江苏龙网

  1. 首页 > 人文 > >

被面试官问懵B了，十亿级数据ES搜索怎么优化？

面试题
es在数据量很大的情况下（数十亿级别）如何提高查询效率啊？面试官心理分析
这个问题是肯定要问的 ， 说白了 ， 就是看你有没有实际干过es ， 因为啥？其实es性能并没有你想象中那么好的 。 很多时候数据量大了 ， 特别是有几亿条数据的时候 ， 可能你会懵逼的发现 ， 跑个搜索怎么一下5~10s ， 坑爹了 。 第一次搜索的时候 ， 是5~10s ， 后面反而就快了 ， 可能就几百毫秒 。
你就很懵 ， 每个用户第一次访问都会比较慢 ， 比较卡么？所以你要是没玩儿过es ， 或者就是自己玩玩儿demo ， 被问到这个问题容易懵逼 ， 显示出你对es确实玩儿的不怎么样？面试题剖析
说实话 ， es性能优化是没有什么银弹的 ， 啥意思呢？就是不要期待着随手调一个参数 ， 就可以万能的应对所有的性能慢的场景 。 也许有的场景是你换个参数 ， 或者调整一下语法 ， 就可以搞定 ， 但是绝对不是所有场景都可以这样 。 性能优化的杀手锏——filesystemcache
你往es里写的数据 ， 实际上都写到磁盘文件例如了 ， 查询的时候 ， 操作系统会将磁盘文件里的数据自动缓存到filesystemcache里面去 。
被面试官问懵B了，十亿级数据ES搜索怎么优化？
文章图片
es的搜索引擎严重依赖于底层的filesystemcache ， 你如果给filesystemcache更多的内存 ， 尽量让内存可以容纳所有的idxsegmentfile索引数据文件 ， 那么你搜索的时候就基本都是走内存的 ， 性能会非常高 。
性能差距究竟可以有多大？我们之前很多的测试和压测 ， 如果走磁盘一般肯定上秒 ， 搜索性能绝对是秒级别的 ， 1秒、5秒、10秒 。 但如果是走filesystemcache ， 是走纯内存的 ， 那么一般来说性能比走磁盘要高一个数量级 ， 基本上就是毫秒级的 ， 从几毫秒到几百毫秒不等 。
这里有个真实的案例 。 某个公司es节点有3台机器 ， 每台机器看起来内存很多 ， 64G ， 总内存就是64*3=192G 。 每台机器给esjvmheap是32G ， 那么剩下来留给filesystemcache的就是每台机器才32G ， 总共集群里给filesystemcache的就是32*3=96G内存 。 而此时 ， 整个磁盘上索引数据文件 ， 在3台机器上一共占用了1T的磁盘容量 ， es数据量是1T ， 那么每台机器的数据量是300G 。 这样性能好吗？filesystemcache的内存才100G ， 十分之一的数据可以放内存 ， 其他的都在磁盘 ， 然后你执行搜索操作 ， 大部分操作都是走磁盘 ， 性能肯定差 。
归根结底 ， 你要让es性能要好 ， 最佳的情况下 ， 就是你的机器的内存 ， 至少可以容纳你的总数据量的一半 。
根据我们自己的生产环境实践经验 ， 最佳的情况下 ， 是仅仅在es中就存少量的数据 ， 就是你要用来搜索的那些索引 ， 如果内存留给filesystemcache的是100G ， 那么你就将索引数据控制在100G以内 ， 这样的话 ， 你的数据几乎全部走内存来搜索 ， 性能非常之高 ， 一般可以在1秒以内 。
比如说你现在有一行数据 。 id,name,age....30个字段 。 但是你现在搜索 ， 只需要根据id,name,age三个字段来搜索 。 如果你傻乎乎往es里写入一行数据所有的字段 ， 就会导致说90%的数据是不用来搜索的 ， 结果硬是占据了es机器上的filesystemcache的空间 ， 单条数据的数据量越大 ， 就会导致filesystemcahce能缓存的数据就越少 。 其实 ， 仅仅写入es中要用来检索的少数几个字段就可以了 ， 比如说就写入esid,name,age三个字段 ， 然后你可以把其他的字段数据存在mysql/hbase里 ， 我们一般是建议用es+hbase这么一个架构 。
hbase的特点是适用于海量数据的在线存储 ， 就是对hbase可以写入海量数据 ， 但是不要做复杂的搜索 ， 做很简单的一些根据id或者范围进行查询的这么一个操作就可以了 。 从es中根据name和age去搜索 ， 拿到的结果可能就20个docid ， 然后根据docid到hbase里去查询每个docid对应的完整的数据 ， 给查出来 ， 再返回给前端 。
写入es的数据最好小于等于 ， 或者是略微大于es的filesystemcache的内存容量 。 然后你从es检索可能就花费20ms ， 然后再根据es返回的id去hbase里查询 ， 查20条数据 ， 可能也就耗费个30ms ， 可能你原来那么玩儿 ， 1T数据都放es ， 会每次查询都是5~10s ， 现在可能性能就会很高 ， 每次查询就是50ms 。 数据预热
假如说 ， 哪怕是你就按照上述的方案去做了 ， es集群中每个机器写入的数据量还是超过了filesystemcache一倍 ， 比如说你写入一台机器60G数据 ， 结果filesystemcache就30G ， 还是有30G数据留在了磁盘上 。
其实可以做数据预热 。
举个例子 ， 拿微博来说 ， 你可以把一些大V ， 平时看的人很多的数据 ， 你自己提前后台搞个系统 ， 每隔一会儿 ， 自己的后台系统去搜索一下热数据 ， 刷到filesystemcache例如 ， 后面用户实际上来看这个热数据的时候 ， 他们就是直接从内存里搜索了 ， 很快 。
