用Elasticsearch做大規模資料的多欄位、多型別索引檢索

桃子夭夭發表於2019-04-16

之前嘗試了用mysql做大規模資料的檢索優化，可以看到單欄位檢索的情況下，是可以通過各種手段做到各種型別索引快速檢索的，那是一種相對簡單的場景。

但是實際應用往往會複雜一些 —— 各類索引（關鍵詞匹配、全文檢索、時間範圍）混合使用，還有排序的需求。這種情況下mysql就有點力不從心了，複雜的索引型別，在多索引檢索的時候對每個欄位單獨建索引於事無補，而聯合索引無法在如此複雜的索引型別下建起來。

用ElasticSearch來解決這個場景的問題就要簡單的多了。那麼如何用elastic來解決這個問題呢？還是帶著業務需求來實踐一遍吧：

①檢索欄位有7個，4個關鍵詞匹配，1個特殊要求的a=b&c=d的分段全文檢索，1箇中文全文檢索，1個時間範圍

②資料量很大，需要支援3個月資料的檢索，最好能按月建索引，方便冷備、恢復

1. ElasticSearch Demo Server/Client 環境搭建

為了快速學習elasticsearch的api，可以在本地快速搭建一個demo環境

1.1 elasticsearch server

step1.安裝jdk1.8

https://www.oracle.com/technetwork/java/javase/downloads/index.html 官網下載安裝、配置好環境變數即可

step2.安裝elasticsearch

https://www.elastic.co/cn/downloads/elasticsearch 同樣的，官網下載對應平臺的包，這個甚至不需要，直接加壓，就可以在bin目錄下看到服務的啟動檔案

我使用的是windows平臺版本的，執行bin目錄下elasticsearch.bat,稍等片刻，訪問 http://localhost:9200

看到此截圖說明elasticsearch demo server啟動成功。

step3.安裝中文分詞器

文章開頭的需求中提到，有需要中文分詞全文索引的欄位，所以需要額外安裝一下中文分詞器。
https://github.com/medcl/elasticsearch-analysis-ik/tree/v7.0.0 上官網下載對應elasticsearch版本tag的ik原始碼包，比如我使用的最新版本7.0.0，ik也需要下載對應版本的。

elasticsearh是用java寫的，需要安裝maven以編譯此專案。http://maven.apache.org/download.cgi官網下載對應平臺的安裝包，編譯或解壓，配置好環境變數。

解壓ik程式碼壓縮包，在其根目錄執行mvn clean && mvn compile && mvn package，編譯打包

將target/releasa下生成的編譯好的檔案，解壓到elasticsearch/plugin/ik目錄下，重啟elasticsearch，啟動成功則說明安裝成功（或者直接在github下載對應的release版本）。ik分詞器沒辦法直接測試，需要先建好index，再在index下的分詞器中測試，在後文進行。

1.2 elasticsearch client

elasticsearch server以http協議介面的方式提供服務，官方提供了客戶端的nodejs sdk ：https://github.com/elastic/elasticsearch-js，文件在這裡https://www.elastic.co/guide/en/elasticsearch/client/javascript-api/current/api-reference.html#_index

用法這裡先不贅述。

2.ElasticSearch使用

正如官網所說，elasticsearch是一個簡單的引擎，同時也是一個複雜的引擎，提供不同級別的配置以實現不同複雜度的需求。網上elastic入門的文章，大多以比較簡單的方式介紹入門級別的使用，但是真正用到產品中的時候，還是要思考一些問題：如何配置索引欄位、如何發起檢索請求、如何新增額外配置。帶著這些問題通讀一遍官網文件，再來真正使用它，相對來說是比較好一點的。

2.1建立Index

寫入資料之前，首先得考慮如何建立各種不同型別的index，以滿足分詞、檢索、排序、統計的需求，官方文件對這塊的描述在這裡：https://www.elastic.co/guide/en/elasticsearch/reference/current/mapping.html，真正開始建立index之前，推薦把mapping的文件通讀一遍，這樣才知道如何選擇合適的type。

