1、IK分词器

1.1 IK Analyzer概述

IK Analyzer 是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始，IKAnalyzer已经推出了4个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。从3.0版本开始，IK发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。在2012版本中，IK实现了简单的分词歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。

做搜索技术的不可能不接触分词器。为什么搜索引擎无法被数据库所替代的原因主要有两点，一个是在数据量比较大的时候，搜索引擎的查询速度快，第二点在于，搜索引擎能做到比数据库更理解用户。第一点好理解，每当数据库的单个表大了，就是一件头疼的事，还有在较大数据量级的情况下，你让数据库去做模糊查询，那也是一件比较吃力的事（当然前缀匹配会好得多），设计上就应当避免。关于第二点，搜索引擎如何理解用户，肯定不是简单的靠匹配，这里面可以加入很多的处理，甚至加入各种自然语言处理的高级技术，而比较通用且基本的方法就是靠分词器来完成，而且这是一种比较简单而且高效的处理方法。

分词技术是搜索技术里面的一块基石。很多人用过，如果你只是为了简单快速地搭一个搜索引擎，你确实不用了解太深。但一旦涉及效果问题，分词器上就可以做很多文章。例如， 在我们实际用作电商领域的搜索的工作中，类目预判的实现就极须依赖分词，至少需要做到可以对分词器动态加规则。再举一个简单的例子，如果你的优化方法就是对不同的词分权重，提高一些重点词的权重的话，你就需要依赖并理解分词器。

1.2 IK分词器的安装和配置

Maven安装

由于需要使用到Maven对IK分词器进行打包，因此，要先安装和配置Maven，下载地址http://maven.apache.org/download.cgi/#。这里以最新版本apache-maven-3.6.1-bin.tar为例，将Maven安装包上传到主机hadoop221的/root/tools目录中。进入到/root/tools目录，运行命令 tar -zxvf apache-maven-3.6.1-bin.tar.gz -C /root/training/，将Maven安装包解压到/root/training目录下。运行命令vi /root/.bash_profile，编译环境变量，在文件末尾添加如下内容：

MAVEN_HOME=/root/training/apache-maven-3.6.1

export MAVEN_HOME

PATH=$MAVEN_HOME/bin:$PATH

export PATH

保存退出后，运行命令source /root/.bash_profile，使环境变量生效。再运行命令mvn -version，输出的信息如下图所示，表明Maven安装成功。

IK Analyzer安装

这里以elasticsearch-analysis-ik-master.zip安装包为例，下载地址为https://github.com/medcl/elasticsearch-analysis-ik，注意，IK分词器的安装过程需要能够连接网络。

将IK安装包上传到主机hadoop221的/root/tools目录中，运行命令unzip elasticsearch-analysis-ik-master.zip -d /root/training/，将IK安装包解压到/root/training目录下。进入到/root/training/elasticsearch-analysis-ik-master目录下，运行命令mvn package -Pdist,native -DskipTests -Dtar，使用Maven进行打包，打包完成之后，在/root/training/elasticsearch-analysis-ik-master/target/releases目录下会出生成elasticsearch-analysis-ik-5.6.1.zip文件，直接运行命令unzip elasticsearch-analysis-ik-5.6.1.zip，解压到当前目录，运行命令cp -r elasticsearch /root/training/elasticsearch-5.6.1/plugins/，将解压得到的文件拷贝到elasticsearch-5.6.1/plugins/目录下。

最后，需要修改plugin-descriptor.properties文件，将其中的es版本号改为当前使用的版本号，即完成IK分词器的安装。进入到/root/training/elasticsearch-5.6.1/plugins/elasticsearch目录，运行vi plugin-descriptor.properties，将其中elasticsearch.version=5.6.1修改为当前ES的版本即可。

