ElasticSearch如何进行深分页

10.进行深分页

原文地址

https://www.cnblogs.com/wangzhen3798/p/10070977.html

业务背景

在传统业务系统中，一个常见的信息展现方式就是“分页列表”，随着数据量的增大，就会遇到“深分页”问题。比如用户一页一页的翻，一直翻到第5万页。比如导出全部列表数据到excel，实现时一页一页的把数据追加到excel，直到导出全部数据。“深分页”通常的一个问题就是：随着页数越来越大，ES或者关系数据库响应越来越慢，甚至内存溢出OOM！其中的原理是什么呢？如何在ES中进行深分页呢？

技术原理

• 分页的本质 分页的本质是从“大的数据集”中取出一部分。比如10000条记录，每页10条数据。取第二页即第11条到20条数据。ES或者数据库怎么知道哪些数据是第二部分（第2页），哪些是第三部分（第3页）呢？答案是ES或者数据库不知道，所以正确的分页必须要指定分页的顺序,即要有order by或者sort语句。

• 单机数据库系统分页 单机数据库系统有一种分页实现叫做“先正序排后倒排序排”。即先对"offset+limit"的数据集根据order字段正序排列，然后再倒序找到limit条数据。

• 分布式数据库系统分页

分布式数据库系统相对于单机数据库系统，在各个节点取出limit条数据后，还要将各个节点的"limit"条数据汇总到master节点。由master节点对limit*N(节点数)再排序，找到最终的limit条数据返回给应用程序。所以在深分页时，offset+limit过大，要排序的数据过多，对于内存分页数据库很容易超过进程的内存限制，产生OOM！

分页方式

在ES中有三种方式可以实现分页：from+size、scroll、search_after

方式一: from+size

ES的标准分页方法是from+size。from相当于postgresql的offset，size相当于limit的作用。每页10条数据，获取第11页的数据，其语法如下：

POST rzfx-sqlinfo/sqlinfo/_search
{
    
    
  "query": {
    
    
    "bool": {
    
    
      "must": [
        {
    
    
          "term": {
    
    
            "architect.keyword": {
    
    
              "value": "郭锋"
            }
          }
        },
        {
    
    
          "range": {
    
    
            "NRunTime": {
    
    
              "lte": 100
            }
          }
        }
      ]
    }
  },
  "size": 10,
  "from": 100
}

ES为了保证分页不占用大量的堆内存，避免OOM，参数 index.max_result_window 设置了 from+size的最大值为10000。即每页10条的话，最多可以翻到1000页。index的全部参数可以通过以下语句查看：
GET /rzfx-sqlinfo/_settings?flat_settings=true&include_defaults=true
对于结构比较简单、size比较小的文档，可以适当的扩大index.max_result_window参数，部分实现深分页。调整方式

PUT rzfx-sqlinfo/_settings
{
    
    
  
    "index.max_result_window":100000
}

方式二:scroll

scroll api提供了一个全局深度翻页的操作，首次请求会返回一个scroll_id，使用该scroll_id可以顺序获取下一批次的数据

案例

初始的搜索请求在查询字符串中指定 scroll 参数，这个参数会告诉 Elasticsearch 将 “search context” 保存多久。 例如：?scroll=5m

GET /db10/_search?&scroll=5m
{
    
    
  "query": {
    
    
    "match_all": {
    
    }
  }
  , "sort": [
    {
    
    
      "_doc": {
    
    
        "order": "desc"
      }
    }
  ], "size": 2
}

反回结果

上面的请求返回的结果里会包含一个 _scroll_id ，我们需要把这个值传递给 scroll API ，用来取回下一批结果。

"_scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAzVUWazVqSWpwSm1UTUc5U1Y4OGN5SWN6QQ==",
  "took" : 0,

执行下一页查询

GET _search/scroll
{
    
    
  "scroll":"5m",
  "scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAy_kWazVqSWpwSm1UTUc5U1Y4OGN5SWN6QQ=="
}

删除scroll

当超出了 scroll timeout 时，搜索上下文会被自动删除。 保持 scrolls 打开是有成本的，当不再使用 scroll 时应当使用 clear-scroll API 进行显式清除

DELETE _search/scroll
{
    
    
   "scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAABZOkWazVqSWpwSm1UTUc5U1Y4OGN5SWN6QQ=="
}

