写点什么

【Elasticsearch 技术分享】—— 十张图带大家看懂 ES 原理 !明白为什么说:ES 是准实时的!

发布于: 2020 年 08 月 29 日
【Elasticsearch 技术分享】—— 十张图带大家看懂 ES 原理 !明白为什么说:ES 是准实时的!

前言



说到 Elasticsearch ,其中最明显的一个特点就是 near real-time 准实时 —— 当文档存储在Elasticsearch中时,将在1秒内以几乎实时的方式对其进行索引和完全搜索。那为什么说 ES 是准实时的呢?



公众号:liuzhihangs,记录工作学习中的技术、开发及源码笔记;时不时分享一些生活中的见闻感悟。欢迎大佬来指导!



Lucene 和 ES



Lucene



Lucene 是 Elasticsearch所基于的 Java 库,它引入了按段搜索的概念。



Segment: 也叫段,类似于倒排索引,相当于一个数据集。



Commit point:提交点,记录着所有已知的段。



Lucene index: “a collection of segments plus a commit point”。由一堆 Segment 的集合加上一个提交点组成。



对于一个 Lucene index 的组成,如下图所示。





Elasticsearch



一个 Elasticsearch Index 由一个或者多个 shard (分片) 组成。





而 Lucene 中的 Lucene index 相当于 ES 的一个 shard。





写入过程



写入过程 1.0 (不完善)



  1. 不断将 Document 写入到 In-memory buffer (内存缓冲区)。

  2. 当满足一定条件后内存缓冲区中的 Documents 刷新到磁盘。

  3. 生成新的 segment 以及一个 Commit point 提交点。

  4. 这个 segment 就可以像其他 segment 一样被读取了。



画图如下:





将文件刷新到磁盘是非常耗费资源的,而且在内存缓冲区和磁盘中间存在一个高速缓存(cache),一旦文件进入到 cache 就可以像磁盘上的 segment 一样被读取了。



写入过程 2.0



  1. 不断将 Document 写入到 In-memory buffer (内存缓冲区)。

  2. 当满足一定条件后内存缓冲区中的 Documents 刷新到 高速缓存(cache)。

  3. 生成新的 segment ,这个 segment 还在 cache 中。

  4. 这时候还没有 commit ,但是已经可以被读取了。



画图如下:





数据从 buffer 到 cache 的过程是定期每秒刷新一次。所以新写入的 Document 最慢 1 秒就可以在 cache 中被搜索到。



而 Document 从 buffer 到 cache 的过程叫做 ?refresh 。一般是 1 秒刷新一次,不需要进行额外修改。当然,如果有修改的需要,可以参考文末的相关资料。这也就是为什么说 Elasticsearch 是准实时的。



使文档立即可见:



PUT /test/_doc/1?refresh
{"test": "test"}
// 或者
PUT /test/_doc/2?refresh=true
{"test": "test"}



Translog 事务日志



此处可以联想 Mysql 的 binlog, ES 中也存在一个 translog 用来失败恢复。



  1. Document 不断写入到 In-memory buffer,此时也会追加 translog。

  2. 当 buffer 中的数据每秒 refresh 到 cache 中时,translog 并没有进入到刷新到磁盘,是持续追加的。

  3. translog 每隔 5s 会 fsync 到磁盘。

  4. translog 会继续累加变得越来越大,当 translog 大到一定程度或者每隔一段时间,会执行 flush。





flush 操作会分为以下几步执行:



  1. buffer 被清空。

  2. 记录 commit point。

  3. cache 内的 segment 被 fsync 刷新到磁盘。

  4. translog 被删除。





值得注意的是:



  1. translog 每 5s 刷新一次磁盘,所以故障重启,可能会丢失 5s 的数据。

  2. translog 执行 flush 操作,默认 30 分钟一次,或者 translog 太大 也会执行。



手动执行flush:



POST /my-index-000001/_flush



删除和更新



segment 不可改变,所以 docment 并不能从之前的 segment 中移除或更新。



所以每次 commit, 生成 commit point 时,会有一个 .del 文件,里面会列出被删除的 document(逻辑删除)。

而查询时,获取到的结果在返回前会经过 .del 过滤。



更新时,也会标记旧的 docment 被删除,写入到 .del 文件,同时会写入一个新的文件。此时查询会查询到两个版本的数据,但在返回前会被移除掉一个。





segment 合并



每 1s 执行一次 refresh 都会将内存中的数据创建一个 segment。



segment 数目太多会带来较大的麻烦。 每一个 segment 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 segment ;所以 segment 越多,搜索也就越慢。



在 ES 后台会有一个线程进行 segment 合并。



  1. refresh操作会创建新的 segment 并打开以供搜索使用。

  2. 合并进程选择一小部分大小相似的 segment,并且在后台将它们合并到更大的 segment 中。这并不会中断索引和搜索。

  3. 当合并结束,老的 segment 被删除 说明合并完成时的活动:

1. 新的 segment 被刷新(flush)到了磁盘。 写入一个包含新 segment 且排除旧的和较小的 segment的新 commit point。

2. 新的 segment 被打开用来搜索。

3. 老的 segment 被删除。





物理删除:



在 segment merge 这块,那些被逻辑删除的 document 才会被真正的物理删除。



总结



主要介绍了内部写入和删除的过程,需要了解 refresh、fsync、flush、.del、segment merge 等名词的具体含义。



完整画图如下:





以上就是个人分享的 ES 相关的内容,主要目的是组内技术分享,进行扫盲。不对之处,希望大家留言指正。



相关资料



  1. 准实时搜索: https://www.elastic.co/guide/en/elasticsearch/reference/7.9/near-real-time.html

  2. Refresh API:https://www.elastic.co/guide/en/elasticsearch/reference/7.9/indices-refresh.html

  3. Flush API:https://www.elastic.co/guide/en/elasticsearch/reference/7.9/indices-flush.html



发布于: 2020 年 08 月 29 日阅读数: 150
用户头像

个人公众号:『 程序员小航 』 2020.07.30 加入

某不知名互联网公司 Java 程序员一枚。记录工作学习中的技术、开发及源码笔记;分享生活中的见闻感悟。

评论

发布
暂无评论
【Elasticsearch 技术分享】—— 十张图带大家看懂 ES 原理 !明白为什么说:ES 是准实时的!