至此，完成IK分词器的安装，重启ElasticSearch即可。

1.3 IK分词器的使用

默认中文分词器

针对词条查询（TermQuery），查看默认中文分词器的效果如下图所示。

ik_smart模式

使用ik_smart模式查看中文分词的效果如下图所示。

ik_max_word模式

使用ik_max_word模式查看中文分词器的效果如下图所示。

1.4 IK分词器Java API操作

初始化ElasticSearch客户端连接

创建索引

创建使用IK分词器的mapping

以map形式创建文档

词条查询

2、ElasticSearch的分布式架构原理

ElasticSearch的分布式架构如下图所示。

要点总结如下：

对于一个索引，其中的数据会被拆分成多个shard（分片），每个shard存储一部分数据；
1.
对于每个shard的数据，实际会有多个备份，也就是说每个shard都有一个primary shard，负责写入数据，还有几个replica shard，仅用于读数据。primary shard写入数据之后，会将数据同步到其他几个replica shard上去；
1.
通过这个replica方案，每个shard的数据都有多个备份，如果某个机器宕机了，还有别的数据副本可供访问，从而实现了高可用；
1.
对于ES集群中的多个节点，会根据配置文件中的属性配置自动选举一个节点作为master节点，这个master节点主要就是干一些管理的工作，比如维护索引元数据、负责切换primary shard和replica shard身份等等。要是master节点宕机了，那么会重新选举一个节点为master节点；
1.
如果是非master节点宕机了，那么会由master节点，将那个宕机节点上的primary shard身份转移到其他机器上的replica shard。接着，要是修复了那个宕机机器，重启之后，master节点会控制将缺失的replica shard分配过去，并同步后续修改的数据，让集群恢复正常。

3、ES写入数据及查询数据的工作原理

下面这幅图总结了ElasticSearch写入数据及查询数据的工作流程。

各个过程的详细说明如下：

（1）ES写入数据流程

客户端选择一个node发送请求过去，这个node作为coordinating node（协调节点）；
*
coordinating node对document进行路由，将请求转发给对应的node（有primary shard的node）；
*
实际上由node上的primary shard处理写入请求，然后将数据同步到其他node上（包含对应replica shard的node）；
*
coordinating node，如果发现primary node和所有replica node都完成数据写入后，就返回响应结果给客户端。

（2）ES读取数据过程

ES读取数据，本质上是查询（GET）某一条数据，当写入某条document，这个document会被自动分配一个全局唯一的id，即doc id，同时ES也是根据doc id进行hash路由到对应的primary shard上面去。当然，也可以手动指定doc id，比如使用订单id或用户id。可以通过doc id来查询，根据doc id进行hash，判断出先前把该doc id分配到了哪个shard上，进而从那个shard去查询。

客户端发送请求到任意一个node，作为coordinate node；
*
coordinate node对该请求进行路由，将请求转发到对应的node，此时会使用round-robin随机轮询算法，在primary shard以及其所有replica shard中随机选择一个进行处理，从而让读请求实现负载均衡；
*
接收请求的node返回document给coordinate node；
*
coordinate node返回document给客户端。

（3）ES搜索数据过程

ES最强大的功能是做全文检索，比如有三条数据：

Java是一门简单易学的编程语言

Java编程好容易上手

J2ee当前非常流行

根据Java关键词来进行搜索，将包含Java的document全部给搜索出来，ES就会给你返回：Java是一门简单易学的编程语言，Java编程好容易上手。

客户端发送请求到一个node，作为coordinate node；
*
coordinate node将搜索请求转发给所有的shard对应的primary shard或某个replica shard；
*
query phase：每个shard将自己的搜索结果（其实就是一些doc id），返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，生成最终结果；
*
fetch phase：接着由协调节点，根据doc id去各个节点上拉取实际的document数据，返回给客户端。

（4）ES写数据底层原理

ES写入数据时，是先将数据写入内存缓冲区buffer中，当数据在buffer里的时候是搜索不到的，同时也会将数据写入translog日志文件中；
*
如果buffer快满了，或者到一定时间，就会将buffer中的数据refresh到一个新的segment file文件中，但是此时数据不是直接写入segment file的磁盘文件，而是先写入os cache中，这个过程就是refresh；

默认每隔1秒钟，ES将buffer中的数据写入一个新的segment file，每秒钟会生生一个新的磁盘文件segment file，这个segment file中就存储最近1秒内buffer中写入的数据。但是，如果buffer里面没有数据，那就不会执行refresh操作，避免创建一个空的segment file，如果buffer里面有数据，默认1秒钟执行一次refresh操作，刷入一个新的segment file中。

