前言
一个系统查询慢往往是由多种因素造成的，在处理集群查询慢的问题上，先将问题分解。
1） 需要观察是系统哪种资源受限，例如内存、CPU或磁盘IO等，是否存在硬件瓶颈；
2） 要确定查询语句是否符合业务场景，是否存在查询语句优化空间；
3） 最后判断数据结构是否合理，不合理的数据设计对查询的响应影响很大。
使用更快的硬件
查询性能大部分场景下更多的在于IO能力，很多时候查询速度受限于磁盘IO能力，使用SSD会比旋转类存储介质好得多。
如果查询类型属于计算比较多的，则可以考虑使用更快的CPU。
当然哦，有钱能使鬼推磨，没钱就继续往下看吧…
为文件系统cache预留足够的内存
在一般情况下，读写都会被操作系统cache，cache保存在系统物理内存中。命中cache可以降低对磁盘的直接访问频率。查询依赖对cache的命中，如果某个请求需要从磁盘读取数据，则一定会产生相对较高的延迟。
应该至少为系统cache预留一半的可用物理内存，更大的内存有更高的cache命中率。
Mappings优化
请确认mappings设置是否合理。
1） 对于只需要精确查询的字段，例如时间戳，应该设置为keyword。
2） 对需要进行全文检索的字段设置合理的分词器，不同的分词器查询效率相差较大。
强制段合并历史索引
为不再更新的历史索引执行force merge，讲Lucene索引合并为单个分段，可以提高查询速度。当一个Lucene索引存在多个分段时，每个分段会单独执行查询再讲结果合并，将只读索引强制合并成一个Lucene分段不仅可以优化查询过程，对索引恢复速度也是有好处的。
/_all/_forcemerge?only_expunge_deletes=false&max_num_segments=1&flush=true&pretty’
过滤查询（filter）
Elasticsearch的查询操作分为2种：查询（query）和过滤（filter），查询（query）默认会计算每个返回文档的得分，然后根据得分排序；而过滤（filter）只会筛选出符合的文档，并不计算得分，且可以缓存文档。
对于非全文检索的使用场景，如果不关心查询结果和查询条件的相关度，只是想查找目标数据，可以使用filter来提高查询效率。
路由（routing）
Elasticsearch写入文档时，文档会通过一个公式路由到一个索引中的一个分片上。默认公式如下：
shard_num = hash(_routing) % num_primary_shards
_routing字段的取值，默认是_id字段，可以根据业务场景设置经常查询的字段作为路由字段。例如可以考虑将用户id、地区作为路由字段，查询时可以过滤不必要的分片，加快查询速度。
需要注意的是：保证你字段能够使各类数据比较均衡。
游标查询（scroll）
Elasticsearch为了避免深分页，不允许使用分页（from&size）查询10000条以后的数据，需要使用游标（scroll）查询。
优化scroll：在一般场景下，scroll用来取得排序好的大量数据，但很多时候只需要返回数据，这时候可以对scroll进行优化。使用_doc去sort返回的结果不会有排序，此时执行效率最快。
避免使用wildcard模糊匹配查询
Elasticsearch默认支持通过*？正则表达式来做模糊匹配，数据量级别达到TB+甚至更高之后，模糊匹配查询通常会耗时比较长，甚至可能导致内存溢出，卡死乃至崩溃宕机的情况。所以数据量大的情况下，不要使用模糊匹配查询。
拒绝暴力。
调节查询请求中的batched_reduce_size
该字段是查询请求中的一个参数。默认情况下，聚合操作在协调节点需要等待所有的分片都取回结果后才执行，使用batched_reduce_size参数可以不等待全部分片返回结果，而是在指定数量的分片返回结果之后就可以先处理一部分（reduce）。这样可以避免协调节点在等待全部结果的过程中占用大量内存，避免极端情况下可能导致OOM。
该字段的默认值为512。
使用自适应副本选择（ARS）
为了充分利用计算资源和负载均衡，协调节点将查询请求轮询转发到分片的每个副本，轮询策略是负载均衡过程中最简单的策略。
Elasticsearch实现了可以评估出副本所在节点的压力和健康程度，这就可以让我们选出一个能够更快返回搜索请求的节点。可以通过命令动态开启：
cluster.routing.use_adaptive_replica_selection:true
聚合查询优化
大多时候对单个字段的聚合查询还是比较快的，但是当需要聚合多个字段时，就会产生大量的分组，最终结果就是占用Elasticsearch大量的内存，从而导致内存溢出的情况发生。尽量根据业务优化，减少聚合次数。
默认深度优先聚合改为广度优先聚合
添加设置：“collect_mode”: “breadth_first”。 depth_first ：直接进行子聚合的计算。
breadth_first ：先计算出当前聚合的结果，针对这个结果在对子聚合进行计算。
优化聚合执行方式
在每一层terms aggregation内部加一个 “execution_hint”: “map”。
添加设置：“execution_hint”: “map”。
1） 查询结果直接放入到内存中构建map，在查询结果集小的场景下，速度极快；
2） 但如果查询结果集合很大（百万-亿级别）的时候，传统聚合方式会比map方式快。
预热全局序号
全局序号是一种数据结构，用于在keyword字段上运行terms聚合。它用一个数值来代表字段中的字符串值，然后为每一个数值分配一个bucket。这需要一个对全局序号和bucket的构建过程。默认情况下，它们被延迟构建，因为Elasticsearch不知道哪些字段将用于terms聚合，哪些字段不会。可以通过配置mapping在refresh时告诉Elasticsearch预先加载全局序号：
“mappings”: {
“type”: {
“properties”: { “foo”:{
“type”: “keyword”,
“esager_global_ordinals”：true }
}
} }
小结
先这样吧，回见
