基於Lucene查詢原理分析Elasticsearch的效能
前言
Elasticsearch是一個很火的分散式搜尋系統，提供了非常強大而且易用的查詢和分析能力，包括全文索引、模糊查詢、多條件組合查詢、地理位置查詢等等，而且具有一定的分析聚合能力。因為其查詢場景非常豐富，所以如果泛泛的分析其查詢效能是一個非常複雜的事情，而且除了場景之外，還有很多影響因素，包括機型、引數配置、叢集規模等等。本文主要是針對幾種主要的查詢場景，從查詢原理的角度分析這個場景下的查詢開銷，並給出一個大概的效能數字，供大家參考。
Lucene查詢原理
本節主要是一些Lucene的背景知識，瞭解這些知識的同學可以略過。
Lucene的資料結構和查詢原理
Elasticsearch的底層是Lucene，可以說Lucene的查詢效能就決定了Elasticsearch的查詢效能。關於Lucene的查詢原理大家可以參考以下這篇文章：
ofollow,noindex" target="_blank">Lucene查詢原理
Lucene中最重要的就是它的幾種資料結構，這決定了資料是如何被檢索的，本文再簡單描述一下幾種資料結構：
- FST：儲存term字典，可以在FST上實現單Term、Term範圍、Term字首和萬用字元查詢等。
- 倒排鏈：儲存了每個term對應的docId的列表，採用skipList的結構儲存，用於快速跳躍。
- BKD-Tree：BKD-Tree是一種儲存多維空間點的資料結構，用於數值型別(包括空間點)的快速查詢。
- DocValues：基於docId的列式儲存，由於列式儲存的特點，可以有效提升排序聚合的效能。
組合條件的結果合並
瞭解了Lucene的資料結構和基本查詢原理，我們知道：
- 對單個詞條進行查詢，Lucene會讀取該詞條的倒排鏈，倒排鏈中是一個有序的docId列表。
- 對字串範圍/字首/萬用字元查詢，Lucene會從FST中獲取到符合條件的所有Term，然後就可以根據這些Term再查詢倒排鏈，找到符合條件的doc。
- 對數字型別進行範圍查詢，Lucene會通過BKD-Tree找到符合條件的docId集合，但這個集合中的docId並非有序的。
現在的問題是，如果給一個組合查詢條件，Lucene怎麼對各個單條件的結果進行組合，得到最終結果。簡化的問題就是如何求兩個集合的交集和並集。
1. 對N個倒排鏈求交集
上面Lucene原理分析的文章中講過，N個倒排鏈求交集，可以採用skipList，有效的跳過無效的doc。
2. 對N個倒排鏈求並集
處理方式一：仍然保留多個有序列表，多個有序列表再構成一個優先佇列(最小堆)，這樣後續可以對整個並集進行iterator，也可以通過skipList的方式向後跳躍。這種方式適合倒排鏈數量比較少(N比較小)的場景。
處理方式二：倒排鏈如果比較多(N比較大)，採用方式一就不夠划算，這時候可以直接把結果合併成一個有序的docID陣列。
處理方式三：方式二中，直接儲存原始的docID，如果docID非常多，很消耗記憶體，所以當doc數量超過一定值時，會採用構造BitSet的方式，非常節約記憶體，而且BitSet可以非常高效的取交/並集。
3. BKD-Tree的結果怎麼跟其他結果合併
通過BKD-Tree查詢到的docID是無序的，所以要麼先轉成有序的docID陣列，或者構造BitSet，然後再與其他結果合併。
查詢順序優化
如果採用多個條件進行查詢，那麼先查詢代價比較小的，再從小結果集上進行迭代，會更優一些。Lucene中做了很多這方面的優化，在查詢前會先估算每個查詢的代價，再決定查詢順序。
結果排序
預設情況下，Lucene會按照Score排序，即算分後的分數值，如果指定了其他的Sort欄位，就會按照指定的欄位排序。那麼，排序會非常影響效能嗎？首先，排序並不會對所有命中的doc進行排序，而是構造一個堆，保證前(Offset+Size)個數的doc是有序的，所以排序的效能取決於(Size+Offset)和命中的文件數，另外就是讀取docValues的開銷。因為(Size+Offset)並不會太大，而且docValues的讀取效能很高，所以排序並不會非常的影響效能。
各場景查詢效能分析
上一節講了一些查詢相關的理論知識，那麼本節就是理論結合實踐，通過具體的一些測試數字來分析一下各個場景的效能。測試採用單機單Shard、64核機器、SSD磁碟，主要分析各個場景的計算開銷，不考慮作業系統Cache的影響，測試結果僅供參考。
單Term查詢
ES中建立一個Index，一個shard，無replica。有1000萬行資料，每行只有幾個標籤和一個唯一ID，現在將這些資料寫入這個Index中。其中Tag1這個標籤只有a和b兩個值，現在要從1000萬行中找到一條Tag1=a的資料(約500萬)。給出以下查詢，那麼它耗時如何呢：
請求：
{
"query": {
