ElasticSearch的面试题

编程语言 2023-08-12 18:04:40 阅读次数: 0

ElasticSearch的面试题

ElasticSearch是开源的高扩展的分布式全文搜索引擎。

ElasticSearch基本操作

ES里的Index可以看做一个库，而Types想当于表，Documents则相当于表的行，这里的Types的概念已经被逐渐弱化，ElasticSearch6.X中，一个index下已经只能包含一个type，ElasticSearch7.X中，Type的概念已经被删除了。

索引操作

创建索引

PUT 请求 http://127.0.0.1:9200/shopping

查看索引

GET 请求 http://127.0.0.1:9200/shopping  查看对应索引

GET 请求 http://127.0.0.1:9200/_cat/indices?v

删除索引

DELETE 请求 http://127.0.0.1:9200/shopping

文档操作

索引已经创建好了，接下来就是创建文档，并添加数据。这里的文档可以类比为关系型数据库中的表数据，添加数据格式为json

创建文档

_id 是随机生成的

POST 请求 http://127.0.0.1:9200/shopping/_doc

			
{
	"title":"小米手机",
	"category":"小米",
	"price":3999.00
}

_id指定ID

POST/PUT 请求 http://127.0.0.1:9200/shopping/_doc/1001

这样操作_id 就会变成 1001

查询文档

GET 请求 http://127.0.0.1:9200/shopping/_doc/1001

查询所有文档

GET 请求 http://127.0.0.1:9200/shopping/_search

更新文档

更新全量数据

http://127.0.0.1:9200/shopping/_doc/1001
{
	"title":"小米手机",
	"category":"小米",
	"price":4999.00
}

局部更新数据 更新一个字段的数据

POST 请求 http://127.0.0.1:9200/shopping/_update/1001
{
	"doc" : {
		"title":"华为手机"
	}
}

删除文档

DELETE 请求 http://127.0.0.1:9200/shopping/_doc/1001

条件查询

1、 GET 请求

 http://127.0.0.1:9200/shopping/_search?q=category:小米

2、请求体查询

http://127.0.0.1:9200/shopping/_search
{
	"query":{
		"match" : {
			"category":"小米"
		}
	}
}

3、分页查询

http://127.0.0.1:9200/shopping/_search

{
	"query":{
		"match_all" : {
			
		}
	},
	# 分页查询
	"from":0,
	"size":2,
	# 指定查找的结果
	"_source":["title"],
	# 排序
	"sort":{
		"price"：{
			"order":"desc"
		}
	}
}

4、多条件查询

and

{
	"query" :{
		"bool" :{
			# 多个条件同时成立
			"must":[
				"match":{
					"category":"小米"
				},{
				"match":{
					"price":1999.00
				}
			]
		}
	}
}

or

{
	"query" :{
		"bool" :{
			# 多个条件只要一个成立即可
			"should":[
				"match":{
					"category":"小米"
				},{
				"match":{
					"category":"华为"
				}
			]
		}
	}
}

范围

{
	"query" :{
		"bool" :{
			# 多个条件只要一个成立即可
			"should":[
				"match":{
					"category":"小米"
				},{
				"match":{
					"category":"华为"
				}
			],
			"filter" :{
				"range":{
					"price":{
						"gt":5000
					}
				}
			}
		}
	}
}

完全匹配

完全匹配到小米

{
	"query":{
		"match_phrase" : {
			"category":"小米"
		}
	}
}

高亮匹配

{
	"query":{
		"match_phrase" : {
			"category":"小米"
		}
	},
	"highlight":{
		"fields" :{
			"category":{}
		}
	}
}

聚合操作

{
	"aggs":{ //聚合操作
		"price_group":{ // 名称，可自定义 
			"terms":{ // 分组
				"field":"price" //分组字段
			}
		}
	},
	//不需要原始数据
	"size":0
}
	
		
{
	"aggs":{ //聚合操作
		"price_avg":{ // 名称，可自定义 
			"avg":{ // 平均值
				"field":"price" //分组字段
			}
		}
	},
	//不需要原始数据
	"size":0
}

