作者：中華石杉

來源：石杉的架構(gòu)筆記（ID:shishan100）

目錄：

1. 一道面試題的引入：

2. 性能優(yōu)化的殺手锏：Filesystem Cache

3. 數(shù)據(jù)預(yù)熱

4. 冷熱分離

5. ElasticSearch 中的關(guān)聯(lián)查詢

6. Document 模型設(shè)計

7. 分頁性能優(yōu)化

一道面試題的引入：

如果面試的時候碰到這樣一個面試題：ElasticSearch（以下簡稱ES） 在數(shù)據(jù)量很大的情況下（數(shù)十億級別）如何提高查詢效率？

這個問題說白了，就是看你有沒有實際用過 ES，因為啥？其實 ES 性能并沒有你想象中那么好的。

很多時候數(shù)據(jù)量大了，特別是有幾億條數(shù)據(jù)的時候，可能你會懵逼的發(fā)現(xiàn)，跑個搜索怎么一下 5~10s，坑爹了。

第一次搜索的時候，是 5~10s，后面反而就快了，可能就幾百毫秒。

然后你就很懵，每個用戶第一次訪問都會比較慢，比較卡么？所以你要是沒玩兒過 ES，或者就是自己玩玩兒 Demo，被問到這個問題容易懵逼，顯示出你對 ES 確實玩的不怎么樣？

說實話，ES 性能優(yōu)化是沒有銀彈的。啥意思呢？就是不要期待著隨手調(diào)一個參數(shù)，就可以萬能的應(yīng)對所有的性能慢的場景。

也許有的場景是你換個參數(shù)，或者調(diào)整一下語法，就可以搞定，但是絕對不是所有場景都可以這樣。

性能優(yōu)化的殺手锏：Filesystem Cache

你往 ES 里寫的數(shù)據(jù)，實際上都寫到磁盤文件里去了，查詢的時候，操作系統(tǒng)會將磁盤文件里的數(shù)據(jù)自動緩存到 Filesystem Cache 里面去。

整個過程，如下圖所示：

ES 的搜索引擎嚴(yán)重依賴于底層的 Filesystem Cache，你如果給 Filesystem Cache 更多的內(nèi)存，盡量讓內(nèi)存可以容納所有的 IDX Segment File 索引數(shù)據(jù)文件，那么你搜索的時候就基本都是走內(nèi)存的，性能會非常高。

性能差距究竟可以有多大？我們之前很多的測試和壓測，如果走磁盤一般肯定上秒，搜索性能絕對是秒級別的，1 秒、5 秒、10 秒。

但如果是走 Filesystem Cache，是走純內(nèi)存的，那么一般來說性能比走磁盤要高一個數(shù)量級，基本上就是毫秒級的，從幾毫秒到幾百毫秒不等。

來看一個真實的案例：某個公司 ES 節(jié)點有 3 臺機(jī)器，每臺機(jī)器看起來內(nèi)存很多 64G，總內(nèi)存就是 64 * 3 = 192G。

每臺機(jī)器給 ES JVM Heap 是 32G，那么剩下來留給 Filesystem Cache 的就是每臺機(jī)器才 32G，總共集群里給 Filesystem Cache 的就是 32 * 3 = 96G 內(nèi)存。

而此時，整個磁盤上索引數(shù)據(jù)文件，在 3 臺機(jī)器上一共占用了 1T 的磁盤容量，ES 數(shù)據(jù)量是 1T，那么每臺機(jī)器的數(shù)據(jù)量是 300G。

這樣性能好嗎？

Filesystem Cache 的內(nèi)存才 100G，十分之一的數(shù)據(jù)可以放內(nèi)存，其他的都在磁盤，然后你執(zhí)行搜索操作，大部分操作都是走磁盤，性能肯定差。

歸根結(jié)底，你要讓 ES 性能好，最佳的情況下，就是你的機(jī)器的內(nèi)存，至少可以容納你的總數(shù)據(jù)量的一半。

根據(jù)我們自己的生產(chǎn)環(huán)境實踐經(jīng)驗，最佳的情況下，是僅僅在 ES 中就存少量的數(shù)據(jù)。

也就是說，你要用來搜索的那些索引，如果內(nèi)存留給 Filesystem Cache 的是 100G，那么你就將索引數(shù)據(jù)控制在 100G 以內(nèi)。這樣的話，你的數(shù)據(jù)幾乎全部走內(nèi)存來搜索，性能非常之高，一般可以在1秒以內(nèi)。

比如說你現(xiàn)在有一行數(shù)據(jù)：id，name，age .... 30 個字段。但是你現(xiàn)在搜索，只需要根據(jù) id，name，age 三個字段來搜索。