操作系统里面，磁盘文件其实都有一个缓存，叫做os cache，即操作系统缓存，当数据写入磁盘文件之前，会先写入os cache，先写入操作系统级别的一个内存缓存中。只要buffer中的数据被refresh操作，刷入os cache中，就表明这个数据可以被搜索到了。这也就是为什么称ES是准实时的（NRT，near real-time，默认每隔1秒refresh一次，写入的数据1秒之后才能被搜索到）。可以通过ES的restful api或者java api，手动执行一次refresh操作，手动将buffer中的数据刷入os cache中，让数据可以立马被搜索到。只要数据被刷入os cache中，buffer就会被清空，因为不需要保留buffer了，数据在translog里面也已经被持久化到磁盘里了。

只要数据刷入os cache中，就可以让这个segment file的数据对外提供搜索了；
*
重复上面3个步骤，新的数据不断进入buffer和translog，不断将buffer中的数据写入一个又一个新的segment file中去，每次refresh完buffer清空，translog保留。随着这个过程的推进，translog会变得越来越大。当translog达到一定长度的时候，就会触发commit操作；

buffer中的数据，每隔1秒就被刷到os cache中去，然后这个buffer就被清空了。所以说这个buffer的数据始终是可以保持不会填满ES进程的内存。每次一条数据写入buffer，同时会写入一条日志到translog日志文件中，所以这个translog日志文件会不断变大，当translog日志文件大到一定程度的时候，就会执行commit操作。

commit操作发生的第一步，就是将buffer中现有数据refresh到os cache中，清空buffer，并将一个commit point写入磁盘文件，里面标识着这个commit point对应的所有segment file；
*
强制将os cache中目前所有的数据都fsync到磁盘文件中；

translog日志文件的作用是什么？就是在执行commit操作之前，数据要么是停留在buffer中，要么是停留在os cache中，无论是buffer还是os cache都是内存，一旦这台机器宕机，内存中的数据就会全部丢失。所以需要将数据对应的操作写入一个专门的日志文件，translog日志文件中，一旦此时机器宕机，再次重启的时候，ES就会自动读取translog日志文件中的数据，恢复到内存buffer和os cache中。commit操作：写commit point--->将os cache数据fsync强刷到磁盘中--->清空translog日志文件；

将现有的translog文件清空，然后再次重新启用一个translog文件，此时commit操作完成。默认每隔30分钟会自动执行一次commit，但是如果translog过大，也会触发commit。整个commit的过程，叫做flush操作。可以手动执行flush操作，会将所有os cache数据强制刷到磁盘文件中。

ES中的flush操作，对应着commit的全过，也可以通过ES API，手动执行flush操作，手动将os cache中的数据fsync强刷到磁盘中，记录一个commit point，清空translog日志文件。

translog其实也是先写入os cache的，默认每隔5秒刷一次到磁盘中，所以默认情况下，可能有5秒的数据会仅仅停留在buffer或者translog文件的os cache中，如果此时机器挂了，会丢失5秒钟的数据。但是这样性能比较好，最多丢5秒的数据。也可以将translog设置成每次写操作必须直接fsync到磁盘中，但是性能会差很多。

如果希望一定不能丢失数据的话，可以设置相应的参数。每次写入一条数据，都是写入buffer，同时写入磁盘上的translog，但是这会导致写入性能、写入吞吐量下降一个数量级。本来一秒钟可以写2000条，现在可能一秒钟就只能写200条，都是有可能的。

如果是删除操作，commit的时候会生成一个.del文件，里面将某个doc标识为deleted状态，那么搜索的时候根据.del文件就知道这个doc被删除了；
*
如果是更新操作，就是将原来的doc标识为deleted状态，然后新写入一条数据；
*
buffer每refresh一次，就会产生一个segment file，所以默认情况下是1秒钟一个segment file，segment file的数量会越来越多，对于这种情况，ES会自动或定期执行merge操作；

每次merge的时候，会将多个segment file合并成一个，同时会将标识为deleted的doc给物理删除掉，然后将新的segment file写入磁盘，这里也会写一个commit point，标识所有新的segment file，然后打开segment file供搜索使用，同时删除旧的segment file。ES的写流程，有4个底层的核心概念，refresh、flush、translog、merge。