映射关系

PUT 请求 http://127.0.0.1:9200/user/_mapping
{
	"properties":{
		"name":{
		  //可以被分词查询
		  "type":"text",
		  "index":true
		},
		"sex":{
			"type":"keyword",
			"index":true
		},
		"tel":{
			"type":"keyword",
			"index":false
		}
	}
}

ElasticSearch集群

核心概念

集群Cluster

一个集群就是由一个或多个服务器节点组织在一起，共同持有整个的数据，并一起提供索引和搜索功能。一个ElasticSearch集群中有一个唯一的名字标识，这个名字默认就是"elasticsearch"。这个名字很重要的，因为一个节点只能通过指定某个集群的名字，来加入这个集群。

节点Node

集群中包含很多服务器，一个节点就是其中的一个服务器。作为集群的一部分，它存储数据，参与集群的索引和搜索功能。一个节点也是由一个名字来标识的，默认情况下，这个名字是一个随机的漫威漫画角色的名字，这个名字会在启动的时候赋予节点。

配置集群

elsticsearch.yml
cluster.name  --- 集群名称 必须统一
node.name   --- 节点名称 不能重复
node.master: true
node.data: true

network.host --- 主机名称  localhost
http.port --- 端口号 1001
transport.tcp.port --- 监听端口 9301

//跨域配置
http.cors.enabled: true
http.cors.allow-origin: "*"


http.port: 1002
transport.tcp.port: 9302
discovery.seed_hosts: ["localhost:9301"]
discovery.zen.fd.ping_timeout: 1m
discovery.zen.fd.ping_retries: 5

分片

  • 1、允许你水平分割/扩展你的内容容量
  • 2、允许你在分片之上进行分布式的、并行的操作，进而提供性能/吞吐量

副本

  • 1、在分片/节点失败的情况下，提供高可用性。因为这个原因，注意到复制分片从不与原/主要分片置于同一个节点上是非常重要的
  • 2、扩展你的搜索量/吞吐量，因为搜索可以在所有的副本上并行运行

路由计算

hash(id) % 主分片数量 = [0,1,2]

分片控制

用户可以访问任何一个节点获取数据，这个节点称之为协调节点

写数据

  • 1、客户端请求集群节点 – 协调节点
  • 2、协调节点将请求转换到指定的节点
  • 3、主分片需要将数据保存
  • 4、主分片需要将数据发送给副本
  • 5、副本保存后，进行反馈
  • 6、主分片进行反馈
  • 7、客户端获取反馈

读数据

  • 1、客户端发送查询请求到协调节点
  • 2、协调节点计算数据所在的分片以及全部的副本位置
  • 3、为了能够负载均衡，可能轮询所有节点
  • 4、将请求转发给具体的节点
  • 5、节点返回查询结果，将结果反馈给客户端

ElasticSearch读写一致性

  • 对于更新操作：可以通过版本号使用乐观并发控制，以确保新版本不会被旧版本覆盖，每个文档都有一个_version版本号，这个版本号在文档被改变时加一。Elasticsearch使用这个_version 保证所有修改都被正确排序。当一个旧版本出现在新版本之后，它会被简单的忽略。利用_version的这一优点确保数据不会因为修改冲突而丢失。比如指定文档的version来做更改。如果那个版本号不是现在的，我们的请求就失败了。

  • 对于写操作，一致性级别支持 quorum/one/all，默认为 quorum，即只有当大多数分片可用时才允许写操作。但即使大多数可用，也可能存在因为网络等原因导致写入副本失败，这样该副本被认为故障，分片将会在一个不同的节点上重建。

    • one： 要求我们这个写操作，只要有一个primary shard是active活跃可用的，就可以执行
    • all： 要求我们这个写操作，必须所有的primary shard和replica shard都是活跃的，才可以执行这个写操作
    • quorum： 默认的值，要求所有的shard中，必须是大部分的shard都是活跃的，可用的，才可以执行这个写操作

  • 对于读操作，可以设置 replication 为 sync(默认)，这使得操作在主分片和副本分片都完成后才会返回；如果设置replication 为 async 时，也可以通过设置搜索请求参数_preference 为 primary 来查询主分片，确保文档是最新版本。

