ES的分布式架构有什么好处？

• 存储的水平扩容，能够支持PB级数据

• 提高系统的可用性（某些节点如果挂掉，对于整个集群没有太大影响）

分布式架构

不同的集群通过不同的名字来区分，默认是elasticsearch,具体的名字我们可以通过配置文件进行修改，或者在命令行里用-E cluster.name = Duters 进行设定。

此外，每一个Node节点就是一个ElasticSearch实例，也就是一个Java进程，一般生产环境下一台机器就运行一个ES实例，每个节点启动之后都会分配一个UID，保存在data目录下面。

Coordinating Node

处理请求的节点就叫做Coordinating Node

• 从上篇文章我们能看到创建Index的时候，我们只提到了请求会被打到一个节点上，但是这个节点（Coordinating Node）是需要通过路由打到Master节点上的。

• 所有节点默认都是Coordinating Node

• 通过设置其他类型为False，我们可以使节点变成Dedicated Coordinating Node

我们可以通过Cerebro查看相应的集群状态和节点分片信息：

Data Node与Master Node

保存数据的节点，并且保存的是分片的数据，在数据扩展上起到了关键的作用，也就是说是由Master节点来决定怎样把数据发送到数据节点上，增加数据节点可以解决数据水平扩展和解决数据单点的问题

• 节点启动后默认就是数据节点，可以设置node.data:false来禁止

• Master Node负责创建、删除index/决定分片被分配到哪个节点

• 维护和更新cluster State

• 实践：master节点很重要，要考虑单点问题，一个集群最好有多个master节点/每个节点只承担master的单一角色

• 如果说其中一个master节点出现了故障，那么就要有选举流程选出一个master节点，每个节点启动后默认是一个master eligible节点（配置node.master：false来禁止）

• 集群内的第一个master eligible节点启动的时候默认是把自己选举成master节点

• 集群状态：节点信息，所有的索引和相关的mapping和setting信息，分片的路由信息，每个节点上都保存了集群的状态信息，但是只有master节点能修改信息，并且负责同步给其他节点，

选举过程

1.互相ping对方，Node id小的会被选举成master节点

• 寻找 clusterStateVersion 比自己高的 master eligible 的节点，向其发送选票

• 如果 clusterStatrVersion 一样，则计算自己能找到的 master eligible 节点（包括自己）中节点 id 最小的一个节点，向该节点发送选举投票

• 如果一个节点收到足够多的投票（即 minimum_master_nodes 的设置），并且它也向自己投票了，那么该节点成为 master 开始发布集群状态

2.其他节点加入集群后，不承担master节点的角色，如果发现被选中的master节点挂掉了，再重新选举

怎么触发一次选举？

• 当前的master eligible节点不是master

• 节点之间做网络通信

• 集群中无法连接到 master 的 master eligible 节点数量已达到 discovery.zen.minimum_master_nodes 所设定的值

脑裂问题：分布式系统的经典网络问题，当出现网络问题的时候，一个节点和其他节点无法进行通信，

如上图所示，Node2和Node3会重新选举Master节点，而Node1自己作为master组成一个集群，同时更新了cluster state，这就导致了产生两个master节点，并且有两个集群状态，网络一旦恢复了，就没有办法正确恢复。

