中国纪检监察网站首页,60平米一居室装修价格,某公司的网站建设的资金预算书,百度搜索量统计ElasticSearch深度解析入门篇#xff1a;高效搜索解决方案的介绍与实战案例讲解#xff0c;带你避坑 1.Elasticsearch 产生背景
大规模数据如何检索
如#xff1a;当系统数据量上了 10 亿、100 亿条的时候#xff0c;我们在做系统架构的时候通常会从以下角度去考虑问题高效搜索解决方案的介绍与实战案例讲解带你避坑 1.Elasticsearch 产生背景
大规模数据如何检索
如当系统数据量上了 10 亿、100 亿条的时候我们在做系统架构的时候通常会从以下角度去考虑问题 1用什么数据库好(mysql、oracle、mongodb、hbase…) 2如何解决单点故障(lvs、F5、A10、Zookeep、MQ) 3如何保证数据安全性(热备、冷备、异地多活) 4如何解决检索难题(数据库代理中间件mysql-proxy、Cobar、MaxScale 等;) 5如何解决统计分析问题(离线、近实时)
传统数据库的应对解决方案
对于关系型数据我们通常采用以下或类似架构去解决查询瓶颈和写入瓶颈 解决要点 1通过主从备份解决数据安全性问题 2通过数据库代理中间件心跳监测解决单点故障问题 3通过代理中间件将查询语句分发到各个 slave 节点进行查询并汇总结果
非关系型数据库解决方案
对于 Nosql 数据库以 mongodb 为例其它原理类似 解决要点 1通过副本备份保证数据安全性 2通过节点竞选机制解决单点问题 3先从配置库检索分片信息然后将请求分发到各个节点最后由路由节点合并汇总结果
内存数据库解决方案
完全把数据放在内存中是不可靠的实际上也不太现实当我们的数据达到 PB 级别时按照每个节点 96G 内存计算在内存完全装满的数据情况下我们需要的机器是1PB1024T1048576G 节点数 1048576/9610922 个 实际上考虑到数据备份节点数往往在 2.5 万台左右。成本巨大决定了其不现实
所以把数据放在内存也好不放在内存也好都不能完完全全解决问题。 全部放在内存速度问题是解决了但成本问题上来了。 为解决以上问题从源头着手分析通常会从以下方式来寻找方法 1、存储数据时按有序存储 2、将数据和索引分离 3、压缩数据 这就引出了 Elasticsearch
2.Elasticsearch 介绍
Elasticsearch 是什么
Elasticsearch 是一个基于 Lucene 的分布式搜索和分析引擎。
ES 是 elaticsearch 简写 Elasticsearch 是一个开源的高扩展的分布式全文检索引擎它可以近乎实时的存储、检索数据本身扩展性很好可以扩展到上百台服务器处理 PB 级别的数据。 Elasticsearch 使用 Java 开发在 Apache 许可条款下开放源码发布是当前流行的企业级搜索引擎。设计用于云计算中能够达到实时搜索稳定可靠快速安装使用方便
使用 Lucene 作为其核心来实现所有索引和搜索的功能但是它的目的是通过简单的 RESTful API 来隐藏 Lucene 的复杂性使得全文检索变得简单
设计用途用于分布式全文检索通过 HTTP 使用 JSON 进行数据索引速度快
** Lucene 与 Elasticsearch 关系**
1Lucene 只是一个库。想要使用它你必须使用 Java 来作为开发语言并将其直接集成到你的应用中更糟糕的是Lucene 非常复杂你需要深入了解检索的相关知识来理解它是如何工作的。
2Elasticsearch 也使用 Java 开发并使用 Lucene 作为其核心来实现所有索引和搜索的功能但是它的目的是通过简单的 RESTful API 来隐藏 Lucene 的复杂性从而让全文搜索变得简单。
Elasticsearch vs solr
1Solr 是 Apache Lucene 项目的开源企业搜索平台。其主要功能包括全文检索、命中标示、分面搜索、动态聚类、数据库集成以及富文本如 Word、PDF的处理。
2Solr 是高度可扩展的并提供了分布式搜索和索引复制。Solr 是最流行的企业级搜索引擎Solr4 还增加了 NoSQL 支持。
3Solr 是用 Java 编写、运行在 Servlet 容器如 Apache Tomcat 或 Jetty的一个独立的全文搜索服务器。 Solr 采用了 Lucene Java 搜索库为核心的全文索引和搜索并具有类似 REST 的 HTTP/XML 和 JSON 的 API。
4Solr 强大的外部配置功能使得无需进行 Java 编码便可对 其进行调整以适应多种类型的应用程序。Solr 有一个插件架构以支持更多的高级定制
Elasticsearch 与 Solr 的比较总结