ElasticSearch操作流程

ES的写入流程

  • 客户端选择一个 node 发送请求过去，这个 node 就是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）
  • 实际的node上的primary shard处理请求，然后将数据同步到replica node
  • coordinating node 等到 primary node 和所有 replica node 都执行成功之后，就返回响应结果给客户端。

ES写入底层原理

  • 数据先写入memory buffer，然后定时（默认每隔1s）将memory buffer中的数据写入一个新的segment 文件中，并进入 Filesystem cache（同时清空 memory buffer），这个过程就叫做 refresh；ES 的近实时性：数据存在 memory buffer 时是搜索不到的，只有数据被 refresh 到 Filesystem cache 之后才能被搜索到，而 refresh 是每秒一次， 所以称 es 是近实时的，可以通过手动调用 es 的 api 触发一次 refresh 操作，让数据马上可以被搜索到；
  • 由于 memory Buffer 和 Filesystem Cache 都是基于内存，假设服务器宕机，那么数据就会丢失，所以 ES 通过 translog 日志文件来保证数据的可靠性，在数据写入 memory buffer 的同时，将数据写入 translog 日志文件中，在机器宕机重启时，es 会自动读取 translog 日志文件中的数据，恢复到 memory buffer 和 Filesystem cache 中去。ES 数据丢失的问题：translog 也是先写入 Filesystem cache，然后默认每隔 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 memory buffer 或者 translog 文件的 Filesystem cache中，而不在磁盘上，如果此时机器宕机，会丢失 5 秒钟的数据。也可以将 translog 设置成每次写操作必须是直接 fsync 到磁盘，但是性能会差很多。
  • flush 操作：不断重复上面的步骤，translog会变得越来越大，当 translog 文件默认每30分钟或者 阈值超过 512M 时，就会触发 commit 操作，即 flush操作。
    • 将 buffer 中的数据 refresh 到 Filesystem Cache 中去，清空 buffer；
    • 创建一个新的 commit point（提交点），同时强行将 Filesystem Cache 中目前所有的数据都fsync到磁盘文件中；
    • 删除旧的 translog 日志文件并创建一个新的 translog 日志文件，此时 commit 操作完成

ES更新和删除流

删除和更新都是写操作，但是由于Elasticsearch中的文档是不可变的，因此不能被删除或者改动以展示其变更；所以 ES 利用.del文件 标记文档是否被删除，磁盘上的每个段都有一个相应的.del 文件

  • 如果是删除操作，文档其实并没有真的被删除，而是在.del文件中被标记为 deleted 状态。该文档依然能匹配查询，但是会在结果中被过滤掉。
  • 如果是更新操作，就是将旧的doc标识为 deleted 状态，然后创建一个新的 doc。

memory buffer 每 refresh 一次，就会产生一个 segment 文件 ，所以默认情况下是 1s 生成一个segment文件，这样下来 segment 文件会越来越多，此时会定期执行 merge。

每次merge的时候，会将多个 segment 文件合并成一个，同时这里会将标识为 deleted 的 doc 给物理删除掉，不写入到新的 segment 中，然后将新的segment文件写入磁盘，这里会写一个 commit point ，标识所有新的 segment 文件，然后打开 segment 文件供搜索使用，同时删除旧的 segment 文件。

ES的搜索流程

搜索被执行成一个两阶段过程，即 Query Then Fetch：

Query阶段

客户端发送请求到 coordinate node，协调节点将搜索请求广播到所有的 primary shard 或 replica shard。每个分片在本地执行搜索并构建一个匹配文档的大小为from + size的优先队列。每个分片返回各自优先队列中 所有文档的ID和排序值 给协调节点，由协调节点及逆行数据的合并、排序、分页等操作，产出最终结果。

Fetch阶段

协调节点根据 doc id 去各个节点上查询实际的 document 数据，由协调节点返回结果给客户端。

  • coordinate node 对 doc id 进行哈希路由，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 中随机选择一个，让读请求负载均衡。
  • 接收请求的 node 返回 document 给 coordinate node 。
  • coordinate node 返回 document 给客户端。

