引文件里。

Lucene把每次生成的倒排索引，叫做一个段(segment)。然后另外使用一个commit文件，记录索引内的所有

segment。而生成segment的数据来源，则是内存中的buffer,也就是说，动态跟新过后过程如下：

1）当前磁盘上有三个segement可用，同时有一个commit文件记录当前的segment

2）新收到的数据进入内存buffer,索引状态如下所示。

3）buffer刷到磁盘，生成一个新的segment,commit文件同步跟新。

这样可以完成跟新，也产生了几个问题:1、每次一有数据就刷新到磁盘，会增大对磁盘的操作2、刷新到磁盘的

时间占据很大一部分时间3、如果刷新的过程中刷新失败应该怎么控制呢？

2、删除和更新

segment是不可变的，所以文档即不能从旧的段中删除，旧的段也不能更新以反映文档最新的文本。相反，每

一个提交点包括一个.del文件，包含了段上已经被删除的文档

当一个文档被删除，它是实际上只是在.del文件中被标记删除，亦然可以匹配查询，但最终返回之前会被从结果

中删除。

文档的跟新操作是类似的：当一个文档被更新，旧版本的文档被标记为删除，新版本的文档在新的段中索引。也

许该文档的不同版本都会匹配一个查询，但是老版本会从结果中删除。

3、利用磁盘缓存实现的准实时检索

既然涉及到磁盘，那么一个不可避免的问题就来了：磁盘太慢了！对我们要求的实时性很高的服务来说，这种处

理还不够。所以，在刚刚第3步的处理中，还有一个中间状态:

1）内存buffer生成一个新的segment，刷到文件系统缓存中，Lucene即可检索到这个新的segment,索引状态如

图所示。

2）文件系统缓存真正同步到磁盘上，commit文件跟新。

刷到文件系统缓存中这个步骤，Elasticsearch默认1s的时间间隔，这也就是说相当于是实时搜索的，Elasticsearch

也提供了单独的/_reflush接口，用户如果对1s间隔还是不太满意，可以主动调用接口来保证搜索可见。

reflush API

POST /_refresh <1>POST /blogs/_refresh <2>

• <1> refresh所有索引
• <2> 只refresh 索引blogs

一般来说我们会通过/_settings接口或者定制template的方式，加大refresh_interval参数：

PUT /my_logs/_settings{ "refresh_interval": -1 } <1>PUT /my_logs/_settings{ "refresh_interval": "1s" } <2>

• <1> 禁用所有自动refresh
• <2> 每秒自动refresh

4、translog提供的磁盘同步控制

既然refresh只是写到文件系统缓存中，那么最后一步写到实际磁盘又是由什么来控制的呢？如果这期间发生

主机错误、硬盘故障等异常情况，数据会不会丢失？

这里，其实Elasticsearch提供了另一个机制来控制。Elasticsearch也把数据写入到内存buffer的同时，

其实还另外记录了一个treanslog的日志。也就是说，在内存数据进入到buffer这一步骤时，其实还另外记录

了一个translog记录。如图所示

1.当一个文档被索引，它被加入到内存缓存，同时加到事务日志。

图1：新的文档加入到内存缓存，同时写入事务日志

2.refersh使得分片进入下图描述的状态。每个分片都进行refresh

• 内存缓冲区的文档写入到segment中，但是还没有同步到磁盘。
• segment被打开，使得新的文档可以搜索。
• 缓存被清空
• 但是事务日志没变化

图2：经过一次refresh，缓存被清除，但事务日志没有

3、随着更多的文档加入到缓存区，写入日志

图3：事务日志会记录增长的文档

 

4、假如在这期间发生异常，Elasticsearch会从commit位置开始，恢复整个translog文件中的记录，保护数据的一致性。

等到真正把segement刷到磁盘，且commit文件被清空的时候，translog文件才清空，这一步叫flush，同样地，Elasticsearch提供了

/_flush接口。

• 内存缓存区的所有文档会写入到新段中，
• 清楚缓存
• 一个提交点写入到硬盘中
• 文件系统缓存通过gsync操作flush到硬盘
• 事务日志被清除

事务日志记录了没有flush到硬盘的所有操作。当故障重启后，ES会用最近一次提交点从硬盘恢复所有已知的段，并且从日志里恢复所有的操作。

事务日志还用来提供实时的CRUD操作。当年用ID进行CRUD时，它在检索相关段内的文档前会首先检查日志最新的改动。这意味着ES可以实时地获取文档的最新版本。

图4：flush过后，段被全提交，事务日志清除

在ES中，进行一次提交并删除事务日志的操作叫做 flush。分片每30分钟，或事务日志过大会进行一次flush操作。

对于flush操作，Elasticsearch的操作默认设置为：每30分钟主动进行一次flush,或懂translog文件大于512M，主动进行一次flush，这两个行为可以通过