性能

案例DSL

scroll=5m 滚动分页标识

GET /filebeat-7.4.0-2019.10.17-000001/_search?&scroll=5m
{
    
    
  "query": {
    
    
    "match_all": {
    
    }
  }
  , "sort": [
    {
    
    
      "_doc": {
    
    
        "order": "desc"
      }
    }
  ], "size": 10
}

结果

获得_scroll_id
观察took，此处消耗 15349ms

"_scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAFnssWeUdmZzFOcHBUeFdzVTVwMTVPVTZNZw==",
  "took" : 15349,
  "timed_out" : false,
  "_shards" : {
    
    
    "total" : 1,

取上一步的_scroll_id

GET /_search/scroll
{
    
    
  "scroll":"5m",
  "scroll_id": "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAFm2IWeUdmZzFOcHBUeFdzVTVwMTVPVTZNZw=="
}

结果

通过_scroll_id，滚动翻页锁消耗时间大致相同
观察took，此处消耗 2742ms

"_scroll_id" : "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAFm2IWeUdmZzFOcHBUeFdzVTVwMTVPVTZNZw==",
  "took" : 2742,
  "timed_out" : false,
  "_shards" : {
    
    
    "total" : 1,

方式三: search_after

5.0以后版本提供的功能 search_after分页方式，第一次搜索需要指定sort，并保证值是唯一的，用前一次查询结果中最后一条记录的 sort 结果值作为下一次的查询条件

案例

GET /db10/_search?pretty=true
{
    
    
  "size": 1, 
  "query": {
    
    
    "match_all": {
    
    
    }
  }
  , "sort": [
    {
    
    
      "age": {
    
    
        "order": "desc"
      }
    }
  ]
}

结果截取

},
 *"sort" : [
   22
  ]*

检索下一页

“search_after”:基于上一页排序sort结果值检索下一页实现动态分页

GET /db10/_search?pretty=true
{
    
    
  "size": 1, 
  "query": {
    
    
    "match_all": {
    
    
    }
  },
  *"search_after": [ 22 ]*
  , "sort": [
    {
    
    
      "age": {
    
    
        "order": "desc"
      }
    }
  ]
}

性能

案例DSL

GET /filebeat-7.4.0-2019.10.17-000001/_search?pretty
{
    
    
  "size": 20, 
  "query": {
    
    
    "match_all": {
    
    
      
    } 
  }
  , "sort": [
    {
    
    
      "@timestamp": {
    
    
        "order": "desc"
      }
    }
  ]
}

结果

观察"took" : 4825

"took" : 4825,
  "timed_out" : false,
  "_shards" : {
    
    
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
        "sort" : [
          1571522951167
        ]
    }

取下一页

“search_after”: [ 1571522951167 ] 取上一页最后一个sort值

GET /filebeat-7.4.0-2019.10.17-000001/_search?pretty
{
    
    
  "size": 20, 
  "query": {
    
    
    "match_all": {
    
    
      
    } 
  },
  "search_after": [ 1571522951167 ]
  , "sort": [
    {
    
    
      "@timestamp": {
    
    
        "order": "desc"
      }
    }
  ]
}

结果

观察"took" : 4318,

{
    
    
  "took" : 4318,
  "timed_out" : false,
  "_shards" : {
    
    
    "total" : 1,
    "successful" : 1,

总结

• from+size

  • 使用from+size方式进行分页，受max_result_window默认参数10000条文档的限制，不建议针对该参数进行修改

  • 默认分页方式，适用小数据量场景，大数据量场景应避免使用

  • 通过性能测试，随着分页越来越深，执行时间和堆内存使用逐渐升高的趋势，在并发情况下from+size容易 造成集群服务的OutOfMemory问题

• Scroll

  • Scroll游标方式分页查询适用大数据量场景，只能向后增量查找，无法向前或者跳页查询，适用增量滚动抽取、数据迁移、重建索引等场景

  • 通过性能案例分析，滚动分页查找性能消耗相差不大，不会像from+size方式随着分页的深入性能逐渐升高的问题，且不会存在OOM问题

  • 该分页方式是查询的历史快照，对文档的更改（索引的更新或者删除）只会影响以后的搜索请求，不适用实时性查询场景

• search_after

  • 分页方式弥补了 scroll 方式打开scroll 占用内存资源问题

  • search_after可并行的拉取大量数据

  • search_after分页方式通过唯一排序值定位，将每次需要处理的数据控制在一定范围，避免深度分页带来的开销，适用深度分页的场景