2.1.1 Keyword型別欄位

首先是4個關鍵詞索引的欄位，比較簡單，直接建立keyword型別的property就可以了：

const { Client } = require('@elastic/elasticsearch')
const client = new Client({ node: 'http://localhost:9200' })

client.indices.create({
        index: "asrtest1",
        include_type_name: false,
        body:{
            "mappings" : {
                "properties" : {
                    "id" :       { "type" : "keyword" },
                    "app_key" :  { "type" : "keyword" },
                    "guid" :     { "type" : "keyword" },
                    "one_shot" : { "type" : "keyword" }
                }
            }
        }
    }).then((data)=>{
        console.log("index create success:")
    }).catch((err)=>{
        console.error("index create error:", err)
    })

2.1.2 Date型別欄位

然後是1個日期欄位，這裡日期的格式是格式化後的 2019-04-15 14:54:01或者毫秒數，參考mapping文件中date型別欄位的說明，向上面建立的index中插入date型別的欄位，並指定欄位的格式化方法：

client.indices.putMapping({
        index: "asrtest1",
        include_type_name: false,
        body:{
            "properties" : {
                "log_time" : {
                    "type":   "date",
                    "format": "yyyy-MM-dd HH:mm:ss||epoch_millis"
                }
            }
        }
    }).then((data)=>{
        console.log("add success:", data)
    }).catch((err)=>{
        console.error("add error:", err)
    })

2.1.3 自定義分詞Text型別欄位

然後是1個特殊要求的a=b&c=d的分段全文檢索，為了達到這個目標，我們需要使用一個分詞器，僅使用&分詞。
這裡需要參考兩處文件，一處是mapping文件中text型別欄位說明，另一處是整個analysis部分的文件（描述了分詞器的組成部分、工作原理、如何自定義分詞器等）

一個analyzer由Character Filters、Tokenizers、Token Filters三部分組成，我們可以自己實現一個自定義分詞器toenizer用於此需求，也可以直接使用內建的pattern analyzer，兩者沒啥區別，這裡圖簡單就用一下內建的Pattern Analyzer：

      //1. 關閉asrtest1index
    client.indices.close({index:"asrtest1"}).then(function () {
        //2. 為index新增pattern analyzer
        return client.indices.putSettings({
            index: "asrtest1",
            body:{
                "analysis": {
                    "analyzer": {
                        "qua_analyzer": {
                            "type":      "pattern",
                            "pattern":   "&"
                        }
                    }
                }
            }
        })
    }).then(()=>{
        //3. 為index新增text型別的qua欄位，並應用pattern analyzer
        return  client.indices.putMapping({
            index: "asrtest1",
            include_type_name: false,
            body:{
                "properties" : {
                    "qua" : {
                        "type":   "text",
                        "analyzer": "qua_analyzer",
                        "search_analyzer":"qua_analyzer"
                    }
                }
            }
        })
    }).then(()=>{
        //4. 開啟asrtest1
        return client.indices.open({index:"asrtest1"})
    }).then(()=>{
        console.log("add qua success")
    }).catch((err)=>{
        console.error("add error:", err.message, err.meta.body)
    })

這裡有個小插曲，直接putSettings的時候，報這個錯，所以上面的程式碼中先關閉index，再新增，再open

至此自定義分詞的qua欄位新增完畢，好了，測試一下：

    client.indices.analyze({
        "index":"asrtest1",
        "body":{
            "analyzer" : "qua_analyzer",
            "text" : "a=b&c=d&e=f&g=h"
        }
    }).then((data)=>{
        console.log("analyzer run success:", data.body.tokens)
    }).catch((err)=>{
        console.error("analyzer run error:", err)
    })