怎么避免脑裂？

限定一个选举条件，设置Quorum仲裁，只有Master eligible节点数大于quorum时，才能进行选举

• Quorum = （master节点总数/2）+1

• 当三个master eligible 时，设置discovery.zen.minimum_master_nodes为2，就可以避免脑裂

• 7.0以后的版本不需要配置了

分片的若干问题

从上一篇文章我们知道，文档会存储在具体的某个主分片和副本分片上，但是怎么决定这个文档存储到哪个分片上呢？

映射算法

• 确保文档能均匀的分布在所用的分片上，充分利用硬件资源，从而避免部分机器空闲，部分机器繁忙。

• 潜在的算法：

  ES是怎么路由的呢？

  • 公式：shard = hash(_routing) % number_of_primary_shards

    1.Hash算法确保了文档均匀分散。

    2.默认的_routing值是文档id。

    3.可以自行指定_routing数值。

    4.这也是设置了Index Settings后，Primary数就不能随意更改的原因。

  • 随机/Round Robin：当查询文档1的时候，如果说分片数很多，可能就需要多次查询才有可能查到文档1。

  • 维护一个文档到分片的映射关系。那么当文档数据量大的时候，维护的成本也很高。

  • 实时计算，通过文档1，自动算出一个值，从而去该值对应的分片上获取文档。

倒排索引的不可变性

此外，我们再创建一个Index的时候会生成倒排索引，倒排索引是不可变的，一旦生成就不能再更改。

这带来的好处有：

• 无需考虑并发写文件的问题，避免了锁机制带来的性能问题

• 一旦读入内核的文件系统缓存，便留在那里，只要文件系统有足够的空间，大部分请求就会直接去请求内存，不会命中磁盘，提升了很大的性能

• 缓存容易生成和维护，数据也可以被压缩

但是这也带来了挑战：如果需要让一个新的文档可以被搜索就需要重建索引。

那么在Lucene Index中是包含很多的分段的，而分段也被就是单个倒排索引，多个segment汇总在一起就组成了相应的分片

文档的写入和删除具体流程

那么我们知道了相应的分片路由公式之后，具体我们想写入一个文档的流程是怎么样的呢？在前一篇我们仅仅从宏观上阐述了过程，下面在我们来看一下相对详细一点的过程：

在进行写操作时，因为任意一个节点都是coordinating Node，因此请求达到了一个节点上都可以进行处理，那么ES会根据传入的_routing参数（或mapping中设置的_routing, 如果参数和设置中都没有则默认使用_id), 按照公式 shard_num=hash(\routing)%num_primary_shards,计算出文档要分配到的分片，在从集群元数据中找出对应主分片的位置，将请求路由到该分片进行文档写操作，此外还需要并发的写入到副本分片中从而完成一次写入。

• 那么问题来了，一个文档被写入了以后能够被立刻查询到吗？

  回忆一下我们上一篇文章中说的，分段关闭了才能被查询，关闭的过程叫做refresh刷新

  答案是可以的，这也是为什么ES是近实时性的体现，首先我们知道ES的每一个分片都是一个Lucene索引，ES提供了一个refresh操作，首先再Index一个文档的时候，ES会先把docunment写入到index buffer中（内存里的），然后他会定时的调用lucene的reopen（新版本是openIfChanged）给内存中新写入的数据生成一个分段segment，此时被处理的文档均可以被检索到，refresh的时间间隔由 refresh_interval参数控制，默认为1s, 当然还可以在写入请求中带上refresh表示写入后立即refresh，另外还可以调用refresh API显式refresh。

• 第二个问题，那么数据怎么保证存储可靠性呢？

  我们知道我们虽然在前面写入了数据，但是此时的数据是存储在内存中的，那么如果说这个时候ES服务器宕机了，那么这部分数据就会丢失，为了解决这个问题，ES引入了translog:当我们进行文档的写入操作时，会先将文档写入到Lucene的分段中，然后再写一份到translog中，写入translog是落盘的(如果对可靠性要求不是很高，也可以设置异步落盘，可以提高性能，由配置 index.translog.durability和 index.translog.sync_interval控制)，这样就可以防止服务器宕机后数据的丢失。由于translog是追加写入，因此性能要比随机写入要好。与传统的分布式系统不同，这里是先写入Lucene再写入translog，原因是写入Lucene可能会失败，为了减少写入失败回滚的复杂度（ES是不支持事务的），因此先写入Lucene。

• 第三个问题，translog是落盘的，那么什么时候落盘呢？频率是什么样子？

  这就涉及到flush操作，每30分钟或当translog达到一定大小(由 index.translog.flush_threshold_size控制，默认512mb), ES会触发一次flush操作，此时ES会先执行refresh操作将index buffer中的数据生成segment，然后调用lucene的commit方法将所有内存中的segment fsync到磁盘。此时lucene中的数据就完成了持久化，会清空translog中的数据(6.x版本为了实现sequenceIDs,不删除translog)