"constant_score": {
"filter": {
"term": {
"Tag1": "a"
}
}
}
},
"size": 1
}'
響應：
{"took":233,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5184867,"max_score":1.0,"hits":...}
這個請求耗費了233ms，並且返回了符合條件的資料總數：5184867條。
對於Tag1="a"這個查詢條件，我們知道是查詢Tag1="a"的倒排鏈，這個倒排鏈的長度是5184867，是非常長的，主要時間就花在掃描這個倒排鏈上。其實對這個例子來說，掃描倒排鏈帶來的收益就是拿到了符合條件的記錄總數，因為條件中設定了constant_score，所以不需要算分，隨便返回一條符合條件的記錄即可。對於要算分的場景，Lucene會根據詞條在doc中出現的頻率來計算分值，並取分值排序返回。
目前我們得到一個結論，233ms時間可以掃描500萬的倒排鏈，另外考慮到單個請求是單執行緒執行的，可以粗略估算，一個CPU核在一秒內掃描倒排鏈內doc的速度是千萬級的。
我們再換一個小一點的倒排鏈，長度為1萬，總共耗時3ms。
{"took":3,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":10478,"max_score":1.0,"hits":...}
Term組合查詢
首先考慮兩個Term查詢求交集：
對於一個Term的組合查詢，兩個倒排鏈分別為1萬和500萬，合併後符合條件的資料為5000，查詢效能如何呢？
請求：
{
"size": 1,
"query": {
"constant_score": {
"filter": {
"bool": {
"must": [
{
"term": {
"Tag1": "a"// 倒排鏈長度500萬
}
},
{
"term": {
"Tag2": "0" // 倒排鏈長度1萬
}
}
]
}
}
}
}
}
響應：
{"took":21,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5266,"max_score":2.0,"hits":...}
這個請求耗時21ms，主要是做兩個倒排鏈的求交操作，因此我們主要分析skipList的效能。
這個例子中，倒排鏈長度是1萬、500萬，合併後仍有5000多個doc符合條件。對於1萬的倒排鏈，基本上不進行skip，因為一半的doc都是符合條件的，對於500萬的倒排鏈，平均每次skip1000個doc。因為倒排鏈在儲存時最小的單位是BLOCK，一個BLOCK一般是128個docID，BLOCK內不會進行skip操作。所以即使能夠skip到某個BLOCK，BLOCK內的docID還是要順序掃描的。所以這個例子中，實際掃描的docID數粗略估計也有幾十萬，所以總時間花費了20多ms也符合預期。
對於Term查詢求並集呢，將上面的bool查詢的must改成should，查詢結果為：
{"took":393,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5190079,"max_score":1.0,"hits":...}
花費時間393ms，所以求並集的時間是多於其中單個條件查詢的時間。
字串範圍查詢
RecordID是一個UUID，1000萬條資料，每個doc都有一個唯一的uuid，從中查詢0～7開頭的uuid，大概結果有500多萬個，效能如何呢？
請求：
{
"query": {
"constant_score": {
"filter": {
"range": {
"RecordID": {
"gte": "0",
"lte": "8"
}
}
}
}
},
"size": 1
}
響應：
{"took":3001,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5185663,"max_score":1.0,"hits":...}
查詢a開頭的uuid，結果大概有60多萬，效能如何呢？
請求：
{
"query": {
"constant_score": {
"filter": {
"range": {
"RecordID": {
"gte": "a",
"lte": "b"
}
}
}
}
},
"size": 1
}
響應：
{"took":379,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":648556,"max_score":1.0,"hits":...}