二者安装都很简单Solr 利用 Zookeeper 进行分布式管理而 Elasticsearch 自身带有分布式协调管理功能Solr 支持更多格式的数据而 Elasticsearch 仅支持 json 文件格式Solr 官方提供的功能更多而 Elasticsearch 本身更注重于核心功能高级功能多有第三方插件提供Solr 在传统的搜索应用中表现好于 Elasticsearch但在处理实时搜索应用时效率明显低于 ElasticsearchSolr 是传统搜索应用的有力解决方案但 Elasticsearch 更适用于新兴的实时搜索应用
2.1 Elasticsearch 核心概念
Cluster集群
ES 可以作为一个独立的单个搜索服务器。不过为了处理大型数据集实现容错和高可用性ES 可以运行在许多互相合作的服务器上。这些服务器的集合称为集群。
Node节点
形成集群的每个服务器称为节点。
Shard分片
当有大量的文档时由于内存的限制、磁盘处理能力不足、无法足够快的响应客户端的请求等一个节点可能不够。这种情况下数据可以分为较小的分片。每个分片放到不同的服务器上。 当你查询的索引分布在多个分片上时ES 会把查询发送给每个相关的分片并将结果组合在一起而应用程序并不知道分片的存在。即这个过程对用户来说是透明的。
Replia副本
为提高查询吞吐量或实现高可用性可以使用分片副本。 副本是一个分片的精确复制每个分片可以有零个或多个副本。ES 中可以有许多相同的分片其中之一被选择更改索引操作这种特殊的分片称为主分片。 当主分片丢失时如该分片所在的数据不可用时集群将副本提升为新的主分片。
全文检索
全文检索就是对一篇文章进行索引可以根据关键字搜索类似于 mysql 里的 like 语句。 全文索引就是把内容根据词的意义进行分词然后分别创建索引例如”今日是周日我们出去玩” 可能会被分词成“今天 “” 周日 ““我们“” 出去玩“ 等 token这样当你搜索“周日” 或者 “出去玩” 都会把这句搜出来。
2.2 与关系型数据库 Mysql 对比 1关系型数据库中的数据库DataBase等价于 ES 中的索引Index
2一个数据库下面有 N 张表Table等价于 1 个索引 Index 下面有 N 多类型Type
3一个数据库表Table下的数据由多行ROW多列column属性组成等价于 1 个 Type 由多个文档Document和多 Field 组成。
4在一个关系型数据库里面schema 定义了表、每个表的字段还有表和字段之间的关系。 与之对应的在 ES 中Mapping 定义索引下的 Type 的字段处理规则即索引如何建立、索引类型、是否保存原始索引 JSON 文档、是否压缩原始 JSON 文档、是否需要分词处理、如何进行分词处理等。
5在数据库中的增 insert、删 delete、改 update、查 search 操作等价于 ES 中的增 PUT/POST、删 Delete、改_update、查 GET.1.7
2.3 ES 逻辑设计文档 -- 类型 -- 索引
一个索引类型中包含多个文档比如说文档 1文档 2。 当我们索引一篇文档时可以通过这样的顺序找到它索引▷类型▷文档ID通过这个组合我们就能索引到某个具体的文档。 注意ID 不必是整数实际上它是个字符串。
文档
之前说 elasticsearch 是面向文档的那么就意味着索引和搜索数据的最小单位是文档elasticsearch 中文档有几个重要属性
自我包含一篇文档同时包含字段和对应的值也就是同时包含key:value可以是层次型的一个文档中包含自文档复杂的逻辑实体就是这么来的灵活的结构文档不依赖预先定义的模式我们知道关系型数据库中要提前定义字段才能使用在 elasticsearch 中对于字段是非常灵活的有时候我们可以忽略该字段或者动态的添加一个新的字段。文档是无模式的也就是说字段对应值的类型可以是不限类型的。
尽管我们可以随意的新增或者忽略某个字段但是每个字段的类型非常重要比如一个年龄字段类型可以是字符串也可以是整型。因为 elasticsearch 会保存字段和类型之间的映射及其他的设置。这种映射具体到每个映射的每种类型详见扩展阅读17 - 扩展阅读 - 删除映射类型. md这也是为什么在 elasticsearch 中类型有时候也称为映射类型。
类型
类型是文档的逻辑容器就像关系型数据库一样表格是行的容器。 类型中对于字段的定义称为映射比如name映射为字符串类型。 我们说文档是无模式的它们不需要拥有映射中所定义的所有字段比如新增一个字段那么 elasticsearch 是怎么做的呢elasticsearch 会自动的将新字段加入映射但是这个字段的不确定它是什么类型elasticsearch 就开始猜如果这个值是 18那么 elasticsearch 会认为它是整型。 但是 elasticsearch 也可能猜不对所以最安全的方式就是提前定义好所需要的映射这点跟关系型数据库殊途同归了先定义好字段然后再使用别整什么幺蛾子。后面在讨论更多关于映射的东西。
