Elasticsearch 中为什么会有大量文档插入后变成 deleted？
1、从两个实战问题开始....
问题1：elasticsearch-head 插件索引文档数显示结果不一致？
一个：3429 ，一个：5291，什么意思？
问题2：批量写入 ES 数据，大量文档状态变成 deleted，什么原因？
数据库读数据，批量插入到es里，id自定义用的数据库的主键值，批量插入后，没有报错，可是用cerebro看，大量文档的状态是deleted，数据库中的主键值百分百没有重复的，不知道为什么会这样？
问题来源：https://elasticsearch.cn/question/11238
以上两个问题都会涉及文档的删除、更新操作，下面我们先说透两个概念，然后再拆解分析问题就容易的多。
2、文档版本号_version
在 Mysql 中插入一条记录，我们直观显示的是一行记录。而 Elasticsearch 是文档型搜索引擎，我们直观看到的是一条 json 记录。如下图所示：
_id 代表的唯一 id； _version 代表的文档的版本号。
这时候，我们通常会有疑问？如果对已有数据执行更新或者删除操作后，版本号如何变化？
看个 demo 一探究竟。
DELETE test
# 执行一次
PUT test/_doc/1
{
"counter" : 2,
"tags" : ["blue"]
}
# "_version" : 1,
GET test/_doc/1
# "count" : 1, "deleted" : 0
GET test/_stats
# 再执行一次（更新操作）
# "_version" : 2（版本号 + 1）,
PUT test/_doc/1
{
"counter" : 3,
"tags" : ["blue","green"]
}
再次写入文档相当于对原有文档执行更新全更新操作，_version 由 1 变成 2。
此时，我们通过 _stats API 发现：deleted 显示为1。
# "count" : 1, "deleted" : 1
GET test/_stats
如下执行 delete 操作后，看下 version 结果：_version 的版本号 + 1。
DELETE test/_doc/1
{
"_index" : "test",
"_type" : "_doc",
"_id" : "1",
"_version" : 3,
"result" : "deleted",
"_shards" : {
"total" : 2,
"successful" : 1,
"failed" : 0
},
"_seq_no" : 2,
"_primary_term" : 1
}
此时，我们再通过 _stats API 发现：deleted 显示为 3。
由此，初步得出结论：
更新、删除操作实际是在原来文档的基础上版本号 + 1，且每执行一次，版本号 +1 一次。 同时，原来的老版本的文档标记为：deleted 状态，这里能解释问题 2：只重复写入也会有文档标记为 deleted 状态。
3、文档删除、索引删除、文档更新的本质？
3.1 删除文档的本质
删除文档本质：逻辑删除而非物理删除。
在执行删除文档后，待删除文档不会立即将文档从磁盘中删除，而是将文档标记为已删除状态（版本号 _version + 1， "result" 标记为："deleted",）。最直观的反应就是被经常问到的问题“怎么删除文档后，磁盘空间不降？”
随着不断的索引更多的数据，Elasticsearch 将会在后台清理标记为已删除的文档。
如果想要从磁盘上删除，需要借助段合并来实现，具体实践参考：
POST test/_forcemerge?only_expunge_deletes
段合并中参数：“only_expunge_deletes“ 的含义只清除已标记为 deleted 的文档。
# "count" : 0, "deleted" : 0
GET test/_stats
这里不免引申出一个问题，既然文档越删越多，对于历史的冷数据想批量或者全量删除，有没有更快的方式呢？
有的，借助删除索引来删除该索引下的全部数据。
3.2 索引删除的本质
不同于删除文档，删除索引意味着删除其分片、映射和数据。
索引删除本质：物理删除数据。
不同于文档的删除，索引删除会更直接、快速、暴力。删除索引后，与索引有关的所有数据将从直接从磁盘中删除。
索引删除包含两个步骤：
更新集群； 分片从磁盘删除。
这里要强调的是：如果没有索引快照备份或者其他数据备份存在，已删除的索引不可恢复（这个问题至少被问到 10次 +）。
删除索引操作如下：
DELETE test
3.2 更新文档的本质
更新文档的本质：delete + add。
In Lucene, the core engine of Elasticsearch, inserting or updating a document has thesame cost: in Lucene and Elasticsearch, to update means to replace.
表面上是更新，实际上是：Elasticsearch 将旧文档标记为已删除（deleted），并增加（add）一个全新的文档。同删除文档一样，旧文档不能被访问，但，旧文档不会被立即物理删除，除非手动或者定时执行了段合并操作。
4、再来看开篇两个问题
4.1 docs 文档数不一致怎么来的？
我们直接复现一下，再结合上两节的原理给出结论。直接拿 kibana_电商数据（kibana自带）样例数据作为基础数据。
第一步：原始数据大小：都是4675。
第二步：执行批量删除操作。删除：order_id > 584670 的数据。
POST kibana_sample_data_ecommerce/_delete_by_query
{
"query":{
"range":{
"order_id":{
"gt": 584670
}
}
}
}
返回结果数：
{
"took" : 100,
"timed_out" : false,
"total" : 1246,
"deleted" : 1246,
"batches" : 2,
......
}
也就是说，共删除了：1246 条记录。
第三步：再查看结果： 
docs 两个值的变化：原来值是第一步截图值：4675。
4675-1246 = 3429 ，初步看：代表文档数精确值大小。 4675+1246 = 5921，初步看：代表文档原有数量 + deleted 文档数大小。
看一下：_stats 的统计如下：
GET kibana_sample_data_ecommerce/_stats
返回结果：
"_all" : {
"primaries" : {
"docs" : {
"count" : 3429,
"deleted" : 2492
},
第一个值大小就是：count； 第二个值大小就是：count + deleted。
这里：deleted 为什么是：2492 = 1246 的2倍。我理解的是（欢迎就这个问题探讨）：
原有待删除文档大小：1246 删除执行后，标记为：deleted， version + 1的文档数：1246。
实际测试验证中，大家会看到 deleted 值会变化：最早：2492， 然后变为：1246 ，最后变为：0。
当然，也可以使用 force_merge 强制段合并实现。
4.2 大量文档的状态是deleted，为什么？
我猜测：同步的时候，有相同 id 的文档数据写入了。也就是说：同一条数据写入了两次或多次，这样在 Elasticsearch 里面会做覆盖处理（本质是更新）。
而如前所述，更新的本质是：原有文档标记为已删除，然后再插入一条文档。
所以，可以尝试手动执行一下 force merge 操作，deleted 文档就没有了。 或者，自然等一段时间，待段合并的时机，deleted 文档就没有了。
5、小结
由一个小问题引发的思考和总结。
参考：
https://t.zsxq.com/zfiIIur
https://www.elastic.co/cn/blog/lucenes-handling-of-deleted-documents
Elasticsearch 官方文档
Elasticsearch 7.X cookbook 英文版