Elasticsearch Lucene是怎樣資料寫入的

大雄45發表於2020-08-27
導讀 Elasticsearch是與名為Logstash的資料收集和日誌解析引擎以及名為Kibana的分析和視覺化平臺一起開發的。這三個產品被設計成一個整合解決方案,稱為“Elastic Stack”(以前稱為“ELK stack”)。

Elasticsearch Lucene是怎樣資料寫入的Elasticsearch Lucene是怎樣資料寫入的

Elasticsearch & Lucene 是什麼

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,並透過簡單的 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

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,並且透過 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。

新文件寫入流程
資料模型

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。

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

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

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

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,透過 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。

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:

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?

透過 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,會透過這個過程進行清除

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

原文來自:

來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69955379/viewspace-2715349/,如需轉載,請註明出處,否則將追究法律責任。

相關文章