如果你傻乎乎往 ES 里寫入一行數(shù)據(jù)所有的字段，就會導(dǎo)致 90% 的數(shù)據(jù)是不用來搜索的。

但是呢，這些數(shù)據(jù)硬是占據(jù)了 ES 機(jī)器上的 Filesystem Cache 的空間，單條數(shù)據(jù)的數(shù)據(jù)量越大，就會導(dǎo)致 Filesystem Cahce 能緩存的數(shù)據(jù)就越少。

其實，僅僅寫入 ES 中要用來檢索的少數(shù)幾個字段就可以了，比如說就寫入 es id，name，age 三個字段。

然后你可以把其他的字段數(shù)據(jù)存在 MySQL/HBase 里，我們一般是建議用 ES + HBase 這么一個架構(gòu)。

HBase是列式數(shù)據(jù)庫，其特點是適用于海量數(shù)據(jù)的在線存儲，就是對 HBase 可以寫入海量數(shù)據(jù)，但是不要做復(fù)雜的搜索，做很簡單的一些根據(jù) id 或者范圍進(jìn)行查詢的這么一個操作就可以了。

從 ES 中根據(jù) name 和 age 去搜索，拿到的結(jié)果可能就 20 個 doc id，然后根據(jù) doc id 到 HBase 里去查詢每個 doc id 對應(yīng)的完整的數(shù)據(jù)，給查出來，再返回給前端。

而寫入 ES 的數(shù)據(jù)最好小于等于，或者是略微大于 ES 的 Filesystem Cache 的內(nèi)存容量。

然后你從 ES 檢索可能就花費 20ms，然后再根據(jù) ES 返回的 id 去 HBase 里查詢，查 20 條數(shù)據(jù)，可能也就耗費個 30ms。

如果你像原來那么玩兒，1T 數(shù)據(jù)都放 ES，可能會每次查詢都是 5~10s，而現(xiàn)在性能就會很高，每次查詢就是 50ms。

數(shù)據(jù)預(yù)熱

假如你就按照上述的方案去做了，ES 集群中每個機(jī)器寫入的數(shù)據(jù)量還是超過了 Filesystem Cache 一倍。

比如說你寫入一臺機(jī)器 60G 數(shù)據(jù)，結(jié)果 Filesystem Cache 就 30G，還是有 30G 數(shù)據(jù)留在了磁盤上。

這種情況下，其實可以做數(shù)據(jù)預(yù)熱。舉個例子，拿微博來說，你可以把一些大 V，平時看的人很多的數(shù)據(jù)，提前在后臺搞個系統(tǒng)。

然后每隔一會兒，自己的后臺系統(tǒng)去搜索一下熱數(shù)據(jù)，刷到 Filesystem Cache 里去，后面用戶實際上來看這個熱數(shù)據(jù)的時候，他們就是直接從內(nèi)存里搜索了，很快。

或者是電商，你可以將平時查看最多的一些商品，比如說 iphone 8，熱數(shù)據(jù)提前后臺搞個程序，每隔 1 分鐘自己主動訪問一次，刷到 Filesystem Cache 里去。

總之，就是對于那些你覺得比較熱的、經(jīng)常會有人訪問的數(shù)據(jù)，最好做一個專門的緩存預(yù)熱子系統(tǒng)。

然后對熱數(shù)據(jù)每隔一段時間，就提前訪問一下，讓數(shù)據(jù)進(jìn)入 Filesystem Cache 里面去。這樣下次別人訪問的時候，性能一定會好很多。

冷熱分離

ES 可以做類似于 MySQL 的水平拆分，就是說將大量的訪問很少、頻率很低的數(shù)據(jù)，單獨寫一個索引，然后將訪問很頻繁的熱數(shù)據(jù)單獨寫一個索引。

最好是將冷數(shù)據(jù)寫入一個索引中，然后熱數(shù)據(jù)寫入另外一個索引中，這樣可以確保熱數(shù)據(jù)在被預(yù)熱之后，盡量都讓他們留在 Filesystem OS Cache 里，別讓冷數(shù)據(jù)給沖刷掉。

還是來一個例子，假設(shè)你有 6 臺機(jī)器，2 個索引，一個放冷數(shù)據(jù)，一個放熱數(shù)據(jù)，每個索引 3 個 Shard。3 臺機(jī)器放熱數(shù)據(jù) Index，另外 3 臺機(jī)器放冷數(shù)據(jù) Index。

這樣的話，你大量的時間是在訪問熱數(shù)據(jù) Index，熱數(shù)據(jù)可能就占總數(shù)據(jù)量的 10%，此時數(shù)據(jù)量很少，幾乎全都保留在 Filesystem Cache 里面了，就可以確保熱數(shù)據(jù)的訪問性能是很高的。

但是對于冷數(shù)據(jù)而言，是在別的 Index 里的，跟熱數(shù)據(jù) Index 不在相同的機(jī)器上，大家互相之間都沒什么聯(lián)系了。