這個查詢我們主要分析FST的查詢效能，從上面的結果中我們可以看到，FST的查詢效能相比掃描倒排鏈要差許多，同樣掃描500萬的資料，倒排鏈掃描只需要不到300ms，而FST上的掃描花費了3秒，基本上是慢十倍的。對於UUID長度的字串來說，FST範圍掃描的效能大概是每秒百萬級。
字串範圍查詢加Term查詢
字串範圍查詢(符合條件500萬)，加上兩個Term查詢(符合條件5000)，最終符合條件數目2600，效能如何？
請求：
{
"query": {
"constant_score": {
"filter": {
"bool": {
"must": [
{
"range": {
"RecordID": {
"gte": "0",
"lte": "8"
}
}
},
{
"term": {
"Tag1": "a"
}
},
{
"term": {
"Tag2": "0"
}
}
]
}
}
}
},
"size": 1
}
結果：
{"took":2849,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}
這個例子中，查詢消耗時間的大頭還是在掃描FST的部分，通過FST掃描出符合條件的Term，然後讀取每個Term對應的docID列表，構造一個BitSet，再與兩個TermQuery的倒排鏈求交集。
數字Range查詢
對於數字型別，我們同樣從1000萬資料中查詢500萬呢？
請求：
{
"query": {
"constant_score": {
"filter": {
"range": {
"Number": {
"gte": 100000000,
"lte": 150000000
}
}
}
}
},
"size": 1
}
響應：
{"took":567,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":5183183,"max_score":1.0,"hits":...}
這個場景我們主要測試BKD-Tree的效能，可以看到BKD-Tree查詢的效能還是不錯的，查詢500萬個doc花費了500多ms，只比掃描倒排鏈差一倍，相比FST的效能有了很大的提升。地理位置相關的查詢也是通過BKD-Tree實現的，效能很高。
數字Range查詢加Term查詢
這裡我們構造一個複雜的查詢場景，數字Range範圍資料500萬，再加兩個Term條件，最終符合條件資料2600多條，效能如何？
請求：
{
"query": {
"constant_score": {
"filter": {
"bool": {
"must": [
{
"range": {
"Number": {
"gte": 100000000,
"lte": 150000000
}
}
},
{
"term": {
"Tag1": "a"
}
},
{
"term": {
"Tag2": "0"
}
}
]
}
}
}
},
"size": 1
}
響應：
{"took":27,"timed_out":false,"_shards":{"total":1,"successful":1,"skipped":0,"failed":0},"hits":{"total":2638,"max_score":1.0,"hits":...}
這個結果出乎我們的意料，竟然只需要27ms！因為在上一個例子中，數字Range查詢耗時500多ms，而我們增加兩個Term條件後，時間竟然變為27ms，這是為何呢？
實際上，Lucene在這裡做了一個優化，底層有一個查詢叫做IndexOrDocValuesQuery，會自動判斷是查詢Index(BKD-Tree)還是DocValues。在這個例子中，查詢順序是先對兩個TermQuery求交集，得到5000多個docID，然後讀取這個5000多個docID對應的docValues，從中篩選符合數字Range條件的資料。因為只需要讀5000多個doc的docValues，所以花費時間很少。
簡單結論
- 總體上講，掃描的doc數量越多，效能肯定越差。
- 單個倒排鏈掃描的效能在每秒千萬級，這個效能非常高，如果對數字型別要進行Term查詢，也推薦建成字串型別。
- 通過skipList進行倒排鏈合併時，效能取決於最短鏈的掃描次數和每次skip的開銷，skip的開銷比如BLOCK內的順序掃描等。
- FST相關的字串查詢要比倒排鏈查詢慢很多(萬用字元查詢更是效能殺手,本文未做分析)。
- 基於BKD-Tree的數字範圍查詢效能很好，但是由於BKD-Tree內的docID不是有序的，不能採用類似skipList的向後跳的方式，如果跟其他查詢做交集，必須先構造BitSet，這一步可能非常耗時。Lucene中通過IndexOrDocValuesQuery對一些場景做了優化。
最後結尾再放一個彩蛋，既然掃描資料越多，效能越差，那麼能否獲取到足夠資料就提前終止呢，下一篇文章我會介紹一種這方面的技術，可以極大的提高很多場景下的查詢效能。