4、ElasticSearch性能优化

下图简单给出了ElasticSearch查询数据的流程，可通过该图体会ES的性能瓶颈在什么地方。

（1）性能优化的杀手锏——filesystem cache

os cache，操作系统缓存，往ES里写的数据，实际上都写到磁盘文件里去了，磁盘文件里的数据操作系统会自动将里面的数据缓存到os cache中。ES的搜索引擎严重依赖于底层的filesystem cache，如果给filesystem cache更多的内存，尽量让内存可以容纳所有的indx segment file索引数据文件，那么搜索的时候就基本都是走内存的，性能会非常高。性能差距可以有多大，如果走磁盘，一般需要花费的时间会达到秒级别，1秒，5秒，10秒。但是如果走filesystem cache，走纯内存，那么一般来说性能比走磁盘要高一个数量级，基本上就是毫秒级的，从几毫秒到几百毫秒不等。

比如说，ES节点有3台机器，每台机器，看起来内存很多，64G，总内存，64 /* 3 = 192G，每台机器给ES JVM堆栈32G内存，那么剩下来留给filesystem cache就是每台机器才32G，总共集群里给filesystem cache就是32 /* 3 = 96G内存。如果此时，磁盘上索引数据文件，在3台机器上，一共占用了1T的磁盘容量，ES数据量是1T，每台机器的数据量是300G，你觉得性能会好吗？filesystem cache的内存才100G，十分之一的数据可以放在内存中，其他数据都在磁盘，然后执行搜索操作，大部分操作都是走磁盘，性能肯定非常差。

归根结底，要让ES性能好，最佳的情况下，就是机器的内存，至少可以容纳总数据量的一半。比如说，一共要在ES中存储1T的数据，那么所有机器留给filesystem cache的内存加起来至少要达到512G，至少半数的情况下，搜索是走内存的，性能一般可以到几秒钟，2秒，3秒，5秒。最佳的情况下，是仅仅在ES中就存少量的数据，也就是要用来搜索的那些索引数据，留给filesystem cache的内存就100G，那么就控制在100G以内，相当于，搜索的数据几乎全部走内存，性能会非常高，一般可以在1秒以内。

仅仅只是写入ES中要用来检索的少数几个字段就可以了，然后可以把其他的字段数据存在mysql里面，一般是建议用ES + HBase的架构。HBase的特点是适用于海量数据的在线存储，就是对HBase可以写入海量数据，不要做复杂的搜索，仅做很简单的一些根据id或者范围进行查询的操作就可以。ElasticSearch减少数据量，仅仅存放要用于搜索的几个关键字段即可，尽量写入ES的数据量跟ES机器的filesystem cache差不多，其他不用来检索的数据放HBase里，或者MYSql中。

（2）数据预热

假如说，哪怕就按照上述的方案去做，ES集群中每个机器写入的数据量还是超过了filesystem cache一倍，比如说写入一台机器60G数据，结果filesystem cache就30G，还是有30G数据留在了磁盘上。举个例子，比如说，微博，可以把一些大v，平时看的人很多的数据给提前刷到filesystem cache中，可以后台搞个系统，每隔一段时间，这个后台系统去搜索一下热数据，刷到filesystem cache中，后面用户实际来看这个热数据的时候，就是直接从内存里搜索了，速度会很快。电商，可以将平时查看最多的一些商品，比如说Iphone 8等热数据提前刷到filesystem cache中。

对于那些觉得比较热的，经常会有人访问的数据，最好做一个专门的缓存预热子系统，就是对热数据，每隔一段时间，就提前访问一下，让数据进入filesystem cache里面去。这样下次别人访问的时候，一定性能会好很多。

（3）冷热分离

关于ES性能优化，数据拆分，将大量不搜索的字段，拆分到别的存储中。ES可以做类似于MYSql的水平拆分，就是说将大量的访问很少，频率很低的数据，单独写一个索引，然后将访问很频繁的热数据单独写一个索引。最好是将冷数据写入一个索引中，然后热数据写入另外一个索引中，这样可以确保热数据在被预热之后，尽量都让他们留在filesystem os cache里，不会让冷数据给冲刷掉。