3.索引
索引是映射类型的容器elasticsearch 中的索引是一个非常大的文档集合。索引存储了映射类型的字段和其他设置。然后它们被存储到了各个分片上了。
ES 物理设计
一个集群包含至少一个节点而一个节点就是一个elasticsearch进程。节点内可以有多个索引。
默认的如果你创建一个索引那么这个索引将会有5个分片primary shard又称主分片构成而每个分片又有一个副本replica shard又称复制分片这样就有了10个分片。
那么这个索引是如何存储在集群中的呢
图中有3个节点的集群可以看到主分片和对应的复制分片都不会在同一个节点内这样有利于某个节点挂掉了数据也不至于丢失。
实际上一个分片是一个Lucene索引一个包含倒排索引的文件目录倒排索引的结构使得elasticsearch在不扫描全部文档的情况下就能告诉你哪些文档包含特定的关键字 ELK 是什么
ELKelasticsearchLogstashkibana elasticsearch后台分布式存储以及全文检索 logstash: 日志加工、“搬运工” kibana数据可视化展示。 ELK 架构为数据分布式存储、可视化查询和日志解析创建了一个功能强大的管理链。 三者相互配合取长补短共同完成分布式大数据处理工作。
Elasticsearch 特点和优势
1分布式实时文件存储可将每一个字段存入索引使其可以被检索到。
2实时分析的分布式搜索引擎。 分布式索引分拆成多个分片每个分片可有零个或多个副本。集群中的每个数据节点都可承载一个或多个分片并且协调和处理各种操作 负载再平衡和路由在大多数情况下自动完成。
3可以扩展到上百台服务器处理 PB 级别的结构化或非结构化数据。也可以运行在单台 PC 上
4支持插件机制分词插件、同步插件、Hadoop 插件、可视化插件等。
4.Elasticsearch使用场景
4.1 国内外优秀案例
1 2013 年初GitHub 抛弃了 Solr采取 ElasticSearch 来做 PB 级的搜索。 “GitHub 使用 ElasticSearch 搜索 20TB 的数据包括 13 亿文件和 1300 亿行代码”。
2维基百科启动以 elasticsearch 为基础的核心搜索架构。 3SoundCloud“SoundCloud 使用 ElasticSearch 为 1.8 亿用户提供即时而精准的音乐搜索服务”。 4百度百度目前广泛使用 ElasticSearch 作为文本数据分析采集百度所有服务器上的各类指标数据及用户自定义数据通过对各种数据进行多维分析展示辅助定位分析实例异常或业务层面异常。目前覆盖百度内部 20 多个业务线包括 casio、云分析、网盟、预测、文库、直达号、钱包、风控等单集群最大 100 台机器200 个 ES 节点每天导入 30TB 数据。
5新浪 ES 如何分析处理 32 亿条实时日志 6阿里 ES 构建挖财自己的日志采集和分析体系 7有赞 ES 业务日志处理
4.2业务场景
实际项目开发实战中几乎每个系统都会有一个搜索的功能当搜索做到一定程度时维护和扩展起来难度就会慢慢变大所以很多公司都会把搜索单独独立出一个模块用 ElasticSearch 等来实现。
近年 ElasticSearch 发展迅猛已经超越了其最初的纯搜索引擎的角色现在已经增加了数据聚合分析aggregation和可视化的特性如果你有数百万的文档需要通过关键词进行定位时ElasticSearch 肯定是最佳选择。当然如果你的文档是 JSON 的你也可以把 ElasticSearch 当作一种 “NoSQL 数据库” 应用 ElasticSearch 数据聚合分析aggregation的特性针对数据进行多维度的分析。
尝试使用 ES 来替代传统的 NoSQL它的横向扩展机制太方便了
应用场景
1新系统开发尝试使用 ES 作为存储和检索服务器 2现有系统升级需要支持全文检索服务需要使用 ES
4.3 Elasticsearch 索引到底能处理多大数据
单一索引的极限取决于存储索引的硬件、索引的设计、如何处理数据以及你为索引备份了多少副本。
通常来说一个 Lucene 索引也就是一个 elasticsearch 分片一个 es 索引默认 5 个分片不能处理多于 21 亿篇文档或者多于 2740 亿的唯一词条。但达到这个极限之前我们可能就没有足够的磁盘空间了 当然一个分片如何很大的话读写性能将会变得非常差
引的硬件、索引的设计、如何处理数据以及你为索引备份了多少副本。
通常来说一个 Lucene 索引也就是一个 elasticsearch 分片一个 es 索引默认 5 个分片不能处理多于 21 亿篇文档或者多于 2740 亿的唯一词条。但达到这个极限之前我们可能就没有足够的磁盘空间了 当然一个分片如何很大的话读写性能将会变得非常差
更多优质内容请关注公号汀丶人工智能会提供一些相关的资源和优质文章免费获取阅读。
