數據平臺已叠代三個版本，從一開始遇到很多常見的難題，到現在終於有片段時間整理一些已完善的文檔，在此分享以供所需朋友的實現參考，但願能幫助大家少走些彎路，在此篇幅中偏重於ElasticSearch的優化。

一、需求說明

項目背景：

在一業務系統中，部分表每天的數據量過億，已按天分表，但業務上受限於按天查詢，並且DB中只能保留3個月的數據(硬件高配)，分庫代價較高。

改進版本目標：

數據能跨月查詢，並且支持1年以上的歷史數據查詢與導出；

按條件的數據查詢秒級返回。

二、ElasticSearch檢索原理

1、ES和Lucene基礎結構

談到優化必須要了解組件的基本原理，才容易找到瓶頸所在，以免走多種彎路，先從ES的基礎結構說起(如下圖)：

一些基本概念：

Cluster：包含多個Node的集群；

Node：集群服務單元；

Index：一個ES索引包含一個或多個物理分片，它只是這些分片的邏輯命名空間；

Type：一個Index的不同分類，6.x後只能配置一個type，以後將移除；

Document：最基礎的可被索引的數據單元，如一個JSON串；

Shards：一個分片是一個底層的工作單元，它僅保存全部數據中的一部分，它是一個Lucene實例 (一個Lucene索引最大包含2,147,483,519 (= Integer.MAX_VALUE - 128)個文檔數量)；

Replicas：分片備份，用於保障數據安全與分擔檢索壓力。

ES依賴一個重要的組件Lucene，關於數據結構的優化通常來說是對Lucene的優化，它是集群的一個存儲於檢索工作單元，結構如下圖：

在Lucene中，分為索引(錄入)與檢索(查詢)兩部分：

索引部分包含分詞器、過濾器、字符映射器等；

檢索部分包含查詢解析器等。

一個Lucene索引包含多個segments，一個segment包含多個文檔，每個文檔包含多個字段，每個字段經過分詞後形成一個或多個term。

通過Luke工具查看ES的Lucene文件如下，主要增加了_id和_source字段:

2、Lucene索引實現

Lucene索引文件結構主要的分為詞典、倒排表、正向文件、DocValues等，如下圖：

整理來源於Lucene官方:

http://lucene.apache.org/core/7_2_1/core/org/apache/lucene/codecs/lucene70/package-summary.html#package.description

Lucene隨機三次磁盤讀取比較耗時。其中.fdt文件保存數據值損耗空間大，.tim和.doc則需要SSD存儲提高隨機讀寫性能。

另外一個比較消耗性能的是打分流程，不需要則可屏蔽。

關於DocValues

倒排索引解決從詞快速檢索到相應文檔ID, 但如果需要對結果進行排序、分組、聚合等操作的時候，則需要根據文檔ID快速找到對應的值。

通過倒排索引代價缺很高：需叠代索引裏的每個詞項，並收集文檔的列裏面 token。這很慢而且難以擴展，因為隨著詞項和文檔的數量增加，執行時間也會增加。

Solr docs對此的解釋如下：

For other features that we now commonly associate with search, such as sorting, faceting, and highlighting, this approach is not very efficient. The faceting engine, for example, must look up each term that appears in each document that will make up the result set and pull the document IDs in order to build the facet list. In Solr, this is maintained in memory, and can be slow to load (depending on the number of documents, terms, etc.)

在lucene 4.0版本前通過FieldCache，原理是通過按列逆轉倒排表將（field value ->doc）映射變成（doc -> field value）映射，問題為逐步構建時間長並且消耗大量內存，容易造成OOM。

DocValues是一種列存儲結構，能快速通過文檔ID找到相關需要排序的字段。在ES中，默認開啟所有(除了標記需analyzed的字符串字段)字段的doc values，如果不需要對此字段做任何排序等工作，則可關閉以減少資源消耗。

3、關於ES索引與檢索分片

ES中一個索引由一個或多個Lucene索引構成，一個Lucene索引由一個或多個segment構成，其中segment是最小的檢索域。

數據具體被存儲到哪個分片上：

shard = hash(routing) % number_of_primary_shards

默認情況下routing參數是文檔ID(murmurhash3)，可通過URL中的_routing參數指定數據分布在同一個分片中，index和search的時候都需要一致才能找到數據，如果能明確根據_routing進行數據分區，則可減少分片的檢索工作，以提高性能。

三、優化案例

在我們的案例中，查詢字段都是固定的，不提供全文檢索功能，這也是幾十億數據能秒級返回的一個大前提：

ES僅提供字段的檢索，僅存儲HBase的Rowkey不存儲實際數據；

實際數據存儲在HBase中，通過Rowkey查詢，如下圖：

提高索引與檢索的性能建議，可參考官方文檔

https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-indexing-speed.html

一些細節優化項，官方與其他的一些文章都有描述，在此文中僅提出一些本案例的重點優化項。

1、優化索引性能

1）批量寫入，看每條數據量的大小，一般都是幾百到幾千。

2）多線程寫入，寫入線程數一般和機器數相當，可以配多種情況，在測試環境通過Kibana觀察性能曲線。

3）增加segments的刷新時間，通過上面的原理可知道，segment作為一個最小的檢索單元，比如segment有50個，目的需要查10條數據，但需要從50個segment。