假设有6台机器，2个索引，一个放冷数据，一个放热数据，每个索引3个shard，3台机器放热数据index；另外3台机器放冷数据index。这样的话，大多数时候是在访问热数据index，热数据可能就占总数据量的10%，此时数据量很少，几乎全都保留在filesystem cache里面了，就可以确保热数据的访问性能是很高的。但是对于冷数据，是存放在别的index里，跟热数据index都不在相同的机器上，大家互相之间都没什么联系。如果有人访问冷数据，可能大量数据是在磁盘上，此时性能会差点，但就只有10%的人去访问冷数据；90%的人去访问热数据。

（4）document模型设计

在ES里尽量不要用复杂的关联查询语法，一旦用了，性能一般都不太好。如果不可避免这种情况，在负责写入ES的Java系统中，提前就完成关联操作，将关联好的数据直接写入ES中，搜索的时候，就不需要利用ES的搜索语法去完成join等操作来搜索了。

document模型设计是非常重要的，不要在搜索的时候才想去执行各种复杂的乱七八糟的操作。ES能支持的操作就只有那么多，不要考虑用ES做一些它不擅长操作的事情。如果真的有那种操作，尽量在document模型设计的时候，写入的时候就完成。另外对于一些太复杂的操作，比如join，nested，parent-child搜索都要尽量避免，性能都比较差。

1）在写入数据的时候，就设计好模型，加几个字段，把处理好的数据写入增加的字段中；

2）用Java程序封装，ES能做的，就用ES来做，搜索出来的数据，在Java程序里面去做，比如说，基于ES，用Java封装一些特别复杂的操作。

（5）分页性能优化

ES的分页是比较坑的，为啥呢？举个例子，假如每页是10条数据，现在要查询第100页，实际上是会把每个shard上存储的前1000条数据都查到一个协调节点上，如果有5个shard，那么就有5000条数据，接着协调节点对这5000条数据进行一些合并、处理，再获取到最终第100页的10条数据。

分布式的，要查第100页的10条数据，不可能说从5个shard，每个shard就查2条数据，最后到协调节点合并成10条数据。必须得从每个shard都查1000条数据过来，然后根据需求进行排序、筛选等操作，最后再次分页，拿到里面第100页的数据。翻页的时候，翻的越深，每个shard返回的数据就越多，而且协调节点处理的时间越长。非常坑爹。所以用ES做分页的时候，会发现越翻到后面，就越慢。如果非要使用ES做分页，需要遵循如下两个条件：

1）不允许深度分页/默认深度分页性能很差

2）类似于app里的推荐商品不断下拉出来一页一页的

类似于微博中，下拉刷微博，刷出来一页一页的，你可以用scroll api，scroll会一次性生成所有数据的一个快照，然后每次翻页就通过游标移动，获取下一页数据，性能会比上面说的那种分页性能高很多很多。针对这个问题，可以考虑用scroll来进行处理，scroll的原理实际上是保留一个数据快照，然后在一定时间内，如果不断的滑动往后翻页，那么就用scroll不断通过游标获取下一页数据，这个性能是很高的，比ES实际翻页要好的多得多。但是唯一的一点就是，这个适合于那种类似微博下拉翻页的，不能随意跳到任何一页的场景。同时这个scroll是要保留一段时间内的数据快照，需要确保用户不会持续不断翻页翻几个小时之久。无论翻多少页，性能基本上都是毫秒级的，因为scroll api是只能一页一页往后翻的，不能说，先进入第10页，然后去120页，再回到58页，不能随意乱跳页。所以现在很多产品，都是不允许随意翻页的，有些app，也有一些网站，做的就是只能往下拉，一页一页的翻。

5、ElasticSearch生产集群的部署架构

下面列举一个基本的实际生产环境中的ElasticSearch集群结构。

（1）ES生产集群部署5台机器，每台机器是8核64G的，集群总内存是320G；

（2）ES集群的每日增量数据大概是2000万条，占用空间大概是500M，每月增量数据大概是6亿条，占用空间15G。系统已经运行了几个月，ES集群里数据总量大概是100G左右。

（3）线上有5个索引，每个索引的数据量大概是20G，在这个数据量之内，每个索引分配8个shard，比默认的5个shard多了3个shard。