写点什么

京东面试题:ElasticSearch 深度分页解决方案

作者:小小怪下士
  • 2022-11-12
    湖南
  • 本文字数:6352 字

    阅读完需:约 21 分钟

前言

Elasticsearch 是一个实时的分布式搜索与分析引擎,在使用过程中,有一些典型的使用场景,比如分页、遍历等。


在使用关系型数据库中,我们被告知要注意甚至被明确禁止使用深度分页,同理,在 Elasticsearch 中,也应该尽量避免使用深度分页。


这篇文章主要介绍 Elasticsearch 中分页相关内容!

From/Size 参数

在 ES 中,分页查询默认返回最顶端的 10 条匹配 hits。


如果需要分页,需要使用 from 和 size 参数。


  • from 参数定义了需要跳过的 hits 数,默认为 0;

  • size 参数定义了需要返回的 hits 数目的最大值。


一个基本的 ES 查询语句是这样的:


POST /my_index/my_type/_search{    "query": { "match_all": {}},    "from": 100,    "size":  10}
复制代码


上面的查询表示从搜索结果中取第 100 条开始的 10 条数据。


「那么,这个查询语句在 ES 集群内部是怎么执行的呢?」


在 ES 中,搜索一般包括两个阶段,query 和 fetch 阶段,可以简单的理解,query 阶段确定要取哪些 doc,fetch 阶段取出具体的 doc。


Query 阶段



如上图所示,描述了一次搜索请求的 query 阶段:·


  1. Client 发送一次搜索请求,node1 接收到请求,然后,node1 创建一个大小为from + size的优先级队列用来存结果,我们管 node1 叫 coordinating node。

  2. coordinating node 将请求广播到涉及到的 shards,每个 shard 在内部执行搜索请求,然后,将结果存到内部的大小同样为from + size 的优先级队列里,可以把优先级队列理解为一个包含top N结果的列表。

  3. 每个 shard 把暂存在自身优先级队列里的数据返回给 coordinating node,coordinating node 拿到各个 shards 返回的结果后对结果进行一次合并,产生一个全局的优先级队列,存到自身的优先级队列里。


在上面的例子中,coordinating node 拿到(from + size) * 6条数据,然后合并并排序后选择前面的from + size条数据存到优先级队列,以便 fetch 阶段使用。


另外,各个分片返回给 coordinating node 的数据用于选出前from + size条数据,所以,只需要返回唯一标记 doc 的_id以及用于排序的_score即可,这样也可以保证返回的数据量足够小。


coordinating node 计算好自己的优先级队列后,query 阶段结束,进入 fetch 阶段。


Fetch 阶段


query 阶段知道了要取哪些数据,但是并没有取具体的数据,这就是 fetch 阶段要做的。



上图展示了 fetch 过程:


  1. coordinating node 发送 GET 请求到相关 shards。

  2. shard 根据 doc 的_id取到数据详情,然后返回给 coordinating node。

  3. coordinating node 返回数据给 Client。


coordinating node 的优先级队列里有from + size_doc _id,但是,在 fetch 阶段,并不需要取回所有数据,在上面的例子中,前 100 条数据是不需要取的,只需要取优先级队列里的第 101 到 110 条数据即可。


需要取的数据可能在不同分片,也可能在同一分片,coordinating node 使用 「multi-get」 来避免多次去同一分片取数据,从而提高性能。


「这种方式请求深度分页是有问题的:」


我们可以假设在一个有 5 个主分片的索引中搜索。当我们请求结果的第一页(结果从 1 到 10 ),每一个分片产生前 10 的结果,并且返回给 协调节点 ,协调节点对 50 个结果排序得到全部结果的前 10 个。


现在假设我们请求第 1000 页—结果从 10001 到 10010 。所有都以相同的方式工作除了每个分片不得不产生前 10010 个结果以外。然后协调节点对全部 50050 个结果排序最后丢弃掉这些结果中的 50040 个结果。


「对结果排序的成本随分页的深度成指数上升。」


「注意 1:」


size 的大小不能超过index.max_result_window这个参数的设置,默认为 10000。


如果搜索 size 大于 10000,需要设置index.max_result_window参数


PUT _settings{    "index": {        "max_result_window": "10000000"    }}  
复制代码


「注意 2:」


_doc将在未来的版本移除,详见:


  • https://www.elastic.co/cn/blog/moving-from-types-to-typeless-apis-in-elasticsearch-7-0

  • https://elasticsearch.cn/article/158


深度分页问题

Elasticsearch 的 From/Size 方式提供了分页的功能,同时,也有相应的限制。


举个例子,一个索引,有 10 亿数据,分 10 个 shards,然后,一个搜索请求,from=1000000,size=100,这时候,会带来严重的性能问题:CPU,内存,IO,网络带宽。


在 query 阶段,每个 shards 需要返回 1000100 条数据给 coordinating node,而 coordinating node 需要接收10 * 1000,100 条数据,即使每条数据只有 _doc _id_score,这数据量也很大了?


「在另一方面,我们意识到,这种深度分页的请求并不合理,因为我们是很少人为的看很后面的请求的,在很多的业务场景中,都直接限制分页,比如只能看前 100 页。」


比如,有 1 千万粉丝的微信大 V,要给所有粉丝群发消息,或者给某省粉丝群发,这时候就需要取得所有符合条件的粉丝,而最容易想到的就是利用 from + size 来实现,不过,这个是不现实的,这时,可以采用 Elasticsearch 提供的其他方式来实现遍历。


深度分页问题大致可以分为两类:


  • 「随机深度分页:随机跳转页面」

  • 「滚动深度分页:只能一页一页往下查询」


「下面介绍几个官方提供的深度分页方法」

Scroll

Scroll 遍历数据


我们可以把 scroll 理解为关系型数据库里的 cursor,因此,scroll 并不适合用来做实时搜索,而更适合用于后台批处理任务,比如群发。


这个分页的用法,「不是为了实时查询数据」,而是为了**「一次性查询大量的数据(甚至是全部的数据」**)。


因为这个 scroll 相当于维护了一份当前索引段的快照信息,这个快照信息是你执行这个 scroll 查询时的快照。在这个查询后的任何新索引进来的数据,都不会在这个快照中查询到。


但是它相对于 from 和 size,不是查询所有数据然后剔除不要的部分,而是记录一个读取的位置,保证下一次快速继续读取。


不考虑排序的时候,可以结合SearchType.SCAN使用。


scroll 可以分为初始化和遍历两部,初始化时将**「所有符合搜索条件的搜索结果缓存起来(注意,这里只是缓存的 doc_id,而并不是真的缓存了所有的文档数据,取数据是在 fetch 阶段完成的)」**,可以想象成快照。


在遍历时,从这个快照里取数据,也就是说,在初始化后,对索引插入、删除、更新数据都不会影响遍历结果。


「基本使用」


/twitter/tweet/_search?scroll=1m{    "size": 100,    "query": {        "match" : {            "title" : "elasticsearch"        }    }}
复制代码


初始化指明 index 和 type,然后,加上参数 scroll,表示暂存搜索结果的时间,其它就像一个普通的 search 请求一样。


会返回一个_scroll_id_scroll_id用来下次取数据用。


「遍历」


POST /_search?scroll=1m{    "scroll_id":"XXXXXXXXXXXXXXXXXXXXXXX I am scroll id XXXXXXXXXXXXXXX"}
复制代码


这里的scroll_id即 上一次遍历取回的_scroll_id或者是初始化返回的_scroll_id,同样的,需要带 scroll 参数。


重复这一步骤,直到返回的数据为空,即遍历完成。


「注意,每次都要传参数 scroll,刷新搜索结果的缓存时间」。另外,「不需要指定 index 和 type」


设置 scroll 的时候,需要使搜索结果缓存到下一次遍历完成,「同时,也不能太长,毕竟空间有限。」


「优缺点」


缺点:


  1. 「scroll_id 会占用大量的资源(特别是排序的请求)」

  2. 同样的,scroll 后接超时时间,频繁的发起 scroll 请求,会出现一些列问题。

  3. 「是生成的历史快照,对于数据的变更不会反映到快照上。」


「优点:」


适用于非实时处理大量数据的情况,比如要进行数据迁移或者索引变更之类的。

Scroll Scan

ES 提供了 scroll scan 方式进一步提高遍历性能,但是 scroll scan 不支持排序,因此 scroll scan 适合不需要排序的场景


「基本使用」


Scroll Scan 的遍历与普通 Scroll 一样,初始化存在一点差别。


POST /my_index/my_type/_search?search_type=scan&scroll=1m&size=50{ "query": { "match_all": {}}}
复制代码