  

除了上面的flush过程，我们在第一篇文章中也说到过，分段大小超过一定阈值会进行合并吗，具体过程就是：

1. merge操作 由于refresh默认间隔为1s，因此在这个过程中不断地写入打开的分段就会产生大量的小segment，为此ES会运行一个任务检测当前磁盘中的segment，对符合条件的segment进行合并操作，减少lucene中的segment个数，提高查询速度，降低负载。不仅如此，merge过程也是文档删除和更新操作后，旧的doc真正被删除的时候。用户还可以手动调用_forcemerge API（POST my_index/__forcemerge）来主动触发merge，以减少集群的segment个数和清理已删除或更新的文档。

2. 多副本机制 另外ES有多副本机制，一个分片的主副分片不能分片在同一个节点上，进一步保证数据的可靠性。

分片的写入说完了，同理，删除一个文档也同样，具体就不再赘述了：


分布式搜索的运行机制

ES的搜索分成两部分

• 第一阶段是Query

• 第二阶段是Fetch

  具体流程是：

  问题：

  • 每个分片都是基于自己分片上的数据进行相关度计算，这会导致score的偏离

  • 当数据量不大的时候可以设置主分片数量为1

  • 数据量足够大的时候，只要保证文档均匀分散在哥哥分片上，结果就不会出现太大偏差

  • 可以试用DFS Query Then Fetch：搜索URL中添加

    _search?search_type=dfs_query_then_fetch参数,原理是到每个分片上把各个分片的词频和文档频率进行搜集，然后完整的进行一次相关度算分，但是这种情况会消耗更多的CPU和内存，执行性能不好。

  • 每个分片都需要查的文档个数=from+size

  • 最终Coordinating Node需要处理：number of shards * （from + size）这么多数据

  • 深度分页，这也是搜索引擎一直存在的问题（ES可以试用search after的api）

  • 性能问题：

  • 相关性算分问题

    怎么解决相关性算分问题？

  • 用户发出搜索请求到ES节点，节点收到请求后会以Coordinating Node的身份，在6个主副节点中随机选择三个分片发送查询请求。

  • 被选中的分片执行查询，进行排序，然后每个分片都会返回From+Size个排序后的文档id和排序值给Coordinating Node。

  • Fetch阶段Coordinating Node会把query阶段首先拿到从每个获取的排序后的文档id列表进行重新排序，选取From到From+Size的文档id。

  • 用multi_get请求的方式到相应的分片获取详细的文档数据

ES并发控制

看一个例子：

为什么第二个线程扣完了库存以后库存量还是99呢？

首先数据库的锁包含悲观锁和乐观锁

ES采用的是乐观并发控制的思想，假定不会发生冲突，不会阻塞正在尝试的操作，如果数据在读写的过程中被修改了，更新就会失败。ES会将怎么解决冲突交给我们编写的应用程序来实现，比如我们可以做失败重试，或者提交错误报告等等。

• ES提供了_seq_no和__primary_term这两个字段，我们可以去用这两个字段在程序里做判断从而实现版本控制

  比如上一次查询结果我们拿到的_seq_no和primary_term分别是0和1，那么下次更新的时候我们的QSL语句可以这么写：

PUT my_idx/_doc/1?if_seq_no=0&if_primary_term=1{	"title":"DaLian University of Technology"
	"department" : "Control Science and engineering"}复制代码

• 如果我们现在的情况是ES的数据是从类似MySQL同步过来的，纳闷我们还可以利用版本号MySQL中的version和ES中的version_type进行比较从而进行并发控制。

PUT my_idx/_doc/1?version=100000&version_type=external
{	"title":"DaLian University of Technology"
	"department" : "Control Science and engineering"}

作者：kgpp34