ElasticSearch中的field data（正排索引）

主要参考文章：http://www.tuicool.com/articles/B3QnQzE

正排索引与倒排索引

Elasticsearch使用一种叫做倒排索引(inverted index)的结构来做快速的全文搜索。倒排索引由在文档中出现的唯一的单词列表，以及对于每个单词在文档中的位置组成。倒排索引的结构如下图，它存储的内容是“哪些词语出现在了哪些文档中”，这种结构决定了它不能很好的支持对文档的索引、排序、聚合的操作，因此Elasticsearch中增加了field data的数据结构。

Elasticsearch cluster中的内存多半都被消耗在了field data（也就是我们常说的正排索引）上，field data主要用于：

·按照字段排序(sort)

·按照字段进行聚合(Aggregations)

·过滤器，例如地理位置过滤

·script排序中使用到某些字段

field data（正排索引）的结构是“哪些文档中包含哪些词语”。形式如下图：

field data是以段(segment)为单位进行构建的，当一个新的段打开时，老的field data仍然有效，只有和新段相对应的field data会被载入到内存。

正排索引的内存使用

将field data都载入堆内存可以提高访问速度，但是载入过多数据到内存中会引起频繁GC甚至是OutOfMemory异常。

field data默认是懒加载模式，在遇到query之后才开始将倒排索引正排化，它不仅仅在内存中载入命中的文档，而是会载入索引中所有文档的field data，为了以后的查询做准备。

优化内存

1、过滤field data，告诉ES在哪些term不要在field data中载入。

下图是按照频率过滤，也可以按照正则表达式过滤。

2、设置预先加载field data

1) Eagerly load fielddata

2) Eagerly load global ordinals

3) Prepopulate caches with warmers

具体设置参考：http://zhaoyanblog.com/archives/764.html

3、DocValues

field data可以被写在磁盘中，实现这种操作的选项叫做 doc values。

doc values允许你使用大量的field data数据而不必担心内存被大量占用的问题。当你使用doc values后，你的堆内存就可以分配更小的值来加快垃圾回收的速度。

doc values是在索引阶段就创建的，它的预创建使得它的初始化更加容易。

doc values适用于numeric, date, Boolean, binary, geo-point字段，还有"not_analyzed"的string字段。

补充：

field data的格式

按字段的类型的不同，字段对应的doc values的类型可以有不同：

1.String字段

paged_bytes (默认格式)： 不同的term顺序地存储在一个大的buffer中，每个文档被映射到它所包含的term在buffter中的索引。

fst：term以FST (finite state transducer)格式存储，载入慢一些，但是在很多term有相同的前缀或者后缀的情况下能够减少内存的使用。

doc_values：索引建立时计算field data并将它存储在磁盘上，占用的内存最少，但是对应的字段必须是not_analyzed。

2.Numeric字段

array (默认格式)：field data在内存中以数组的形式存储。

doc_values：索引建立时计算field data并将它存储在磁盘上，占用的内存最少。

3.Geo字段

array (default)：经度和维度在内存中以数组的形式存储。

doc_values：索引建立时计算field data并将它存储在磁盘上，占用的内存最少。