需要指明参数:


  • search_type:赋值为 scan,表示采用 Scroll Scan 的方式遍历,同时告诉 Elasticsearch 搜索结果不需要排序。

  • scroll:同上,传时间。

  • size:与普通的 size 不同,这个 size 表示的是每个 shard 返回的 size 数,最终结果最大为 number_of_shards * size


「Scroll Scan 与 Scroll 的区别」


  1. Scroll-Scan 结果**「没有排序」**,按 index 顺序返回,没有排序,可以提高取数据性能。

  2. 初始化时只返回 _scroll_id,没有具体的 hits 结果

  3. size 控制的是每个分片的返回的数据量,而不是整个请求返回的数据量。

Sliced Scroll

如果你数据量很大,用 Scroll 遍历数据那确实是接受不了,现在 Scroll 接口可以并发来进行数据遍历了。


每个 Scroll 请求,可以分成多个 Slice 请求,可以理解为切片,各 Slice 独立并行,比用 Scroll 遍历要快很多倍。


POST /index/type/_search?scroll=1m{    "query": { "match_all": {}},    "slice": {        "id": 0,        "max": 5    }   } POST ip:port/index/type/_search?scroll=1m{    "query": { "match_all": {}},    "slice": {        "id": 1,        "max": 5    }   }
复制代码


上边的示例可以单独请求两块数据,最终五块数据合并的结果与直接 scroll scan 相同。


其中 max 是分块数,id 是第几块。


官方文档中建议 max 的值不要超过 shard 的数量,否则可能会导致内存爆炸。

Search After

Search_after是 ES 5 新引入的一种分页查询机制,其原理几乎就是和 scroll 一样,因此代码也几乎是一样的。


「基本使用:」


第一步:


POST twitter/_search{    "size": 10,    "query": {        "match" : {            "title" : "es"        }    },    "sort": [        {"date": "asc"},        {"_id": "desc"}    ]}
复制代码


返回出的结果信息 :


{      "took" : 29,      "timed_out" : false,      "_shards" : {        "total" : 1,        "successful" : 1,        "skipped" : 0,        "failed" : 0      },      "hits" : {        "total" : {          "value" : 5,          "relation" : "eq"        },        "max_score" : null,        "hits" : [          {            ...            },            "sort" : [              ...            ]          },          {            ...            },            "sort" : [              124648691,              "624812"            ]          }        ]      }    }
复制代码


上面的请求会为每一个文档返回一个包含 sort 排序值的数组。


这些 sort 排序值可以被用于search_after参数里以便抓取下一页的数据。


比如,我们可以使用最后的一个文档的 sort 排序值,将它传递给search_after参数:


GET twitter/_search{    "size": 10,    "query": {        "match" : {            "title" : "es"        }    },    "search_after": [124648691, "624812"],    "sort": [        {"date": "asc"},        {"_id": "desc"}    ]}
复制代码


若我们想接着上次读取的结果进行读取下一页数据,第二次查询在第一次查询时的语句基础上添加search_after,并指明从哪个数据后开始读取。


「基本原理」


es 维护一个实时游标,它以上一次查询的最后一条记录为游标,方便对下一页的查询,它是一个无状态的查询,因此每次查询的都是最新的数据。


由于它采用记录作为游标,因此**「SearchAfter 要求 doc 中至少有一条全局唯一变量(每个文档具有一个唯一值的字段应该用作排序规范)」**


「优缺点」


「优点:」


  1. 无状态查询,可以防止在查询过程中,数据的变更无法及时反映到查询中。

  2. 不需要维护scroll_id,不需要维护快照,因此可以避免消耗大量的资源。


「缺点:」


  1. 由于无状态查询,因此在查询期间的变更可能会导致跨页面的不一值。

  2. 排序顺序可能会在执行期间发生变化,具体取决于索引的更新和删除。

  3. 至少需要制定一个唯一的不重复字段来排序。

  4. 它不适用于大幅度跳页查询,或者全量导出,对第 N 页的跳转查询相当于对 es 不断重复的执行 N 次 search after,而全量导出则是在短时间内执行大量的重复查询。


SEARCH_AFTER不是自由跳转到任意页面的解决方案,而是并行滚动多个查询的解决方案。

总结

ES7 版本变更

参照:https://www.elastic.co/guide/en/elasticsearch/reference/master/paginate-search-results.html#scroll-search-results


