Elasticsearch 内部数据结构深度解读
共 5884字,需浏览 12分钟
·
2020-10-09 23:14
题记
最近知识星球里几个问题都问到了 doc values、store field、fielddata 等的概念。
问题1:”群主有介绍 doc value, field data, store fields 比较好的文章么?一直感觉有点模糊“
问题2:“请教下星主关于ES存储相关的问题, 一个文档有如下几个地方可能会存储:
倒排索引。
Source 字段。
store 存储(如果开启)
doc_values。
不知道我理解的是否正确?
如果这几个地方都存储, 那是不是可以理解为数据大致会膨胀了4倍?
死磕 Elasticsearch 知识星球(http://t.cn/RmwM3N9)
非常有必要好好梳理一下,于是就有了这篇文章。
Elasticsearch 数据结构的理解和合理使用,对深入理解 Elasticsearch大有裨益!
1、数据存储认知前提
正如 Elastic 官方文档所说:
Elasticsearch 特点之一是:分布式文档存储。
Elasticsearch不会将信息存储为类似列数据库的行(row),而是存储为已序列化为JSON文档的复杂数据结构。
当集群中有多个Elasticsearch节点时,存储的文档会分布在整个集群中,并且可以从任何节点立即访问。
存储文档后,将在1秒钟内(默认刷新频率为1s)几乎实时地对其进行索引和完全搜索。
如何做到快速索引和全文检索的呢?
Elasticsearch使用倒排索引的数据结构,该结构支持非常快速的全文本搜索。
倒排索引列出了出现在任何文档中的每个唯一单词,并标识了每个单词出现的所有文档。
索引可以认为是文档的优化集合,每个文档都是字段的集合,这些字段是包含数据的键值对。
默认情况下,Elasticsearch 对每个字段中的所有数据建立索引,并且每个索引字段都具有专用的优化数据结构。
例如,文本字段存储在倒排索引中,数字字段和地理字段存储在BKD树中。
数据类型 | 数据结构 |
---|---|
text/keyword | 倒排索引 |
数字/地理位置 | BKD树 |
不同字段具有属于自己字段类型的特定优化数据结构,并具备快速响应返回搜索结果的能力使得 Elasticsearch 搜索飞快!
1、Inverted Index 倒排索引
1.1 倒排索引定义
面对海量内容,如何快速的找到包含用户查询词的内容,倒排索引扮演了关键角色。
倒排索引是单词到文档映射关系的最佳实现形式。
下图是:书的末页的索引结构,展示了核心关键词与书页码的对应关系。
试想一下,没有这个索引页,根据关键词从全书查找有多慢,就能直观体会出索引的妙处!
1.2 倒排索引示例
拿官方文档的示例:
假设我们有两个文档,每个文档的 content 域包含如下内容:
- 1、The quick brown fox jumped over the lazy dog
- 2、Quick brown foxes leap over lazy dogs in summer
对索引编制索引会受到标记化和标准化的处理analysis。
数据索引化制约因素:分词器 analyzer 的选型。
倒排索引(基于 默认Standard 标准分词器分词)如下所示:
Term | Doc_1 | Doc_2 |
---|---|---|
Quick | X | |
The | X | |
brown | X | X |
dog | X | |
dogs | X | |
fox | X | |
foxes | X | |
in | X | |
jumped | X | |
lazy | X | X |
leap | X | |
over | X | X |
quick | X | |
summer | X | |
the | X |
如上所示,对于文档中的每个词,都包含了其所在文档的列表。
1.3 倒排索引特点
在索引时创建 序列化到磁盘 全文搜索非常快 不适合做排序 默认开启
1.4 倒排索引适用场景
查询 全文检索
2、Doc Values 正排索引
2.1 Doc Values 定义
在 Elasticsearch 中,Doc Values 就是一种列式存储结构,默认情况下每个字段的 Doc Values 都是激活的(除了 text 类型),Doc Values 是在索引时创建的,当字段索引时,Elasticsearch 为了能够快速检索,会把字段的值加入倒排索引中,同时它也会存储该字段的 Doc Values。
区别于倒排索引的定义,Doc Values 被定义为:“正排索引”。
2.2 Doc Values 示例
仍然 以 1.2 文档为例,Doc Values 结构如下所示(仅做举例):
Doc | Terms |
---|---|
Doc_1 | brown, dog, fox, jumped, lazy, over, quick, the |
Doc_2 | brown, dogs, foxes, in, lazy, leap, over, quick, summer |
Doc values 通过转置两者间的关系来解决适用倒排索引聚合效率低、难以扩展的问题。
对比可以看出:倒排索引将词项映射到包含它们的文档,doc values 将文档映射到它们包含的词项。
2.3 Doc Values 特点
在索引时创建 序列化到磁盘 适合排序操作 将单个字段的所有值一起存储在单个数据列中 默认情况下,除text之外的所有字段类型均启用 Doc Values。
2.4 Doc Values 适用场景
Elasticsearch 中的 Doc Values 常被应用到以下场景:
对一个字段进行排序 对一个字段进行聚合 某些过滤,比如地理位置过滤 某些与字段相关的脚本计算
注意:
因为文档值被序列化到磁盘,我们可以依靠操作系统的帮助来快速访问。
当 工作集(working set) 远小于节点的可用内存,系统会自动将所有的文档值保存在内存中,使得其读写十分高速;
当其远大于可用内存,操作系统会自动把 Doc Values 加载到系统的页缓存中,从而避免了 jvm 堆内存溢出异常。
2. 5 Doc Values 使用注意事项
对于不需要:排序、聚合、脚本计算、地理位置过滤的业务场景,可以考虑禁用:Doc Values,以节约存储。
PUT my_index
{
"mappings": {
"properties": {
"title": {
"type": "keyword",
"doc_values": false
}
}
}
}
3、fielddata
3.1 fielddata 定义
如前第1、2小结所述:
搜索需要回答“哪个文档包含此词?”的问题。借助:倒排索引实现。 排序和汇总则需要回答一个不同的问题:“此字段对本文档的价值是什么?” 。借助:正排索引实现。
text 类型字段是不支持 Doc Values正排索引的,text字段使用是:查询时创建的基于的内存数据结构(query-time in-memory data structure) fielddata。
fielddata 将 text 字段用于聚合、排序或在脚本中使用时,将按需构建此数据结构。
实现机理:它是通过从磁盘读取每个段的整个反向索引,反转词项↔︎文档关系并将结果存储在JVM堆中的内存中来构建的。
3.2 fielddata 示例
严格意义讲,2.2 的示例,放到这里会更合适。
DELETE test_001
PUT test_001
{
"mappings": {
"properties": {
"body":{
"type":"text",
"analyzer": "standard",
"fielddata": true
}
}
}
}
POST test_001/_bulk
{"index":{"_id":1}}
{"body":"The quick brown fox jumped over the lazy dog"}
{"index":{"_id":2}}
{"body":"Quick brown foxes leap over lazy dogs in summer"}
GET test_001/_search
{
"size": 0,
"query": {
"match": {
"body": "brown"
}
},
"aggs": {
"popular_terms": {
"terms": {
"field": "body"
}
}
}
}
3.3 fielddata 特点
适用于文档之类的操作 但仅适用于 text 文本字段类型 在查询时创建 内存中数据结构 没有序列化到磁盘 默认情况下被禁用(构建它们很昂贵,并且在堆中预置)
3.4 fielddata 适用场景
全文统计词频 全文生成词云 text类型:聚合、排序、脚本计算
3.5 fielddata 使用注意事项
在启用字段数据之前,请考虑为什么将文本字段用于聚合、排序或在脚本中使用。 启用 fielddata 通常没有任何意义,因为它非常耗费内存资源。 仅仅是做全文搜索的应用,就不需要启用fielddata。
4、_source 字段解读
4.1 _source 定义
_source 字段包含在索引时间传递的原始JSON文档主体。
_source 字段本身未构建索引(因此不可搜索),但已存储该字段,以便在执行获取请求(如get或search)时可以将其返回。
4.2 _source 使用注意事项
第一:尽管非常方便,但是source字段确实会导致索引内的存储开销。因此,可以将其禁用。
PUT my-index-000001
{
"mappings": {
"_source": {
"enabled": false
}
}
}
第二:禁用前要做好以下衡量 禁用 _source 后,如下操作将不可用:
update, update_by_query 和 reindex API
高亮操作
5、store 字段解读
5.1 store 定义
默认情况下,对字段值进行索引以使其可搜索(第1节的 倒排索引),但不存储它们。
这意味着可以查询该字段,但是无法检索原始字段值。
通常这无关紧要。该字段值已经是_source字段的一部分,默认情况下已存储。
但,某些特殊场景下,如果你只想检索单个字段或几个字段的值,而不是整个_source的值,则可以使用源过滤来实现。
这个时候, store 就派上用场了。
5.2 store 示例
DELETE news-000001
PUT news-000001
{
"mappings": {
"_source": {
"enabled": false
},
"properties": {
"title": {
"type": "text",
"store": true
},
"date": {
"type": "date",
"store": true
},
"content": {
"type": "text"
}
}
}
}
PUT news-000001/_doc/1
{
"title": "Some short title",
"date": "2021-01-01",
"content": "A very long content field..."
}
GET news-000001/_search
GET news-000001/_search
{
"stored_fields": [ "title", "date" ]
}
5.3 store 适用场景
如 5.2 示例,在某些情况下,存储字段可能很有意义。例如,采集的新闻数据是:带有标题、日期和很大内容字段的文档,
则可能只想检索标题和日期,而不必从较大的_source字段中提取这些字段。
6、小结
回到文章开头的两个问题:
问题1:看完本文后,doc values , field data , store fields 就非常清晰了。
问题2:字段类型不一样,存储不一样。默认:倒排索引默认所有字段都启用,正排索引 Doc Values 非 text 类型默认启用, source (存储原始文档的 所有字段的 json 结构数据)和 store (存储指定字段的 json 数据) 的启用与否需要结合业务实际。假设:正排索引、倒排索引、_source 、store 都启用了,存储肯定会增加,但不是线性的 4倍。
对于不明白的问题,反复研读官方文档,拷贝到kibana Dev tool 去实践,直到弄明白为止。
文章尽量参考官方文档,尽管如此,难免表述纰漏,欢迎大家指正交流。
和你一起,死磕 Elasticsearch !
参考:
https://t.zsxq.com/Baq3nmE
https://t.zsxq.com/meAyrzN
https://t.zsxq.com/IaunyrZ
https://t.zsxq.com/AIYJiE6
https://medium.com/datadriveninvestor/elastic-search-what-is-inside-5d61f1a681df
http://alexander.holbreich.org/elasticsearch-datastructures/
Elastic 官方文档
推荐:
你的 Elasticsearch 难题,官方文档早就有了答案......
更短时间更快习得更多干货!
中国40%+Elastic认证工程师出自于此!