分别设置index.translog.flush_threshold_period和index.translog.flush_threslog_size参数修改

flush API

当然也可以手动进行flush

POST /blogs/_flush <1> POST /_flush?wait_for_ongoing  <2>

• <1> flush索引blogs
• <2> flush所有索引，等待操作结束再返回

5、translog的一致性

索引数据的一致性通过translog保证。那么translog文件自己呢？

默认情况下，Elasticsearch每5秒就会强制刷新到translog日志到磁盘上，所以，如果数据没有副本，然后又发生故障，确实有可能丢失5秒数据，可以通过设置

index.gateway.local.sync设置，然后重启Elasticsearch

前面一直在讲的是Lucene的索引，Elasticsearch在这个基础上，做了一些改动，Elasticsearch的索引是分片的集合，而分片就相当于Lucene的索引。

6、segement merge的影响

上面提到Lucene思想：新收到的数据写入到新的索引文件里面，每一个索引文件都是不可变的，开新文件就会给服务器带来负载压力因为默认每1秒钟就会有一个新文件产生，每个文件都需要文件句柄、内存、cpu等各种资源，给服务器带来很大的开销

为了解决这个问题，Elasticsearch会不断地在后台运行任务，主动将这些零散地segement做数据归并，尽量让索引中只保有少量的，每个都比较大的segement。

这个过程是由独立的线程来进行的，并不影响segment的产生。归并过程中，删除之间几个小的segment，改成新的大的segment。等检索请求都从小segement转到大的segement上以后，删除没用的小segement。

图1：两个提交的段和一个未提交的段合并为了一个更大的段 

图2：段合并完后，旧的段被删除 

• 新的段flush到了硬盘。
• 新的段写入commit文件，排除旧的段。
• 新的段打开供搜索。

• 旧的段被删除

归并线程设置

segment归并的过程，需要先读取segment，归并计算，再写一遍segment，最后还要保证刷到磁盘，可以说，这是一个非常消耗磁盘I/O

的任务。

默认情况下，归并线程的限速设置indices.store.throttle.max_bytes_per_sec是20MB。对于写入量较大，磁盘转速较高，甚至使用SSD盘的服务器来说，这个限速明显是过低的。对于EIK应用来说，建议可以适当跳大

curl -XPUT 'http://localhost:9200/_cluster/settings' -d '

{

"persistent" : {

"indices.store.throttle.max_bytes_per_sec" : "100mb"

}

}'

归并策略

归并线程是按照一定的归并策略来挑选segment进行归并的。

index.merge.policy.floor_segment默认2MB，小于这个大小的segment，优先被归并

index.merge.policy.max_merge_at_once默认一次最多归并10个segment

index.merge.policy.max_merge_at_once_explicit默认optimize时一次最多归并30个segment

index.merge.policy.max_merge_segment默认5GB，大于这个大小的segment.不用参与归并，optimize除外

根据这些策略，其我们也可以从另一个角度考虑如何减少segment归并的线程以及提高效应的办法：加大reflush间隔，

尽量让每次新生成的segment本身大小就很大。

optimize API

optmize API最好描述为强制合并段API。它强制合并段以达到指定max_num_segments参数。这是为了减少段的数量

（通常为1）达到提高搜索性能的目的。

POST /logstash-2014-10/_optimize?max_num_segments=1 <1>

• <1> 把索引中的每个分片都合并成一个段

由于optimize线程对资源的消耗比普通的归并线程大得多，索引，绝对不建议对还在写入数据的热索引执行这个操作，这个问题
对于ELK stack来说很好办，一般索引都是按天分割的。

本文介绍的是单节点准实时索引介绍到这里，考虑到篇幅的问题，将会在下篇介绍Elasticsearch的集群分片解决方案。

http://blog.csdn.net/u010994304/article/details/50441419