7.*版本中,ES 官方不再推荐使用 Scroll 方法来进行深分页,而是推荐使用带 PIT 的search_after来进行查询;


7.*版本开始,您可以使用SEARCH_AFTER参数通过上一页中的一组排序值检索下一页命中。


使用SEARCH_AFTER需要多个具有相同查询和排序值的搜索请求。


如果这些请求之间发生刷新,则结果的顺序可能会更改,从而导致页面之间的结果不一致。


为防止出现这种情况,您可以创建一个时间点(PIT)来在搜索过程中保留当前索引状态。


POST /my-index-000001/_pit?keep_alive=1m
返回一个PIT ID:{ "id": "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA=="}
复制代码


在搜索请求中指定 PIT:


GET /_search{  "size": 10000,  "query": {    "match" : {      "user.id" : "elkbee"    }  },  "pit": {     "id":  "46ToAwMDaWR5BXV1aWQyKwZub2RlXzMAAAAAAAAAACoBYwADaWR4BXV1aWQxAgZub2RlXzEAAAAAAAAAAAEBYQADaWR5BXV1aWQyKgZub2RlXzIAAAAAAAAAAAwBYgACBXV1aWQyAAAFdXVpZDEAAQltYXRjaF9hbGw_gAAAAA==",      "keep_alive": "1m"  },  "sort": [     {"@timestamp": {"order": "asc", "format": "strict_date_optional_time_nanos", "numeric_type" : "date_nanos" }}  ]}
复制代码

性能对比

分别分页获取1 - 1049000 - 4901099000 - 99010范围各 10 条数据(前提 10w 条),性能大致是这样:


向前翻页

对于向前翻页,ES 中没有相应 API,但是根据官方说法(https://github.com/elastic/elasticsearch/issues/29449),ES 中的向前翻页问题可以通过翻转排序方式来实现即:


  1. 对于某一页,正序search_after该页的最后一条数据 id 为下一页,则逆序search_after该页的第一条数据 id 则为上一页。

  2. 国内论坛上,有人使用缓存来解决上一页的问题:https://elasticsearch.cn/question/7711


总结

  1. 如果数据量小(from+size 在 10000 条内),或者只关注结果集的 TopN 数据,可以使用 from/size 分页,简单粗暴

  2. 数据量大,深度翻页,后台批处理任务(数据迁移)之类的任务,使用 scroll 方式

  3. 数据量大,深度翻页,用户实时、高并发查询需求,使用 search after 方式

个人思考

Scroll 和search_after原理基本相同,他们都采用了游标的方式来进行深分页。


这种方式虽然能够一定程度上解决深分页问题。但是,它们并不是深分页问题的终极解决方案,深分页问题**「必须避免!!」**。


对于 Scroll,无可避免的要维护scroll_id和历史快照,并且,还必须保证scroll_id的存活时间,这对服务器是一个巨大的负荷。


对于Search_After,如果允许用户大幅度跳转页面,会导致短时间内频繁的搜索动作,这样的效率非常低下,这也会增加服务器的负荷,同时,在查询过程中,索引的增删改会导致查询数据不一致或者排序变化,造成结果不准确。


Search_After本身就是一种业务折中方案,它不允许指定跳转到页面,而只提供下一页的功能。


Scroll 默认你会在后续将所有符合条件的数据都取出来,所以,它只是搜索到了所有的符合条件的doc_id(这也是为什么官方推荐用doc_id进行排序,因为本身缓存的就是doc_id,如果用其他字段排序会增加查询量),并将它们排序后保存在协调节点(coordinate node),但是并没有将所有数据进行 fetch,而是每次 scroll,读取 size 个文档,并返回此次读取的最后一个文档以及上下文状态,用以告知下一次需要从哪个 shard 的哪个文档之后开始读取。


这也是为什么官方不推荐 scroll 用来给用户进行实时的分页查询,而是适合于大批量的拉取数据,因为它从设计上就不是为了实时读取数据而设计的。

用户头像

还未添加个人签名 2022-09-04 加入

热衷于分享java技术,一起交流学习,探讨技术。 需要Java相关资料的可以+v:xiaoyanya_1

评论

发布
暂无评论
京东面试题:ElasticSearch深度分页解决方案_Java_小小怪下士_InfoQ写作社区