1、ES中的倒排索引是什么？
答：
- 传统的检索方式是通过文章，逐个遍历找到对应关键词的位置。 倒排索引，是通太过词计谋，形成了词和文章的映射关系表，也称倒排表，这种词典 + 映射表即为倒排索引。
- 其中词典中存储词元，倒排表中存储该词元在哪些文中出现的位置。 有了倒排索引，就能实现 O(1) 时间复杂度的服从检索文章了，极大的进步了检索服从。
- 加分项： 倒排索引的底层实现是基于：FST（Finite State Transducer）数据结构。
- Lucene 从 4+ 版本后开始大量使用的数据结构是 FST。
FST 有两个长处：
- 空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间；
- 查询速度快。O(len(str)) 的查询时间复杂度。
2、ES是如何实现master选举的？
答：
前置条件：
- 只有是候选主节点（master：true）的节点才能成为主节点。
- 最小主节点数（min_master_nodes）的目标是防止脑裂。
Elasticsearch 的选主是 ZenDiscovery 模块负责的，主要包罗 Ping（节点之间通过这个 RPC 来发现彼此）和 Unicast（单播模块包罗一个主机列表以控制哪些节点必要 ping 通）这两部分； 获取主节点的核心入口为 findMaster，选择主节点成功返回对应 Master，否则返回 null 。
选举流程大致形貌如下：
- 第一步：确认候选主节点数达标，elasticsearch.yml 设置的值 discovery.zen.minimum_master_nodes ;
- 第二步：对所有候选主节点根据 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。
- 第三步：假如对某个节点的投票数到达肯定的值（候选主节点数 n/2+1 ）而且该节点自己也选举自己，那这个节点就是 master 。否则重新选举不停到满足上述条件。
补充：
这里的 id 为 string 范例。
master 节点的职责主要包罗集群、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。
3、如何解决ES集群的脑裂题目
答：所谓集群脑裂，是指 Elasticsearch 集群中的节点（比如共 20 个），其中的 10 个选了一个 master，另外 10 个选了另一个 master 的情况。
当集群 master 候选数量不小于 3 个时，可以通过设置最少投票通过数量（discovery.zen.minimum_master_nodes）超过所有候选节点一半以上来解决脑裂题目； 当候选数量为两个时，只能修改为唯一的一个 master 候选，其他作为 data 节点，避免脑裂题目
4、详细形貌一下ES索引文档的过程？
答：这里的索引文档应该理解为文档写入 ES，创建索引的过程。
- 第一步：客户端向集群某节点写入数据，发送请求。（假如没有指定路由/调和节点，请求的节点扮演调和节点的角色。）
- 第二步：调和节点担当到请求后，默认使用文档 ID 到场计算（也支持通过 routing），得到该文档属于哪个分片。随后请求会被转到另外的节点。
- 第三步：当分片所在的节点吸收到来自调和节点的请求后，会将请求写入到 Memory Buffer，然后定时（默认是每隔 1 秒）写入到 Filesystem Cache，这个从 Momery Buffer 到 Filesystem Cache 的过程就叫做 refresh；
- 第四步：固然在某些情况下，存在 Memery Buffer 和 Filesystem Cache 的数据可能会丢失，ES 是通过 translog 的机制来保证数据的可靠性的。其实现机制是吸收到请求后，同时也会写入到 translog 中，当 Filesystem cache 中的数据写入到磁盘中时，才会清除掉，这个过程叫做 flush；
- 第五步：在 flush 过程中，内存中的缓冲将被清除，内容被写入一个新段，段的 fsync 将创建一个新的提交点，并将内容革新到磁盘，旧的 translog 将被删除并开始一个新的 translog。
- 第六步：flush 触发的时机是定时触发（默认 30 分钟）大概 translog 变得太大（默认为 512 M）时。
补充： 关于 Lucene 的 Segement
- Lucene 索引是由多个段组成，段本身是一个功能齐全的倒排索引。
段是不可变的，答应 Lucene 将新的文档增量地添加到索引中，而不消从头重建索引。
- 对于每一个搜索请求而言，索引中的所有段都会被搜索，而且每个段会斲丧 CPU 的时钟周、文件句柄和内存。这意味着段的数量越多，搜索性能会越低。
- 为了解决这个题目，Elasticsearch 会合并小段到一个较大的段，提交新的合并段到磁盘，并删除那些旧的小段。（段合并）
5、详细形貌一下ES更新和删除文档的过程？
答：删除和更新也都是写操作，但是 Elasticsearch 中的文档是不可变的，因此不能被删除大概改动以展示其变动。
磁盘上的每个段都有一个相应的 .del 文件。当删除请求发送后，文档并没有真的被删除，而是在 .del 文件中被标记为删除。该文档依然能匹配查询，但是会在结果中被过滤掉。当段合并时，在 .del 文件中被标记为删除的文档将不会被写入新段。
在新的文档被创建时，Elasticsearch 会为该文档指定一个版本号，当执行更新时，旧版本的文档在 .del 文件中被标记为删除，新版本的文档被索引到一个新段。旧版本的文档依然能匹配查询，但是会在结果中被过滤掉。
6、详细形貌一下ES搜索的过程？
答：搜索被执行成一个两阶段过程，即 Query Then Fetch；
- Query阶段： 查询会广播到索引中每一个分片拷贝（主分片大概副本分片）。每个分片在本地执行搜索并构建一个匹配文档的巨细为 from + size 的优先队列。PS：在搜索的时候是会查询 Filesystem Cache 的，但是有部分数据还在Memory Buffer，所以搜索是近及时的。 每个分片返回各自优先队列中 所有文档的 ID 和排序值 给调和节点，它合并这些值到自己的优先队列中来产生一个全局排序后的结果列表。