Query Then Fetch 的搜索类型在文档相关性打分的时候参考的是本分片的数据，这样在文档数量较少的时候可能不够准确，DFS Query Then Fetch 增加了一个预查询的处理，询问 Term 和 Document frequency，这个评分更准确，但是性能会变差。

ElasticSearch提高查询效率

ES在数据量很大的情况下（数十亿级别）如何提高查询效率

解题思路

需要从ES搜索优化作答

es的性能优化，主要是围绕着fileSystem cache，也可以叫做OS cache来进行；es写入数据实际上数据最终都会写入到磁盘中去，当我们搜索读取的时候，系统会将数据放入到os cache中，而es严重依赖于这个os cache，如果我们给机器的内存足够多，在es里存的数据小于内存容量，那么搜索效率是非常高的。

filesystem cahce

你往es里写的数据，实际上都写到磁盘文件里去了，查询的时候，操作系统会将磁盘文件里的数据自动缓存到filesystem cache里面去，es的搜索引擎严重依赖于底层的filesystem cache，你如果给filesystem cache更多的内存，尽量让内存可以容纳所有的idx segment file索引数据文件，那么你搜索的时候就基本都是走内存的，性能会非常高

减少字段

es减少数据量仅仅放要用于搜索的几个关键字段即可，尽量写入es 数据量跟es机器的filesystem cache是差不多的就可以了；其他不用来检索的数据放hbase里或者mysql

数据预热

每隔一段时间，访问一下数据，然后数据进入到os cache中。这样用户来访问 时候就访问到os cache中的数据，就比较快。

冷热分离

es可以做类似于mysql的水平切分，就是将大量的访问很少、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。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，别被冷数据冲刷掉。

document模型设计

es里面的复杂的关联查询尽量别用，比如join/ nested /parent-child 搜索都要尽量避免

不允许深度分页

可以使用scroll api scroll会一次性给你生成所有数据的一个快照，然后每次滑动向后翻页就是通过游标scroll_id移动，获取下一页。除了使用scroll api，也可以使用search_after来做，search_after的思想使用前一页的结果来帮助检索下一页的数据，这种方式也不允许你随意翻页，你只能一页页往后翻。

ElasticSearch优化

磁盘选择

  • 使用SSD
  • 使用RAID 0
  • 使用多块硬盘，并允许ElasticSearch通过多个path.data目录配置把数据条带化分配到他们上面
  • 不要使用远程挂载的存储，比如NFS或者SMB、CIFS

合理设置分片数

  • 控制每个分片占用磁盘容量不超过ES的最大JVM的堆空间设置（一般设置不超过32G），因此如果索引的总容量在500G左右，那么分片大小在16个左右即可
  • 考虑一下node的数量，一般一个节点有时候就是一台物理机，如果分片数过多，大大超过了节点数，很可能会导致一个节点上存在多个分片，一旦该节点故障，
  • 即使保持了1个以上的副本，同样有可能会导致数据丢失，集群无法恢复。所以，一般都设置分片数不超过节点数的3倍。
  • 主分片，副本和节点最大数之间数量，我们分配可以参考
    节点数<=主分片数*(副本数+1)

推迟分片分配

  • 对于节点瞬时中断的情况，默认的情况，集群会等待一分钟来查看节点是否重新加入，如果这个节点在此期间重新加入，重新加入的节点会保持其现有的分片数据，不会触发新的分片分配
  • 通过修改参数delayed_timeout，可以延长再均衡的时间，可以全局设置也可以在索引级别进行修改。

路由选择

带路由查询

写入速度优化

  • 加大Translog Flush，目的是降低Iops、Writelock
  • 增加Index Refresh间隔，目的是减少Segment Merge的次数
  • 调整Bulk线程池和队列
  • 优化节点间的任务分布
  • 优化Lucene层的索引建立，目的是降低CPU及IO

批量数据提交

  • Bulk默认设置批量提交的数据量不能超过100M。数据条数一般是根据文档的大小和服务器性能而定的。但是单次批处理的数据大小应从5MB-15MB逐渐增加，
  • 当性能没有提升，把这个数据量作为最大值。