[{token:'a=b',start_offset:0,end_offset:3,type:'word',position:0},
{token:'c=d',start_offset:4,end_offset:7,type:'word',position:1},
{token:'e=f',start_offset:8,end_offset:11,type:'word',position:2},
{token:'g=h',start_offset:12,end_offset:15,type:'word',position:3}]

結果是符合預期的。

2.1.3 中文分詞Text型別欄位

elasticsearch通過外掛的形式來支援中文分詞，在1.1小節中，我們已經安裝了elasticsearch提供的中文分詞外掛，現在來應用並測試一下。

新增text中文分詞欄位：

    client.indices.putMapping({
        index: "asrtest1",
        include_type_name: false,
        body:{
            "properties" : {
                "text" : {
                    "type":   "text",
                    "analyzer": "ik_max_word",
                    "search_analyzer":"ik_max_word"
                }
            }
        }
    }).then((data)=>{
        console.log("add success:", data)
    }).catch((err)=>{
        console.error("add error:", err)
    })

測試中文分詞引擎：

client.indices.analyze({
        "index":"asrtest1",
        "body":{
            "analyzer" : "ik_max_word",
            "text" : "中韓漁警衝突調查：韓警平均每天扣1艘中國漁船"
        }
    }).then((data)=>{
        console.log("analyzer run success:", data.body.tokens)
    }).catch((err)=>{
        console.error("analyzer run error:", err)
    })

[{token:'中韓',start_offset:0,end_offset:2,type:'CN_WORD',position:0},
{token:'漁',start_offset:2,end_offset:3,type:'CN_CHAR',position:1},
{token:'警',start_offset:3,end_offset:4,type:'CN_CHAR',position:2},
{token:'衝突',start_offset:4,end_offset:6,type:'CN_WORD',position:3},
{token:'調查',start_offset:6,end_offset:8,type:'CN_WORD',position:4},
{token:'韓',start_offset:9,end_offset:10,type:'CN_CHAR',position:5},
{token:'警',start_offset:10,end_offset:11,type:'CN_CHAR',position:6},
{token:'平均',start_offset:11,end_offset:13,type:'CN_WORD',position:7},
{token:'每天',start_offset:13,end_offset:15,type:'CN_WORD',position:8},
{token:'扣',start_offset:15,end_offset:16,type:'CN_CHAR',position:9},
{token:'1',start_offset:16,end_offset:17,type:'ARABIC',position:10},
{token:'艘',start_offset:17,end_offset:18,type:'COUNT',position:11},
{token:'中國',start_offset:18,end_offset:20,type:'CN_WORD',position:12},
{token:'漁船',start_offset:20,end_offset:22,type:'CN_WORD',position:13}]

結果是符合預期的。

2.2 按月自動建索引

2.1小節中分步驟分析了每個欄位應該如何建立索引，而業務場景下有個需求是按月建索引。可以選擇跑個定時指令碼，每個月去自動建立下一個月的index，也有更簡單的選擇 —— 插入資料的時候，如果發現索引名稱不存在，則自動建立索引，elasticserch提供了這樣的功能。為了實現這個目標，需要看兩個部分的文件：叢集的自動index建立配置、index模板。

首先建立一個index模板：

client.indices.putTemplate({
        "name": "asrtemp",
        "include_type_name": false,
        "body":{
            "index_patterns" : ["asr*"],
            "settings": {
                "analysis": {
                    "analyzer": {
                        "qua_analyzer": {
                            "type":      "pattern",
                            "pattern":   "&"
                        }
                    }
                }
            },
            "mappings": {
                "properties": {
                    "id" :       { "type" : "keyword" },
                    "app_key" :  { "type" : "keyword" },
                    "guid" :     { "type" : "keyword" },
                    "one_shot" : { "type" : "keyword" },
                    "log_time" : {
                        "type":   "date",
                        "format": "yyyy-MM-dd HH:mm:ss||epoch_millis"
                    },
                    "qua" : {
                        "type":   "text",
                        "analyzer": "qua_analyzer",
                        "search_analyzer":"qua_analyzer"
                    },
                    "text" : {
                        "type":   "text",
                        "analyzer": "ik_max_word",
                        "search_analyzer":"ik_max_word"
                    }
                }
            }
        }
    }).then((data)=>{
        console.log("add template success:", data)
    }).catch((err)=>{
        console.error("add template error:", err)
    })