如果有人訪問冷數(shù)據(jù)，可能大量數(shù)據(jù)是在磁盤上的，此時性能差點，就 10% 的人去訪問冷數(shù)據(jù)，90% 的人在訪問熱數(shù)據(jù)，也無所謂了。

ES中的關(guān)聯(lián)查詢

對于 MySQL，我們經(jīng)常有一些復(fù)雜的關(guān)聯(lián)查詢，在 ES 里該怎么玩兒？

ES 里面的復(fù)雜的關(guān)聯(lián)查詢盡量別用，一旦用了性能一般都不太好。最好是先在 JAVA 系統(tǒng)里就完成關(guān)聯(lián)，將關(guān)聯(lián)好的數(shù)據(jù)直接寫入 ES 中。搜索的時候，就不需要利用 ES 的搜索語法來完成 Join 之類的關(guān)聯(lián)搜索了。

Document 模型設(shè)計

Document 模型設(shè)計是非常重要的，很多操作，不要在搜索的時候才想去執(zhí)行各種復(fù)雜的亂七八糟的操作。

ES 能支持的操作就那么多，不要考慮用 ES 做一些它不好操作的事情。如果真的有那種操作，盡量在 Document 模型設(shè)計的時候，寫入的時候就完成。

另外對于一些太復(fù)雜的操作，比如 join/nested/parent-child 搜索都要盡量避免，性能都很差的。

分頁性能優(yōu)化

ES 的分頁是較坑的，為啥呢？舉個例子吧，假如你每頁是 10 條數(shù)據(jù)，你現(xiàn)在要查詢第 100 頁，實際上是會把每個 Shard 上存儲的前 1000 條數(shù)據(jù)都查到一個協(xié)調(diào)節(jié)點上。

如果你有 5 個 Shard，那么就有 5000 條數(shù)據(jù)，接著協(xié)調(diào)節(jié)點對這 5000 條數(shù)據(jù)進(jìn)行一些合并、處理，再獲取到最終第 100 頁的 10 條數(shù)據(jù)。

由于是分布式的，你要查第 100 頁的 10 條數(shù)據(jù)，不可能說從 5 個 Shard，每個 Shard 就查 2 條數(shù)據(jù)，最后到協(xié)調(diào)節(jié)點合并成 10 條數(shù)據(jù)吧？

你必須得從每個 Shard 都查 1000 條數(shù)據(jù)過來，然后根據(jù)你的需求進(jìn)行排序、篩選等等操作，最后再次分頁，拿到里面第 100 頁的數(shù)據(jù)。

你翻頁的時候，翻的越深，每個 Shard 返回的數(shù)據(jù)就越多，而且協(xié)調(diào)節(jié)點處理的時間越長，非常坑爹。所以用 ES 做分頁的時候，你會發(fā)現(xiàn)越翻到后面，就越是慢。

我們之前也是遇到過這個問題，用 ES 作分頁，前幾頁就幾十毫秒，翻到 10 頁或者幾十頁的時候，基本上就要 5~10 秒才能查出來一頁數(shù)據(jù)了。

有什么解決方案嗎？兩個思路：

一、不允許深度分頁（默認(rèn)深度分頁性能很差）。跟產(chǎn)品經(jīng)理說，你系統(tǒng)不允許翻那么深的頁，默認(rèn)翻的越深，性能就越差。

二、類似于 App 里的推薦商品不斷下拉出來一頁一頁的；類似于微博中，下拉刷微博，刷出來一頁一頁的，你可以用 Scroll API，關(guān)于如何使用，大家可以自行上網(wǎng)搜索學(xué)習(xí)一下。

Scroll是如何做的呢？它會一次性給你生成所有數(shù)據(jù)的一個快照，然后每次滑動向后翻頁就是通過游標(biāo) scroll_id 移動，獲取下一頁、下一頁這樣子，性能會比上面說的那種分頁性能要高很多很多，基本上都是毫秒級的。

但是，唯一的一點就是，這個適合于那種類似微博下拉翻頁的，不能隨意跳到任何一頁的場景。也就是說，你不能先進(jìn)入第 10 頁，然后去第 120 頁，然后又回到第 58 頁，不能隨意亂跳頁。

所以現(xiàn)在很多產(chǎn)品，都是不允許你隨意翻頁的，你只能往下拉，一頁一頁的翻。

使用時需要注意，初始化必須指定 Scroll 參數(shù)，告訴 ES 要保存此次搜索的上下文多長時間。你需要確保用戶不會持續(xù)不斷翻頁翻幾個小時，否則可能因為超時而失敗。

除了用 Scroll API，你也可以用 search_after 來做。search_after 的思想是使用前一頁的結(jié)果來幫助檢索下一頁的數(shù)據(jù)。

顯然，這種方式也不允許你隨意翻頁，你只能一頁頁往后翻。初始化時，需要使用一個唯一值的字段作為 Sort 字段。