优化存储设备

密集使用硬盘的应用

合理使用合并

ES默认采用较保守的策略，让后台定期进行段合并

减少Refresh的次数

  • Lucene在新增数据时，采用了延迟写入的策略，默认情况下索引的refresh_interval为1秒
  • Lucene将待写入的数据先写到内存中，超过1秒（默认）时就会触发一次refresh，然后refresh会把内存中的数据刷新到操作系统的文件缓存系统中。
  • 如果我们对搜索的实效性要求不高，可以将refresh周期延长

加大flush设置

Flush的主要目的是把文件缓存系统中的段持久化到硬盘，当Translog的数据量达到512MB或者30分钟时，会触发一次Flush
index.translog.flush_threshold_size 参数默认值是512MB

减少副本数量

如果我们需要大批量进行写入操作，可以先禁止Replica复制，设置index.number_of_replicas:0 关闭副本。再写入完成后，Replica修改回正常的状态。

内存设置

jvm.options
不能超过物理内存的50%
堆内存的大小最好不要超过32GB

-Xms31g
-Xmx31g

ElasticSearch选举Master节点

Elasticsearch 的分布式原理

Elasticsearch会对存储的数据进行切分，将数据划分到不同的分片上，同时每一个分片会保存多个副本，主要是为了保证分布式环境的高可用。在 Elasticsearch 中，节点是对等的，节点间会选取集群的 Master，由 Master 会负责集群状态信息的改变，并同步给其他节点。

Elasticsearch 的性能会不会很低：只有建立索引和类型需要经过 Master，数据的写入有一个简单的Routing规则，可以路由到集群中的任意节点，所以数据写入压力是分散在整个集群的。

Elasticsearch 如何 选举 Master

Elasticsearch 的选主是ZenDiscovery模块负责的，主要包含Ping（节点之间通过这个RPC来发现彼此）和 Unicast（单播模块包含一个主机列表以控制哪些节点需要ping通）这两部分；

  • 确认候选主节点的最少投票通过数量，elasticsearch.yml 设置的值 discovery.zen.minimum_master_nodes;
  • 对所有候选 master 的节点（node.master: true）根据 nodeId 字典排序，每次选举每个节点都把自己所知道节点排一次序，然后选出第一个（第0位）节点，暂且认为它是master节点。
  • 如果对某个节点的投票数达到阈值，并且该节点自己也选举自己，那这个节点就是master。否则重新选举一直到满足上述条件。

补充：master节点的职责主要包括集群、节点和索引的管理，不负责文档级别的管理；data节点可以关闭http功能。

Elasticsearch是如何避免脑裂现象

（1）当集群中 master 候选节点数量不小于3个时（node.master: true），可以通过设置最少投票通过数量（discovery.zen.minimum_master_nodes），设置超过所有候选节点一半以上来解决脑裂问题，即设置为 (N/2)+1；

（2）当集群master候选节点 只有两个时，这种情况是不合理的，最好把另外一个node.master改成false。如果我们不改节点设置，还是套上面的(N/2)+1公式，此时discovery.zen.minimum_master_nodes应该设置为2。这就出现一个问题，两个master备选节点，只要有一个挂，就选不出master了

猜你喜欢

转载自blog.csdn.net/flash_love/article/details/131847659
今日推荐
中国码农的“35岁魔咒”
蘭雅 CorelDRAW 插件 2024.5.1 国际劳动节版，免费下载
Arc Browser for Windows 1.0 正式 GA
90后程序员开发视频搬运软件、不到一年获利超 700 万，结局很刑！
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
周排行
[编程题]学英语
[codeforces 1288A] Deadline 约数+模
Python的web开发
Docker在Centos 7上的部署
python编码
解决Ubuntu16.04 fatal error: json/json.h: No such file or directory
mysql并发插入
rest接口如何适应jsonp的方案
linux 终端上网设置
高数——等号两边同时求导、积分的解释
每日归档
更多
2024-05-04(7)
2024-05-03(19)
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022