或者是电商 ， 你可以将平时查看最多的一些商品 ， 比如说iphone8 ， 热数据提前后台搞个程序 ， 每隔1分钟自己主动访问一次 ， 刷到filesystemcache里去 。
对于那些你觉得比较热的、经常会有人访问的数据 ， 最好做一个专门的缓存预热子系统 ， 就是对热数据每隔一段时间 ， 就提前访问一下 ， 让数据进入filesystemcache里面去 。 这样下次别人访问的时候 ， 性能一定会好很多 。 冷热分离
es可以做类似于mysql的水平拆分 ， 就是说将大量的访问很少、频率很低的数据 ， 单独写一个索引 ， 然后将访问很频繁的热数据单独写一个索引 。 最好是将冷数据写入一个索引中 ， 然后热数据写入另外一个索引中 ， 这样可以确保热数据在被预热之后 ， 尽量都让他们留在filesystemoscache里 ， 别让冷数据给冲刷掉 。
你看 ， 假设你有6台机器 ， 2个索引 ， 一个放冷数据 ， 一个放热数据 ， 每个索引3个shard 。 3台机器放热数据index ， 另外3台机器放冷数据index 。 然后这样的话 ， 你大量的时间是在访问热数据index ， 热数据可能就占总数据量的10% ， 此时数据量很少 ， 几乎全都保留在filesystemcache里面了 ， 就可以确保热数据的访问性能是很高的 。 但是对于冷数据而言 ， 是在别的index里的 ， 跟热数据index不在相同的机器上 ， 大家互相之间都没什么联系了 。 如果有人访问冷数据 ， 可能大量数据是在磁盘上的 ， 此时性能差点 ， 就10%的人去访问冷数据 ， 90%的人在访问热数据 ， 也无所谓了 。 document模型设计
对于MySQL ， 我们经常有一些复杂的关联查询 。 在es你该怎么玩儿 ， es里面的复杂的关联查询尽量别用 ， 一旦用了性能一般都不太好 。
最好是先在Java系统里就完成关联 ， 将关联好的数据直接写入es中 。 搜索的时候 ， 就不需要利用es的搜索语法来完成join之类的关联搜索了 。
document模型设计是非常重要的 ， 很多操作 ， 不要在搜索的时候才想去执行各种复杂的乱七八糟的操作 。 es能支持的操作就那么多 ， 不要考虑用es做一些它不好操作的事情 。 如果真的有那种操作 ， 尽量在document模型设计的时候 ， 写入的时候就完成 。 另外对于一些太复杂的操作 ， 比如join/nested/parent-child搜索都要尽量避免 ， 性能都很差的 。 分页性能优化
es的分页是较坑的 ， 为啥呢？举个例子吧 ， 假如你每页是10条数据 ， 你现在要查询第100页 ， 实际上是会把每个shard上存储的前1000条数据都查到一个协调节点上 ， 如果你有个5个shard ， 那么就有5000条数据 ， 接着协调节点对这5000条数据进行一些合并、处理 ， 再获取到最终第100页的10条数据 。
分布式的 ， 你要查第100页的10条数据 ， 不可能说从5个shard ， 每个shard就查2条数据 ， 最后到协调节点合并成10条数据吧？你必须得从每个shard都查1000条数据过来 ， 然后根据你的需求进行排序、筛选等等操作 ， 最后再次分页 ， 拿到里面第100页的数据 。 你翻页的时候 ， 翻的越深 ， 每个shard返回的数据就越多 ， 而且协调节点处理的时间越长 ， 非常坑爹 。 所以用es做分页的时候 ， 你会发现越翻到后面 ， 就越是慢 。
我们之前也是遇到过这个问题 ， 用es作分页 ， 前几页就几十毫秒 ， 翻到10页或者几十页的时候 ， 基本上就要5~10秒才能查出来一页数据了 。
有什么解决方案吗？
不允许深度分页（默认深度分页性能很差）
跟产品经理说 ， 你系统不允许翻那么深的页 ， 默认翻的越深 ， 性能就越差 。
类似于app里的推荐商品不断下拉出来一页一页的
类似于微博中 ， 下拉刷微博 ， 刷出来一页一页的 ， 你可以用scrollapi ， 关于如何使用 ， 自行上网搜索 。
scroll会一次性给你生成所有数据的一个快照 ， 然后每次滑动向后翻页就是通过游标scroll_id移动 ， 获取下一页下一页这样子 ， 性能会比上面说的那种分页性能要高很多很多 ， 基本上都是毫秒级的 。 但是 ， 唯一的一点就是 ， 这个适合于那种类似微博下拉翻页的 ， 不能随意跳到任何一页的场景 。 也就是说 ， 你不能先进入第10页 ， 然后去第120页 ， 然后又回到第58页 ， 不能随意乱跳页 。 所以现在很多产品 ， 都是不允许你随意翻页的 ， app ， 也有一些网站 ， 做的就是你只能往下拉 ， 一页一页的翻 。
初始化时必须指定scroll参数 ， 告诉es要保存此次搜索的上下文多长时间 。 你需要确保用户不会持续不断翻页翻几个小时 ， 否则可能因为超时而失败 。
【被面试官问懵B了，十亿级数据ES搜索怎么优化？】除了用scrollapi ， 你也可以用search_after来做 ， search_after的思想是使用前一页的结果来帮助检索下一页的数据 ， 显然 ， 这种方式也不允许你随意翻页 ， 你只能一页页往后翻 。 初始化时 ， 需要使用一个唯一值的字段作为sort字段 。


    推荐阅读


    上一篇：看了之后不想买！华为P40 Pro音频成绩出炉，不如前年机器！

    下一篇：PlayStation 5外观正式公开：首发有多款第一方大作护航