修改叢集配置，設定自動建立索引時只應用此模板（也可以修改此配置，預設是應用所有滿足pattern的模板）：

client.cluster.putSettings({
        body:{
            "persistent": {
                "action.auto_create_index": "asrtemp"
            }
        }
    })

寫入一個document，指定一個不存在但是滿足template中index_patterns的index：

client.create({
        id:"testid1",
        index:"asrtest2",
        body:{
            "id":"testid1",
            "app_key":"dc6aca3e-bc9f-45ae-afa5-39cc2ca49158",
            "guid":"4ccaee22-5ce3-11e9-9191-1b9bd38b79e0",
            "one_shot":"0",
            "log_time":"2019-05-14 09:13:20",
            "qua":"key1=asd.asda.asf&key2=2.0.20.1&key3=val3&testk=testv",
            "text":"明天武漢的天氣好不好啊"

        }
    }).then((data)=>{
        console.log("create success:", data)
    }).catch((err)=>{
        console.error("create error:", err)
    })

寫入成功，查詢一下新生成的index的資訊：

client.indices.get({
        index: "asrtest2"
    }).then((data)=>{
        console.log("get success:", data.body.asrtest2.mappings,data.body.asrtest2.settings)
    }).catch((err)=>{
        console.error("get error:", err)
    })

{ properties: 
   { app_key: { type: 'keyword' },
     guid: { type: 'keyword' },
     id: { type: 'keyword' },
     log_time: { type: 'date', format: 'yyyy-MM-dd HH:mm:ss||epoch_millis' },
     one_shot: { type: 'keyword' },
     qua: { type: 'text', analyzer: 'qua_analyzer' },
     text: { type: 'text', analyzer: 'ik_max_word' } } } 
{ index: 
   { number_of_shards: '1',
     provided_name: 'asrtest2',
     creation_date: '1555319547412',
     analysis: { analyzer: [Object] },
     number_of_replicas: '1',
     uuid: '_GcwsE4vSBCDW0Pv35w0uA',
     version: { created: '7000099' } } }

與模板是一致的，自動建立成功。

2.3檢索請求

請求時，需要做到：①各種欄位交叉組合檢索 ②支援分頁統計count、offset ③支援按時間排序 ④延時不能太長。下面首先插入幾百萬條模擬資料，然後實踐一下上面的三個檢索需求。

2.3.1 模擬資料

為了快速大批量插入資料，應該使用elasticsearch提供的bulk api來進行資料插入的操作，關鍵程式碼：

function mockIndex(index){
    var indexName = "asrtest2"
    if(index >= 4000000){
        console.log(`index mock done!`)
        return;
    }
    if(index % 10000 == 0){
        console.log(`current num:${index}`)
    }
    var mockDataList = []
    for(var i=0;i<500;i++){
        var mock = getOneRandomData(index++)
        mockDataList.push({ "index" : { "_index" : indexName, "_id" : mock.id } })
        //mock: {app_key,log_time,guid,qua,id, text, one_shot"}
        mockDataList.push(mock)
    }
    client.bulk({
        index:indexName,
        body: mockDataList
    }).then(()=>{
        mockIndex(index)
    }).catch((err)=>{
        console.error("bulk error:",err.message)
    })
}

mockIndex(0)

2.3.2 條件檢索

模擬資料灌滿後，測試一下多索引聯合檢索，並設定排序欄位、獲取count、觀測效能、驗證結果的正確性。此處建議通讀elasticsearch文件Search APIs、 Query DSL（elastic自己造的一種抽象語法樹）。

