前言

最近 TL 分享了下 《Elasticsearch基礎整理》，蹭著這個機會。寫個小文鞏固下，本文主要講 ES -> Lucene
的底層結構，然後詳細描述新資料寫入 ES 和 Lucene 的流程和原理。這是基礎理論知識，整理了一下，希望能對 Elasticsearch 感興趣的同學有所幫助。

一、Elasticsearch & Lucene 是什麼

什麼是 Elasticsearch ？
Elasticsearch 是一個基於 Apache Lucene(TM) 的開源搜尋引擎。

那 Lucene 是什麼？
無論在開源還是專有領域，Lucene 可以被認為是迄今為止最先進、效能最好的、功能最全的搜尋引擎庫，並通過簡單的 RESTful API 來隱藏 Lucene 的複雜性，從而讓全文搜尋變得簡單。

Elasticsearch 不僅僅是 Lucene 和全文搜尋，我們還能這樣去描述它：

• 分散式的實時檔案儲存，每個欄位都被索引並可被搜尋
• 分散式的實時分析搜尋引擎
• 可以擴充套件到上百臺伺服器，處理 PB 級結構化或非結構化資料

二、Elasticsearch & Lucene 的關係

就像很多業務系統是基於 Spring 實現一樣，Elasticsearch 和 Lucene 的關係很簡單：Elasticsearch 是基於 Lucene 實現的。ES 基於底層這些包，然後進行了擴充套件，提供了更多的更豐富的查詢語句，並且通過 RESTful API 可以更方便地與底層互動。類似 ES 還有 Solr 也是基於 Lucene 實現的。

在應用開發中，用 Elasticsearch 會很簡單。但是如果你直接用 Lucene，會有大量的整合工作。

因此，入門 ES 的同學，稍微瞭解下 Lucene 即可。如果往高階走，還是需要學習 Lucene 底層的原理。因為倒排索引、打分機制、全文檢索原理、分詞原理等等，這些都是不會過時的技術。

三、新文件寫入流程

3.1 資料模型

如圖

• 一個 ES Index （索引，比如商品搜尋索引、訂單搜尋索引）叢集下，有多個 Node （節點）組成。每個節點就是 ES 的例項。
• 每個節點上會有多個 shard （分片）， P1 P2 是主分片 R1 R2 是副本分片
• 每個分片上對應著就是一個 Lucene Index（底層索引檔案）
• Lucene Index 是一個統稱。由多個 Segment （段檔案，就是倒排索引）組成。每個段檔案儲存著就是 Doc 文件。

3.2 Lucene Index

lucene 中，單個倒排索引檔案稱為 segment。其中有一個檔案，記錄了所有 segments 的資訊，稱為 commit point：

• 文件 create 新寫入時，會生成新的 segment。同樣會記錄到 commit point 裡面
• 文件查詢，會查詢所有的 segments
• 當一個段存在文件被刪除，會維護該資訊在 .liv 檔案裡面

3.3 新文件寫入流程

新文件建立或者更新時，進行如下流程：

更新不會修改原來的 segment，更新和建立操作都會生成新的一個 segment。資料哪裡來呢？先會存在記憶體的 bugger 中，然後持久化到 segment 。

資料持久化步驟如下：write -> refresh -> flush -> merge

3.3.1 write 過程

一個新文件過來，會儲存在 in-memory buffer 記憶體快取區中，順便會記錄 Translog。

這時候資料還沒到 segment ，是搜不到這個新文件的。資料只有被 refresh 後，才可以被搜尋到。那麼 講下 refresh 過程

3.3.2 refresh 過程

refresh 預設 1 秒鐘，執行一次上圖流程。ES 是支援修改這個值的，通過 index.refresh_interval 設定 refresh （沖刷）間隔時間。refresh 流程大致如下：

• in-memory buffer 中的文件寫入到新的 segment 中，但 segment 是儲存在檔案系統的快取中。此時文件可以被搜尋到
• 最後清空 in-memory buffer。注意: Translog 沒有被清空，為了將 segment 資料寫到磁碟

文件經過 refresh 後， segment 暫時寫到檔案系統快取，這樣避免了效能 IO 操作，又可以使文件搜尋到。refresh 預設 1 秒執行一次，效能損耗太大。一般建議稍微延長這個 refresh 時間間隔，比如 5 s。因此，ES 其實就是準實時，達不到真正的實時。

3.3.3 flush 過程

上個過程中 segment 在檔案系統快取中，會有意外故障文件丟失。那麼，為了保證文件不會丟失，需要將文件寫入磁碟。那麼文件從檔案快取寫入磁碟的過程就是 flush。寫入次怕後，清空 translog。

translog 作用很大：

• 保證檔案快取中的文件不丟失
• 系統重啟時，從 translog 中恢復
• 新的 segment 收錄到 commit point 中

具體可以看官方文件：https://www.elastic.co/guide/...

3.3.4 merge 過程

上面幾個步驟，可見 segment 會越來越多，那麼搜尋會越來越慢？怎麼處理呢？

通過 merge 過程解決：

• 就是各個小段檔案，合併成一個大段檔案。段合併過程
• 段合併結束，舊的小段檔案會被刪除
• .liv 檔案維護的刪除文件，會通過這個過程進行清除

四、小結

如這個圖，ES 寫入原理不難，記住關鍵點即可。

write -> refresh -> flush

• write：文件資料到記憶體快取，並存到 translog
• refresh：記憶體快取中的文件資料，到檔案快取中的 segment 。此時可以被搜到
• flush 是快取中的 segment 文件資料寫入到磁碟

寫入的原理告訴我們，考慮的點很多：效能、資料不丟失等等

（完）

參考資料：

• 《深入理解 Elasticsearch》
• https://lucene.apache.org/cor...
• https://www.jianshu.com/p/e82...