分別查詢10條，共500條記錄，再進行排序或者分數比較後，截取最前面的10條，丟棄490條。在我們的案例中將此 "refresh_interval": "-1" ，程序批量寫入完成後進行手工刷新(調用相應的API即可)。

4）內存分配方面，很多文章已經提到，給系統50%的內存給Lucene做文件緩存，它任務很繁重，所以ES節點的內存需要比較多(比如每個節點能配置64G以上最好）。

5）磁盤方面配置SSD，機械盤做陣列RAID5 RAID10雖然看上去很快，但是隨機IO還是SSD好。

6）使用自動生成的ID，在我們的案例中使用自定義的KEY，也就是與HBase的ROW KEY，是為了能根據rowkey刪除和更新數據，性能下降不是很明顯。

7）關於段合並，合並在後臺定期執行，比較大的segment需要很長時間才能完成，為了減少對其他操作的影響(如檢索)，ElasticSearch進行閾值限制，默認是20MB/s。

可配置的參數："indices.store.throttle.max_bytes_per_sec" : "200mb" （根據磁盤性能調整）；

合並線程數默認是：Math.max(1, Math.min(4, Runtime.getRuntime().availableProcessors() / 2))，如果是機械磁盤，可以考慮設置為1：index.merge.scheduler.max_thread_count: 1，在我們的案例中使用SSD，配置了6個合並線程。

2、優化檢索性能

1）關閉不需要字段的doc values。

2）盡量使用keyword替代一些long或者int之類的，term查詢總比range查詢好 。

參考：

http://lucene.apache.org/core/7_4_0/core/org/apache/lucene/index/PointValues.html

3）關閉不需要查詢字段的_source功能，不將此存儲僅ES中，以節省磁盤空間。

4）評分消耗資源，如果不需要可使用filter過濾來達到關閉評分功能，score則為0，如果使用constantScoreQuery則score為1。

5）關於分頁：

from + size:

每分片檢索結果數最大為 from + size，假設from =20, size =20，則每個分片需要獲取20 20 =400條數據，多個分片的結果在協調節點合並(假設請求的分配數為5，則結果數最大為4005=2000條) 再在內存中排序後然後20條給用戶。這種機制導致越往後分頁獲取的代價越高，達到50000條將面臨沈重的代價，默認from + size默認如下：

index.max_result_window ： 10000
search_after：

使用前一個分頁記錄的最後一條來檢索下一個分頁記錄，在我們的案例中，首先使用from+size，檢索出結果後再使用search_after，在頁面上我們限制了用戶只能跳5頁，不能跳到最後一頁。

scroll：

用於大結果集查詢，缺陷是需要維護scroll_id。

6）關於排序：我們增加一個long字段，它用於存儲時間和ID的組合(通過移位即可)，正排與倒排性能相差不明顯。

7）關於CPU消耗，檢索時如果需要做排序則需要字段對比，消耗CPU比較大，如果有可能盡量分配16cores以上的CPU，具體看業務壓力。

8）關於合並被標記刪除的記錄，我們設置為0，表示在合並的時候一定刪除被標記的記錄，默認應該是大於10%才刪除： "merge.policy.expunge_deletes_allowed": "0"。

四、性能測試

優化效果評估基於基準測試，如果沒有基準測試就無法了解是否有性能提升，在這所有的變動前做一次測試會比較好。在我們的案例中：

單節點5千萬到一億的數據量測試，檢查單點承受能力；

集群測試1億-30億的數量，磁盤IO/內存/CPU/網絡IO消耗如何；

隨機不同組合條件的檢索，在各個數據量情況下表現如何；

另外SSD與機械盤在測試中性能差距如何。

性能的測試組合有很多，通常也很花時間，不過作為評測標準時間上的投入有必要，否則生產出現性能問題很難定位或不好改善。

對於ES的性能研究花了不少時間，最多的關註點就是Lucene的優化，能深入了解Lucene原理對優化有很大的幫助。

五、生產效果

目前平臺穩定運行，幾十億的數據查詢100條都在3秒內返回，前後翻頁很快，如果後續有性能瓶頸，可通過擴展節點分擔數據壓力。

原文發布時間為：2019-1-4
本文作者： mikevictor
本文來自雲棲社區合作夥伴“ DBAplus社群”，了解相關信息可以關註“dbaplus”微信公眾號

分庫代價高的情況下，如何優化ES解決億級數據量檢索