- Fetch阶段： 调和节点辨别出哪些文档必要被取回并向相关的分片提交多个 GET 请求。每个分片加载并 丰富 文档，假如有必要的话，接着返回文档给调和节点。一旦所有的文档都被取回了，调和节点返回结果给客户端。
7、在并发情况下，ES假如保证读写一致？
答：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，由应用层来处置处罚详细的冲突； 另外对于写操作，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答应写操作。但即使大多数可用，也可能存在因为网络等缘故起因导致写入副本失败，如许该副本被认为故障，分片将会在一个不同的节点上重建。 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；假如设置 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。
8、 ES对于大数据量（上亿量级）的聚合如何实现？
答：Elasticsearch 提供的首个近似聚合是 cardinality 度量。它提供一个字段的基数，即该字段的 distinct 大概 unique 值的数量。它是基于 HLL 算法的。HLL 会先对我们的输入作哈希运算，然后根据哈希运算的结果中的 bits 做概率估算从而得到基数。其特点是：可配置的精度，用来控制内存的使用（更精确 ＝ 更多内存）；小的数据集精度是非常高的；我们可以通过配置参数，来设置去重必要的固定内存使用量。无论数千还是数十亿的唯一值，内存使用量只与你配置的精确度相关
9、对于GC方面，在使用ES时要注意什么？
答：
- 倒排词典的索引必要常驻内存，无法 GC，必要监控 data node 上 segment memory 增长趋势。
- 各类缓存，field cache, filter cache, indexing cache, bulk queue 等等，要设置合理的巨细，而且要应该根据最坏的情况来看heap是否够用，也就是各类缓存全部占满的时候，另有 heap 空间可以分配给其他使命吗？避免采用 clear cache 等“自欺欺人”的方式来释放内存。
- 避免返回大量结果集的搜索与聚合。确实必要大量拉取数据的场景，可以采用scan & scroll api 来实现。
- cluster stats 驻留内存并无法程度扩展，超大规模集群可以考虑分拆成多个集群通过 tribe node 连接。
- 想知道 heap 够不够，必须结合实际应用场景，并对集群的 heap 使用情况做持续的监控。
10、说说你们公司ES的集群架构，索引数据巨细，分片有多少，以及一些调优手段？
答：根据实际情况复兴即可，假如是我的话会这么复兴：
我司有多个ES集群，下面列举其中一个。该集群有20个节点，根据数据范例和日期分库，每个索引根据数据量分片，比如日均1亿+数据的，控制单索引巨细在200GB以内。
下面重点列举一些调优计谋，仅是我做过的，不肯定全面，如有其它建议大概补充接待留言。
部署层面：
- 最好是 64GB 内存的物理机器，但实际上 32GB 和 16GB 机器用的比力多，但绝对不能少于 8G ，除非数据量特别少，这点必要和客户方面沟通并合理说服对方。
- 多个内核提供的额外并发远胜过轻微快一点点的时钟频率。
- 只管使用 SSD ，因为查询和索引性能将会得到明显提拔。
- 避免集群跨越大的地理间隔，一般一个集群的所有节点位于一个数据中心中。
- 设置堆内存：节点内存/2，不要超过32GB。一般来说设置 export ES_HEAP_SIZE=32g 环境变量，比直接写 -Xmx32g -Xms32g 更好一点。
- 关闭缓存 swap 。内存交换到磁盘对服务器性能来说是致命的。假如内存交换到磁盘上，一个100微秒的操作可能酿成10毫秒。 再想想那么多10微秒的操作时延累加起来。不丢脸出 swapping 对于性能是多么可怕。
- 增加文件形貌符，设置一个很大的值，如 65535 。Lucene 使用了大量的文件，同时，Elasticsearch 在节点和HTTP客户端之间进行通信也使用了大量的套接字。所有这一切都必要足够的文件形貌符。
- 不要随意修改垃圾回收器（CMS）和各个线程池的巨细。
- 通过设置 gateway.recover_after_nodes、gateway.expected_nodes、 gateway.recover_after_time 可以在集群重启的时候避免过多的分片交换，这可能会让数据恢复从数个小时缩短为几秒钟。
索引层面：
- 使用批量请求并调整其巨细：每次批量数据 5–15 MB 大是个不错的起始点。
- 段合并：Elasticsearch 默认值是 20MB/s ，对机器磁盘应该是个不错的设置。假如你用的是 SSD ，可以考虑进步到 100-200MB/s 。假如你在做批量导入，完全不在意搜索，你可以彻底关掉合并限流。另外还可以增加 index.translog.flush_threshold_size 设置，从默认的 512MB 到更大一些的值，比如1GB ，这可以在一次清空触发的时候在事务日志里积累出更大的段。
- 假如你的搜索结果不必要近及时的精确度，考虑把每个索引的index.refresh_interval 改到 30s 。
- 假如你在做大批量导入，考虑通过设置 index.number_of_replicas: 0 关闭副本。
- 必要大量拉取数据的场景，可以采用 scan & scroll api 来实现，而不是 from/size 一个大范围。
存储层面：
- 基于数据+时间滚动创建索引，每天递增数据。控制单个索引的量，一旦单个索引很大，存储等各种风险也随之而来，所以要提前考虑+赶早避免。
- 冷热数据分离存储，热数据（比如最近3天大概一周的数据），其余为冷数据。对于冷数据不会再写入新数据，可以考虑定期 force_merge 加 shrink 压缩操作，节省存储空间和检索服从。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