在這些部分可以看到，各個型別的欄位應該如何生成檢索條件

這些部分可以看到如何將各個欄位的檢索條件合理組成一個複合檢索引數

這些部分可以看到如何使用欄位排序、如何設定返回結果數量、偏移量。

最後，根據文件的說明，寫一個測試檢索程式碼：

client.search({
    index: "asrtest1",
    from: 0,
    size: 10,
    sort: "log_time:asc",
    body:{
        "query": {
            "bool": {
                //測試query和filter
                //"must": [
                //    { "match_phrase": { "qua":   "SDK=39.60.17160906"}},
                //    { "match_phrase": { "text": "舞麟" }}
                //],
                "filter": [

                    { "match_phrase": { "qua":   "SDK=39.60.17160906"}},
                    { "match_phrase": { "text": "舞麟" }},
                    //id和guid是unique欄位
                    //{ "term":  { "id": "c2e86a41-5f73-11e9-b3d0-45c4efcbf90f" }},
                    //{ "term":  { "guid": "2081359c-5f72-11e9-b3d0-45c4efcbf90f" }},
                    { "term":  { "app_key": "faf1e695-9a97-4e8f-9339-bdce91d4848a" }},
                    { "term":  { "one_shot": "1" }},
                    { "range": { "log_time": { "gte": "2019-04-15 08:00:00" }}}
                ]
            }
        }
    }
}).then((data)=>{
    console.log("timecost:", data.body.took)
    console.log("total:", data.body.hits.total)
    console.log("hits:", data.body.hits.hits)
}).catch((err)=>{
    console.log("error:", err)
})

變換各種條件查詢，條件查詢、排序、返回條數、偏移、總數等都是符合預期的。

如果有細心看上面的程式碼，可以發現query條件中有註釋掉的must部分，這是因為我面臨的業務場景下不需要對document進行score計算，只需要過濾結果，所以將所有的條件塞到filter中，elastic內部會有一些快取策略，提高效率。經測試，將兩個match_phase條件放到must中，400W條資料檢索平均耗時在30—40ms，而放到filter中後，平均僅為7—8ms。

減少條件，只保留時間限制，發現：

至少應該有兩百多萬條結果，這裡total只有10000條。

可以通過修改index的settings，index.max_result_window屬性，來修改這個數量。

但是！文件中提到" Search requests take heap memory and time proportional to from + size and this limits that memory"，還有這篇文件，這裡可以看到es就不適合用於大規模資料的完全遍歷！想要使用es完美解決所有問題，得一口老血噴在螢幕上！

這裡雖然沒辦法直接查詢到大offset資料，但是可以通過Count API查詢到真實總數，然後通過其它的search方法來達到分頁的目標，好在elasticsearch也是考慮了這一點，提供了Search After API來應對這種場景。

說白了就是使用了另一種分頁模式，需要業務自己維護上下文，通過傳入上一次查詢的最後一個結果作為起點，再往後面去查詢結果。

修改查詢程式碼：

client.search({
    index: "asrtest1",
    size: 10,
    sort: "log_time:desc,id:desc",
    body:{
        "query": {
            "bool": {
                "filter": [
                    { "range": { "log_time": { "gte": "2019-04-15 08:20:00" }}}
                ]
            }
        }
    }
}).then((data)=>{
    console.log("first 10 result:", data.body.hits.hits)
    let last = data.body.hits.hits.slice(-1)[0].sort
    return client.search({
        index: "asrtest1",
        size: 10,
        sort: "log_time:desc,id:desc",
        body:{
            "query": {
                "bool": {
                    "filter": [
                        { "range": { "log_time": { "gte": "2019-04-15 08:20:00" }}}
                    ]
                }
            },
            "search_after": last,
        }
    })
}).then((data)=>{
    console.log("second 10 result:", data.body.hits.hits)
}).catch((err)=>{
    console.log("error:", err)
})

