Elasticsearch Lucene 数据写入原理 | ES 核心篇

  • 时间:
  • 浏览:0
  • 来源:极速快3_快3平台代理_极速快3平台代理

前言

最近 TL 分享了下 《Elasticsearch基础架构设计 》https://www.jianshu.com/p/e8226138485d ,蹭着这俩 不可能 。写个小文巩固下,本文主要讲 ES -> Lucene

的底层形态,如果完整版描述新数据写入 ES 和 Lucene 的流程和原理。这是基础理论知识,架构设计 了一下,希望能对 Elasticsearch 感兴趣的同学有所帮助。

哪几种是 Elasticsearch ?

Elasticsearch 是有有另另另一个基于 Apache Lucene(TM) 的开源搜索引擎。

那 Lucene 是哪几种?

无论在开源还是专有领域,Lucene 可非要被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库,并通过简单的 RESTful API 来隐藏 Lucene 的复杂,从而让全文搜索变得简单。

Elasticsearch 不仅仅是 Lucene 和全文搜索,朋友还能曾经去描述它:

  • 分布式的实时文件存储,每个字段都被索引并可被搜索
  • 分布式的实时节析搜索引擎
  • 可非要扩展到上百台服务器,防止 PB 级形态化或非形态化数据

就像而是业务系统是基于 Spring 实现一样,Elasticsearch 和 Lucene 的关系很简单:Elasticsearch 是基于 Lucene 实现的。ES 基于底层哪几种包,如果进行了扩展,提供了更多的更雄厚的查询励志的话 ,如果通过 RESTful API 可非要更方便地与底层交互。这类 ES 还有 Solr 也是基于 Lucene 实现的。

在应用开发中,用 Elasticsearch 会很简单。如果不可能 你直接用 Lucene,会有几瓶的集成工作。

如果,入门 ES 的同学,稍微了解下 Lucene 即可。不可能 往高级走,还是可不里能学习 Lucene 底层的原理。不可能 倒排索引、打分机制、全文检索原理、分词原理等等,哪几种都在不必过时的技术。

3.1 数据模型

如图

  • 有有另另另一个 ES Index (索引,比如商品搜索索引、订单搜索索引)集群下,有多个 Node (节点)组成。每个节点而是 ES 的实例。
  • 每个节点上会有多个 shard (分片), P1 P2 是主分片 R1 R2 是副本分片
  • 每个分片上对应着而是有有另另另一个 Lucene Index(底层索引文件)
  • Lucene Index 是有有另另另一个统称。由多个 Segment (段文件,而是倒排索引)组成。每个段文件存储着而是 Doc 文档。

3.2 Lucene Index

lucene 中,单个倒排索引文件称为 segment。其包含有有另另另一个文件,记录了所有 segments 的信息,称为 commit point:

  • 文档 create 新写入时,会生成新的 segment。同样会记录到 commit point 上方
  • 文档查询,会查询所有的 segments
  • 当有有另另另一个段存在文档被删除,会维护该信息在 .liv 文件上方

3.3 新文档写入流程

新文档创建不可能 更新时,进行如下流程:

更新不必修改曾经的 segment,更新和创建操作不会生成新的有有另另另一个 segment。数据哪里来呢?先会存在内存的 bugger 中,如果持久化到 segment 。

数据持久化步骤如下:write -> refresh -> flush -> merge

3.3.1 write 过程

有有另另另一个新文档过来,会存储在 in-memory buffer 内存缓存区中,顺便会记录 Translog。

这曾经数据还没到 segment ,是搜非要这俩 新文档的。数据非要被 refresh 后,才可非要被搜索到。非要 讲下 refresh 过程

3.3.2 refresh 过程

refresh 默认 1 秒钟,执行一次上图流程。ES 是支持修改这俩 值的,通过 index.refresh_interval 设置 refresh (冲刷)间隔时间。refresh 流程大致如下:

  • in-memory buffer 中的文档写入到新的 segment 中,但 segment 是存储在文件系统的缓存中。此时文档可非要被搜索到
  • 最后清空 in-memory buffer。注意: Translog 非要 被清空,为了将 segment 数据写到磁盘

文档经过 refresh 后, segment 暂时写到文件系统缓存,曾经防止了性能 IO 操作,又可非要使文档搜索到。refresh 默认 1 秒执行一次,性能损耗太大。一般建议稍微延长这俩 refresh 时间间隔,比如 5 s。如果,ES 确实而是准实时,达非要真正的实时。

3.3.3 flush 过程

上个过程中 segment 在文件系统缓存中,会有意外故障文档丢失。非要 ,为了保证文档不必丢失,可不里能将文档写入磁盘。非要 文档从文件缓存写入磁盘的过程而是 flush。写入次怕后,清空 translog。

translog 作用很大:

  • 保证文件缓存中的文档不丢失
  • 系统重启时,从 translog 中恢复
  • 新的 segment 收录到 commit point 中

具体可非要看官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/7.3/indices-flush.html

3.3.4 merge 过程

上方几个步骤,可见 segment 会太大,非要 搜索会非要 慢?怎样才能会防止呢?

通过 merge 过程防止:

  • 而是各个小段文件,合并成有有另另另一个大段文件。段合并过程
  • 段合并结束了英语 ,旧的小段文件会被删除
  • .liv 文件维护的删除文档,会通过这俩 过程进行清除

如这俩 图,ES 写入原理先要,记住关键点即可。

write -> refresh -> flush

  • write:文档数据到内存缓存,并存到 translog
  • refresh:内存缓存中的文档数据,到文件缓存中的 segment 。此时可非要被搜到
  • flush 是缓存中的 segment 文档数据写入到磁盘

写入的原理我找不到乎 们,考虑的点而是:性能、数据不丢失等等

(完)

参考资料:

Java微服务资料,加我微w信x:bysocket01 (加的人,一般很帅)

  • 《深入理解 Elasticsearch》
  • https://lucene.apache.org/core/8_2_0/core/org/apache/lucene/codecs/lucene60 /package-summary.html#package.description
  • https://www.jianshu.com/p/e8226138485d