這樣，就可以查到任意多的結果，又不會把叢集搞死了。

本文基於一個簡單的業務場景大致實踐了一遍elasticsearch的使用，而實際上叢集的搭建、運維，是一個非常複雜的工作，而很多雲服務上都提供了包裝好的PAAS服務，如騰訊雲ElasticSearch Service，直接購買接入即可。

【雲圖】自有資料的多邊形檢索（雲檢索）
2014-04-03
Elasticsearch 單字串多欄位查詢
2021-03-15
Elasticsearch字串
多型關聯自定義的型別欄位的處理
2020-08-04
多型型別
資料欄位型別匹配
2013-06-13
型別
oracle複合索引介紹(多欄位索引)
2019-05-10
Oracle索引
DashVector + DashScope升級多模態檢索
2024-05-21
保留兩位小數：資料庫欄位型別NUMBER，Java欄位型別Double型別
2017-03-20
資料庫型別Java
修改欄位資料型別的方法
2008-05-04
資料型別
MySQL VARCHAR型別欄位到底可以定義多長
2020-09-24
MySql型別
DashVector + ModelScope 玩轉多模態檢索
2024-05-17
PostgreSQL資料庫多列複合索引的欄位順序選擇原理
2018-04-18
SQL資料庫索引
欄位型別檢測指令碼
2011-02-05
型別指令碼
主流資料庫欄位型別轉.Net型別的方法
2014-03-08
資料庫型別
[Elasticsearch] 多欄位搜尋 (二) - 最佳欄位查詢及其調優（轉）
2018-04-08
Elasticsearch
MySql Order By 多個欄位排序規則
2016-08-21
MySql排序
PHP 操作 mysql blob 資料型別的欄位
2020-12-16
PHPMySql資料型別
MSSQL資料庫的欄位型別總結
2016-03-22
SQL資料庫型別
【轉】修改表的欄位資料型別的方法
2013-08-22
資料型別
Elasticsearch 複合查詢——多字串多欄位查詢
2021-03-14
Elasticsearch字串
ElasticSearch多欄位權重排序居然可以這麼玩
2020-08-28
Elasticsearch排序
泛化索引---海量資料檢索的救星
2010-11-19
索引
Java資料型別與資料庫欄位型別對應關係
2018-08-25
Java資料型別資料庫
LLM大模型：LLaVa多模態圖片檢索原理
2024-08-08
大模型
序列化，資料庫存多個欄位資料
2018-07-10
資料庫
轉載：Oracle常用的資料庫欄位型別
2012-08-13
Oracle資料庫型別
檢視oracle資料庫中，哪些表的欄位是null值比較多
2020-11-01
Oracle資料庫Null
資料庫中欄位資料型別以及約束
2020-10-02
資料庫資料型別
ElasticSearch 億級資料檢索案例實戰
2019-12-06
Elasticsearch
oracle的欄位型別
2011-04-06
Oracle型別
哇，ElasticSearch多欄位權重排序居然可以這麼玩
2020-08-26
Elasticsearch排序
如何檢視型別為LRAW的SAP ABAP資料庫表欄位的內容
2020-05-04
型別資料庫
如何高效地儲存與檢索大規模的圖譜資料？
2021-09-11
Elasticsearch檢索文件。
2017-08-31
Elasticsearch
ElasticSearch(十)Elasticsearch檢索出的資料列表按欄位匹配的優先順序及搜尋單詞拼音一部分搜不到資料
2019-01-11
Elasticsearch
PHP陣列多個欄位分別排序
2019-02-16
PHP陣列排序
WHRER條件裡的資料型別必須和欄位資料型別一致
2014-10-17
資料型別
位運算-設計資料庫表的多選狀態欄位
2022-11-24
資料庫
ORACLE MYSQL中join 欄位型別不同索引失效的情況
2016-12-29
OracleMySql型別索引